利用催化蒸汽重整将有害挥发性物质转化为燃料：一种进化机器学习方法
机器学习
2023-08-14 v1
摘要
化工与生物质加工系统每日向环境中释放挥发性物质化合物。催化重整可将这些化合物转化为有价值的燃料，但开发稳定高效的催化剂颇具挑战。机器学习能够处理大数据中的复杂关系并优化反应条件，使其成为解决上述问题的有效方案。本研究首次提出一种基于机器学习的研究框架，用于挥发性物质化合物催化蒸汽重整的建模、理解与优化。以甲苯催化蒸汽重整为案例，展示如何借助化学/织构分析（如X射线衍射分析）获取机器学习模型的输入特征。通过文献汇编涵盖多种催化剂特性与反应条件的数据库。对该过程进行透彻分析、机理探讨，采用六种机器学习模型建模，并利用粒子群优化算法优化。集成机器学习对甲苯转化率和产物分布给出最佳预测性能（R2 > 0.976）。最优焦油转化率（高于77.2%）在637.44至725.62 {\deg}C、蒸汽碳摩尔比5.81–7.15、催化剂BET比表面积476.03–638.55 m2/g条件下获得。特征重要性分析较好地揭示了输入描述符对模型预测的影响。操作条件（50.9%）与催化剂性质（49.1%）在建模中同等重要。所开发框架可加速最优催化剂特性与反应条件的搜索，不仅适用于催化化学加工，也适用于相关研究领域。
引用
@article{arxiv.2308.05750,
title = {Turning hazardous volatile matter compounds into fuel by catalytic steam reforming: An evolutionary machine learning approach},
author = {Alireza Shafizadeh and Hossein Shahbeik and Mohammad Hossein Nadian and Vijai Kumar Gupta and Abdul-Sattar Nizami and Su Shiung Lam and Wanxi Peng and Junting Pan and Meisam Tabatabaei and Mortaza Aghbashlo},
journal= {arXiv preprint arXiv:2308.05750},
year = {2023}
}