《Molecular Catalysis》：A method for optimizing catalyst preparation conditions based on machine learning and genetic algorithm
编辑推荐：
•提出了一种RF-GA耦合智能框架，用于优化间二甲苯催化氧化的Mn-Ca/γ-Al?O?催化剂。•随机森林在污染物去除效率预测方面表现优异，测试集R2 = 0.949。•SHAP分析揭示Ca/Mn摩尔比（43.94%）和煅烧温度（21.96%）是最主要的因素。•GA全局搜索克
- •
提出了一种RF-GA耦合智能框架，用于优化间二甲苯催化氧化的Mn-Ca/γ-Al?O?催化剂。
- •
随机森林在污染物去除效率预测方面表现优异，测试集R2 = 0.949。
- •
SHAP分析揭示Ca/Mn摩尔比（43.94%）和煅烧温度（21.96%）是最主要的因素。
- •
GA全局搜索克服了传统实验的局部最优问题，获得最佳制备参数：负载量5.4%、Ca:Mn = 1:4、423 °C、3.75 h。
- •
优化后的催化剂间二甲苯去除率达93.7%，高于单因素局部最优条件下的91.2%。
该数据驱动策略为非贵金属多相催化剂的开发提供了一种低碳可复用的范式。
引言
对工业源挥发性有机物（VOCs）进行末端处理是实现污染物减排与碳排放协同的关键，主要技术包括吸附（如活性炭/沸石转轮浓缩）、吸收（化学溶剂洗涤）、燃烧（蓄热式热氧化器（RTO）和蓄热式催化氧化器（RCO））以及生物处理（生物滤池降解）。
其中，多相催化氧化技术因其低温高效的特点而被广泛应用。然而，传统催化剂的研发基于经验试错法，实验周期长（通常需要6–12个月），能耗高（单次煅烧需50–80 kWh），且常陷入局部最优[1,2]。以贵金属催化剂为例，尽管其低温活性优异，但受限于贵金属资源丰富且价格高昂，难以满足工业化规模应用的需求[3]。过渡金属复合催化剂因其良好的稳定性和低成本而受到关注[4]。然而，由于其制备因素复杂，优化空间呈指数级增长，传统正交实验方法已难以有效解决这一问题[5]。
智能算法驱动的技术为催化剂的逻辑设计提供了新的范式。RF模型在预测CuO2CeO?催化剂邻二甲苯氧化活性方面优于传统响应面技术，R2值达0.93[6]。进一步利用SHAP数据分析发现，氧空位浓度对反应路径的控制贡献率为38%[7]。然而，由于单一机器学习模型易受数据集偏差影响，实现全局参数优化困难。Pt催化剂表面重构使CO氧化能垒降低0.15 eV，表明GA凭借其并行搜索特性在克服局部最优方面具有优势[8]。刘思伟等人的遗传算法-人工神经网络（GA-ANN）框架将双催化剂配置效率提升了至少95%[9]。然而，在非对称载体催化剂的智能设计中，模型泛化不足的问题仍然存在[10,11]。
尽管机器学习辅助VOCs催化剂的研究日益增多，但现有文献大多局限于数据驱动的性能预测，缺乏多参数全局优化后的闭环实验验证。已发表的研究大多仅分析了特征重要性，或局限于单因素探索，未将遗传算法用于全局优化，也未通过物理实验验证结果。与以往研究不同，本研究建立了涵盖"实验数据集、机器学习代理模型、遗传算法全局优化和实验验证"的完整闭环研究流程，针对Mn-Ca改性γ-Al?O?双金属催化剂展开研究。在SHAP可解释性分析的基础上，本研究进一步揭示了催化剂制备过程中各变量之间的多参数协同耦合效应。本研究不仅实现了性能预测，还实现了多维参数的全局优化；此外，通过遗传算法（GA）生成的最优催化剂配方在实验室中通过物理实验进行了验证，从而为非贵金属VOCs氧化催化剂的智能开发提供了实用的框架[12]。
本研究针对Mn-Ca/γ-Al?O?催化剂提出了一种两阶段智能优化框架（"特征分析-全局优化"）。首先，通过正交实验和单因素实验创建了包含225组数据的高维数据集，涵盖活性掺杂负载量、Ca/Mn比、煅烧温度和煅烧时间等重要参数。采用RF和GBR等技术建立了去除率预测模型，结合SHAP值进行特征显著性分析，克服了传统黑箱模型的可解释性问题。其次，将RF模型作为遗传算法的适应度函数，构建了多维参数空间的全局搜索策略。该策略利用自适应交叉-变异过程和精英保留来平衡探索与利用的关系。
本研究不仅验证了ML-GA协同框架在过渡金属催化剂优化中的普适性，还为工业设备的智能化转型提供了可复用的技术范式[12]。要实现从实验室预测到工业化放大的全链条创新，该学科需要进一步探索多目标优化、动态工况自适应算法以及跨材料系统的知识迁移机制。
章节摘录
实验材料与设备
多相催化氧化和材料煅烧研究的目标污染物为邻二甲苯，催化剂载体为γ-Al?O?，试剂包括四水合硝酸钙、硅颗粒、硫酸钾、硫酸镁、硫酸钠和七水合硫酸锌，用于提供掺杂元素或辅助实验。实验气体包括氮气、邻二甲苯标准气体和空气。
实验设备包括填料喷淋塔
二甲苯多相催化氧化降解结果与分析
随着全球对气候变化和环境可持续性问题的关注日益增加，工业源VOCs排放对温室气体排放的影响已成为重要的环境挑战。VOCs通过环境中的光化学反应产生臭氧和细颗粒物，加剧空气污染。此外，其氧化过程间接增加了二氧化碳排放，加剧全球变暖。间二甲苯是一种常见的VOCs，释放于
结论
为实现污染物减排与碳排放协同，工业源VOCs的末端处理至关重要。尽管多相催化氧化技术广泛应用，但传统催化剂研发面临周期长、能耗高和易收敛于局部最优等挑战。本研究提出了针对Mn-Ca/γ-Al?O?催化剂的机器学习与遗传算法结合的优化策略。我们建立了二甲苯去除率
作者贡献声明
敖俊辉： 撰写——初稿。王伟： 获取资金。王子阳： 撰写——审阅与编辑。邱前红： 方法论。杜昌明： 指导。
利益冲突声明
作者声明不存在任何已知的利益冲突或可能影响本文工作的个人关系。
致谢
本研究得到国家自然科学基金委员会资助[61871409]。
敖俊辉|王伟|王子阳|邱前红|杜昌明
