机器学习预测双金属位点掺杂石墨烯催化剂上甲烷C–H键活化

《RSC Advances》:A machine learning approach to predict C–H bond activation on dual-site doped graphene catalystsOpen Access

【字体: 大 中 小 】 时间:2026年09月22日 来源:RSC Advances 6.1

编辑推荐:

  研究人员采用机器学习(machine learning, ML)辅助密度泛函理论(density functional theory, DFT)计算,系统研究了石墨烯基双金属位点催化剂(dual-metal-site catalysts, DMSCs)在甲烷非

  
研究人员采用机器学习(machine learning, ML)辅助密度泛函理论(density functional theory, DFT)计算,系统研究了石墨烯基双金属位点催化剂(dual-metal-site catalysts, DMSCs)在甲烷非氧化偶联(nonoxidative coupling of methane, NOCM)反应中的催化性能。为深入理解甲烷C–H键活化过程,研究人员使用多种机器学习算法预测各基元步骤的吸附能(初始态吸附能与终态吸附能)及活化能(activation energy, Ea)。首先,以DFT计算得到的NOCM第一步C–H活化能量作为目标变量,训练多种机器学习模型;同时,选取若干与过渡金属掺杂石墨烯相关的易获取特征作为输入特征构建数据集,并由机器学习模型用以预测DMSCs的催化活性。所有模型均通过100次随机划分训练集与测试集进行验证,以避免训练偏差。经100次随机训练-测试划分的模型验证表明,随机森林回归(random forest regression, RFR)与极端随机树回归(extra tree regression, ETR)为最可靠的预测器,其对终态吸附能的测试误差为0.33 eV,对Ea的测试误差为0.27 eV。在初始C–H活化之外,研究人员进一步探索了生成C2烃类的C–C偶联路径。在所考察的DMSC构型中,Fe/Ni与Fe/Cu表现出最低的偶联能垒,显示出优异的催化活性。该研究证明机器学习模型可有效用于催化剂筛选,从输入特征中提供有前景的描述符,从而加速甲烷活化与偶联反应高效催化剂的高通量筛选与理性设计。
# 论文解读:机器学习加速双金属位点掺杂石墨烯催化剂上甲烷C–H键活化的预测与筛选

## 一、研究背景与问题

甲烷广泛存在于天然气和页岩气藏中,是一种重要的烃类资源,同时也是一种温室效应潜能约为CO2 25倍的剧毒温室气体。因此,开发高效催化剂以实现甲烷向高附加值化学品的转化具有重要意义。传统间接转化路线(如水蒸气重整制合成气)能耗极高,而直接转化路线中的氧化偶联(OCM)和非氧化偶联(NOCM)可将CH4直接脱氢转化为C2+烃类。其中,NOCM因避开了OCM中过氧化物种CO/CO2的分离步骤而显著降低能耗,并副产高价值的H2,因而更具优势。

单原子催化剂(single-atom catalysts, SACs)和双金属位点催化剂(dual-metal-site catalysts, DMSCs)因其最大化的原子利用率而成为多相催化领域的研究热点。实验研究表明,Fe基SAC和纳米氧化铈负载的Pt单原子催化剂等在甲烷非氧化转化中表现出高选择性和转化率。然而,传统DFT计算过渡态极为耗时,难以满足高通量催化剂筛选的需求。因此,亟需发展数据驱动的机器学习方法来加速催化性能的预测,揭示构效关系,从而指导高效催化剂的设计。

## 二、研究内容与结论

研究人员构建了氮配位石墨烯负载的双金属位点催化剂模型,系统考察了不同过渡金属组合(M1选自Cr、Mn、Fe;M2选自Co、Ni、Cu及Rh、Ir)对甲烷C–H键活化和C–C偶联反应的影响。通过DFT计算获得初始态、过渡态和终态的能量,进而建立包含237个有效数据点的数据集。研究采用多种机器学习算法(KNN、SVR、RFR、GBR、ETR和ANN),以d带相关性质、周期表属性和其他已报道的物理化学特征为输入,预测活化能Ea和终态吸附能。结果表明,极端随机树回归(ETR)模型表现最佳,对Ea和终态吸附能的测试均方根误差分别为0.27 eV和0.33 eV。特征重要性分析显示,与M1位点(CH4活化发生位点)相关的d带填充、耦合矩阵和原子极化率等特征对预测贡献最大。此外,C–C偶联研究表明,Fe/Ni和Fe/Cu组合具有最低的偶联能垒(0.5 eV和0.7 eV),且反应高度放热,表明其热力学上更有利于乙烷生成。该研究证明DFT-ML联合方法可高效预测C–H活化能垒,显著降低过渡态搜索的计算成本,为双金属位点催化剂的快速筛选和理性设计提供了有力工具。

