利用可解释机器学习解码 CO? 加氢中主导高级烃生成的催化剂描述符

《Journal of Environmental Chemical Engineering》：Decoding Catalyst Descriptors Governing Higher Hydrocarbon Formation in CO? Hydrogenation Using Explainable Machine Learning

　　

• •
  对CO₂催化加氢制C₅+烃物进行了广泛的数据挖掘，建立了一个统一数据库。
• •
  评估了多种机器学习（ML）模型用于催化剂活性预测，结果表明CatBoost预测效果最优，其中转化率模型的测试R²为0.9217，选择性模型的测试R²为0.8286。
• •
  基于CatBoost转化率和选择性模型，利用NSGA-II算法进行了最优催化剂设计。
• •
  优化结果提供了一种全新的最优催化剂组成，实现了62.02%的CO₂转化率和67.48%的C₅+选择性，从而取得了创纪录的41.85%产物收率。

引言

全球能源需求的不断增长导致了对化石燃料的过度依赖，从而使大气中温室气体呈指数级增长。自工业革命以来，大气中的二氧化碳浓度显著上升。据世界气象组织（WMO）和美国国家海洋和大气管理局（NOAA）全球监测实验室的数据，2024-2025年全球大气CO₂含量从3.5飙升至3.75百万分比（ppm）。自2015年《巴黎协定》签署以来，世界各国政府一直在积极尝试采用各种碳减排和碳利用技术，以将全球气温升幅控制在2°C以下。二氧化碳捕集与利用（CCU）是减少碳排放、推动循环经济的重要战略技术选择之一。该技术因其能够将CO₂气体转化为高附加值燃料而引起了广泛关注。

确定先进的CCU策略是一项全球性目标，这也与联合国可持续发展目标第7、12和13项（即"可负担和清洁能源"、"负责任消费和生产"以及"气候行动"）相一致。催化加氢是少数几种CCU策略中超越其他策略的方案之一，其具有高效率和精确的选择性控制能力。通过水电解制取可再生氢气，该技术促进了碳中和的实现。该过程具有可扩展性，可以轻松集成到现有产业中，并且其CO₂-费托反应路径相比其他复杂的CCU过程显著降低了资本支出。

C₅+范围内的液态烃作为"直接替代"燃料，意味着它们无需特殊处理即可添加、储存和消耗，因此是传统化石燃料的优异替代品。C₈-C₁₆航空燃料范围专门用于生产低CO₂排放量的可持续航空燃料（SAF）。与需要昂贵压缩或低温储存的轻气体和氢气不同，C₅+液态燃料提供了易于实现的储存和运输方案。实现这些长链烃的高收率是一条有前景的途径，因为它同时最大化了CO₂的利用率并推动了循环经济。

生产高碳烃的两种主要反应机理是通过逆水煤气变换反应（RWGS）后链增长的改良费托反应，以及甲醇介导途径。改良费托路径先产生CO，随后在催化剂表面进行碳链增长。在甲醇介导路径中，CO₂首先加氢生成甲醇，随后在催化剂床层上进一步脱水形成烃环。这些中间体随后开始持续裂解以形成更大的分子，

生成烯烃和高碳烃。另一条不产生高碳烃的竞争路径是甲烷化路径。反应路径如图1所示。

一个主要的关注点是如何开发高活性、高选择性的催化剂以生产C₅+烃。传统的试错方法已经积累了大量的实验数据文献。尽管该方法非常耗时、耗力，且依赖于直觉和研究经验，但它积累了大量数据。这一综合多个研究来源的数据集，为机器学习模型的开发提供了优质数据来源。利用该数据集对各种机器学习算法进行训练和测试，为催化剂设计开辟了新途径。文献中已存在一些机器学习模型，其中基于树的模型在处理催化剂数据集方面表现突出[1]、[2]、[3]。

文献中已提出了一种通过人工智能-机器学习（AI-ML）框架将CO₂直接转化为其他化学品的集成催化剂设计和过程优化方法[2]。该方法不仅节省了传统试错过程所耗费的大量繁琐工作和时间，还探索了通常被忽视的非传统催化剂组成。例如，J.L. Santos等人通过贝叶斯优化研究提高了CO₂加氢制航空燃料的收率[1]。关于开发用于CO₂加氢制高碳烃的机器学习模型的最新研究见表1。然而，文献中尚未报道能够应对该过程复杂性同时产生具有高产量的催化剂"配方"的预测模型。

本研究的新颖之处在于其统一的18个输入参数数据库以及基于该数据库实施的多目标逆向设计框架。通过严谨的数据挖掘工作，整合了来自多种C₅+产品（如航空燃料、芳烃和无分子筛体系）的分散实验文献，创建了一个包含18个输入参数和2个输出参数的485点数据库，用于C₅+液态燃料。虽然逆向设计方法已成功应用于CO₂加氢产物（如烯烃）[4]，但在C₅+液态燃料过程中尚未被探索，本研究通过在该统一数据库上采用NSGA-II等多目标算法来填补这一空白。

章节摘要

方法学

本研究的目的是开发优于文献报道的催化剂设计。这拟通过两步程序实现：在第一阶段，采用先进的机器学习模型，包括CatBoost（分类增强），该模型在处理多样化的分类催化剂架构方面被认为非常高效，尽管编码存在噪声。在第二阶段，利用第一阶段的ML模型，寻找在CO₂

构建机器学习模型

本研究中，在数据集上训练和测试了五个模型，分别为MLR（多元线性回归）、SVM（支持向量机，线性核）、XGBoost、随机森林和CatBoost，包含和不包含特征工程两种情况。自变量输入参数包括活性金属和助剂金属组合的重量百分比，共13种金属（包括一种非金属磷），载体类型以从传统到最现代的编码变量表示，

ML模型比较与验证

以下为CO₂转化率和C₅+选择性方面线性模型和非线性模型的结果。

结论

本研究中，针对CO₂加氢制高碳烃的广泛数据挖掘工作成功产出了一个485点的输入-输出数据库，包含18个输入参数和2个输出参数，由13种金属组成、各种载体类型（作为编码变量）和操作条件组成，以CO₂转化率和C₅+选择性作为输出。在本研究构建和评估的5个ML模型中，CatBoost在转化率和选择性两方面均表现最优，其5折

CRediT作者贡献声明

Devitheertha Dharmesh：撰写——原稿撰写、可视化、方法学、数据整理。Naveen Kumar Karri：撰写——审阅与编辑、资源提供、项目管理、形式化分析。Koteswara Rao Putta：撰写——审阅与编辑、指导、调查研究。Hemanth Kumar Tanneru：撰写——审阅与编辑、验证、指导、资源提供、项目管理、方法学、形式化分析、概念构思。

利益冲突声明

作者声明不存在任何可能影响本文所述工作的已知竞争性经济利益或个人关系。

Devitheertha Dharmesh|Naveen Kumar Karri|Koteswara Rao Putta|Hemanth Kumar Tanneru