开发用于合成气基高级醇合成(HAS)的高效催化剂仍然是一项艰巨的研究挑战。链增长和CO插入要求需要多组分材料,其复杂的反应动力学和广泛的化学空间不符合催化剂设计规范。
近日,苏黎世联邦理工学院Javier Pérez-Ramírez提出了一种替代策略,将主动学习整合到实验工作流程中,以FeCoCuZr催化剂系列为例。
文章要点
1)数据辅助框架简化了86个实验中广泛成分和反应条件空间的导航,与传统程序相比,环境足迹和成本减少了90%以上。它确定了具有优化反应条件的Fe65Co19Cu5Zr11催化剂,在稳定运行150小时的情况下可实现1.1 gHA h-1 gcat-1的更高醇生产率,比通常报告的产量提高了5倍。
2)表征表明,尽管醇选择性适中,但催化性能仍与卓越的活性相关。为了更好地反映催化剂需求,研究人员设计了多目标优化,以最大限度地提高醇生产率,同时最大限度地降低不希望的CO2和CH4选择性。揭示了这些指标之间的内在权衡,识别出人类专家不易辨别的帕累托最优催化剂。
3)最后,基于特征重要性分析,研究人员制定了基于数据的指南,以开发性能特定的FeCoCuZr系统。这种方法超越了现有的HAS催化剂设计策略,适用于更广泛的催化转化,并促进了实验室的可持续性。
参考电竞投注官网
Suvarna, M., Zou, T., Chong, S.H. et al. Active learning streamlines development of high performance catalysts for higher alcohol synthesis. Nat Commun 15, 5844 (2024).
DOI:10.1038/s41467-024-50215-1
https://doi.org/10.1038/s41467-024-50215-1