## 三、关键技术方法

该研究采用密度泛函理论(DFT)结合机器学习(ML)的方法。计算使用Vienna ab initio simulation package(VASP)6.2.0,采用投影缀加平面波(PAW)赝势,平面波截断能为396 eV,使用PBE交换关联泛函和DFT-D3色散校正,并结合爬坡弹性带(CI-NEB)方法计算最小能量路径和过渡态。研究人员从3d、4d和5d过渡金属中系统选择M1和M2,构建了676种不同的甲烷活化场景,经筛选最终使用237个数据点进行模型训练。特征空间涵盖d带中心、d带填充、耦合矩阵、原子质量、电离能、电负性等42个描述符,经相关性筛减后用于不同目标变量的预测。模型采用80:20训练-测试划分、100次随机划分和5折交叉验证评估性能。

## 四、研究结果

### 4.1 不同DMSC构型上的C–H键活化

DFT计算显示,M2原子的替换可系统性调变Ea,但这种电子调控高度依赖于M1位点的性质。对于早期过渡金属Cr和Mn,M2 d态填充的增加显著抑制C–H活化,Ea呈上升趋势,如Cr/Co (0.35 eV) < Cr/Ni (0.63 eV) < Cr/Cu (1.22 eV)。而M1为Fe时,这种电子敏感性被抵消,Fe/3d系列的能垒几乎持平(0.96–1.00 eV),表明Fe活性位点主导催化作用。

### 4.2 几何与电子结构描述符分析

过渡态中C–H键长和M2–H键长与Ea的关系在不同系列中表现不同。在Cr/3d系列中,C–H键长随能垒增大而单调增加,体现了“早”/“晚”过渡态特征;而Fe/3d系列能垒相近时,几何描述符与Ea的相关性减弱。平均d带中心(εm)仅对能垒分布较宽的系列(Cr/3d)呈现较好线性关系(R2=0.987),而对能垒集中的系列(Fe/3d,R2=0.03)描述能力不足。

### 4.3 机器学习模型性能与特征重要性

经超参数优化和100次随机划分验证,ETR模型表现最佳,测试RMSE为0.27 eV(Ea)和0.33 eV(终态吸附能),预测值与DFT计算结果高度一致(R2分别为0.89和0.94)。特征重要性分析表明,终态吸附能是预测Ea最重要的特征(贡献>16%),其次是M1的原子极化率(~8%)、M1所在的族(>5%)等。终态吸附能预测中,M1的耦合矩阵贡献最大(10%)。这些结果证实与M1位点直接相关的特征对催化性能预测起主导作用。

### 4.4 C–C偶联反应路径与催化剂筛选

对低C–H活化能垒的Cr基和Fe基体系进一步研究了CH3–CH3偶联生成乙烷的路径。Fe/Ni具有最低的偶联能垒(0.5 eV),反应能为?1.56 eV;Fe/Cu次之(0.7 eV),反应能为?1.65 eV。Cr基体系中Cr/Cu偶联能垒最低(0.8 eV)。相反,甲烷深度脱氢(CH3脱氢)的能垒(Fe/Cu为2.50 eV,Cr/Ni为1.77 eV,Fe/Ni为1.65 eV)均显著高于对应的C–C偶联能垒,表明这些DMSCs动力学上优先促进C2烃生成。

## 五、讨论与结论

研究发现,传统的几何描述符(如C–H、M2–H键长)和电子描述符(如平均d带中心)均无法普遍关联Ea的变化,说明双金属位点之间存在复杂的协同效应,突破了传统的线性标度关系(BEP关系)。机器学习模型成功捕捉了这种非线性关系,并通过特征重要性分析提供了可解释性。ETR模型的高预测精度表明,DFT-ML联合策略可大幅降低过渡态计算成本,实现催化剂的高通量筛选。Fe/Ni和Fe/Cu因兼具较低的C–H活化能和极低的C–C偶联能垒,被确认为最有前景的NOCM催化剂候选者。该研究将电子结构信息与数据驱动预测相结合,为甲烷活化和转化高效催化剂的加速发现提供了新范式。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号