基于高通量实验与计算的催化材料筛选方法和系统技术方案

本方案提供了一种结合高通量实验与高通量计算的催化材料筛选方法和系统，其中，该方法包括：利用基于高通量实验与高通量计算的数据结果构建的催化剂构效关系模型，筛选满足目标催化性能的待确认催化材料；针对上述筛选结果进行高通量制备和高通量性能评估，获得待确认催化材料的实验结果；对比待确认催化材料的催化性能预测结果与待确认催化材料的实验结果，在预定偏差范围内的情况下，确定待确认催化材料为达到目标催化性能的催化材料。本方案能够通过基于高通量实验与高通量计算构建的催化剂构效关系模型，将理论计算模拟结果、已有实验结果和新的催化剂表征结果之间形成相互印证的关系，从而提高催化材料的筛选精度和筛选速度。

Screening method and system of catalytic materials based on high throughput experiment and calculation

【技术实现步骤摘要】
基于高通量实验与计算的催化材料筛选方法和系统
本申请涉及催化材料研发领域，特别涉及一种结合高通量实验与高通量计算的催化材料筛选方法和系统。
技术介绍
无论是化工生产过程还是能源储存与转化过程，它们所涉及的化学反应过程都需要相应的催化剂才能顺利进行。催化剂是众多工业领域最关键的核心技术之一，催化剂的性能决定着一种生产过程能否实现，以及其经济性。目前绝大多数的催化剂研发工作仅凭实验手段需要花费大量耗时的重复试验才能筛选出相对理想的催化剂。随着理论方法的日臻完善和计算能力的不断提升，人们可以借助各种不同的理论计算方法来建立催化反应的微观动力学，进而研究催化剂的催化作用机理，最后通过理论计算和实验的结合，共同揭示催化剂的反应机理及其内在影响机制。
技术实现思路
本申请提供了一种结合高通量实验与高通量计算的催化材料筛选方法和系统。根据本申请实施例的第一个方面，提供了一种基于高通量实验与高通量计算的催化材料筛选方法，该方法的步骤包括：利用根据高通量实验与高通量计算的数据结果构建的催化剂构效关系模型，筛选满足目标催化性能的待确认催化材料；针对上述筛选结果进行高通量制备和高通量性能评估，获得待确认催化材料的实验结果；在待确认催化材料的催化性能预测结果与待确认催化材料的实验结果的偏差，在预定偏差范围内的情况下，确定待确认催化材料为达到目标催化性能的催化材料。在一种优选地实施例中，所述根据高通量实验与高通量计算的数据结果构建的催化剂构效关系模型的构建步骤包括：利用催化剂颗粒模型的反应位点的结构特征，以及不同表面模型上的反应物、中间产物和最终产物的吸附能，基于机器学习算法，训练获得结构特征-吸附能关联模型；利用不同表面模型上的反应物、中间产物和最终产物的吸附能，以及催化剂颗粒模型的理论催化性能，基于机器学习算法，训练获得吸附能-催化性能关联模型；利用依据实验表征搭建的催化剂颗粒模型的理论催化性能和实验测得的催化性能，基于机器学习算法，训练获得催化性能理论值与实验值的修正模型；利用上述模型，基于机器学习算法，获得结构-吸附-理论性能-实际性能关联模型，即催化剂构效关系模型。在一种优选地实施例中，构建所述催化剂构效关系模型之前的步骤包括：随机高通量制备催化剂，进行催化剂的高通量性能评价，对催化反应后的催化剂进行结构表征，并根据表征构建催化剂表面模型；根据表面模型的表面能，构建催化剂颗粒模型。在一种优选地实施例中，构建所述催化剂构效关系模型的前一步骤还包括：对催化剂表面模型进行计算模拟；结合微观动力学分析获取主/副反应的最优反应路径及其反应速率。结合表面模型的主/副反应的反应速率和颗粒模型上每种晶面的比例，转化成该颗粒模型在反应环境条件下的催化反应动力学信息；利用上述反应动力学评估方法，获取催化剂模型的理论催化性能。在一种优选地实施例中，所述利用根据高通量实验与高通量计算的数据结果构建的催化剂构效关系模型，初步筛选满足目标催化性能的待确认催化材料的前一步骤包括；对基于高通量实验与高通量计算构建的催化剂构效关系模型进行精度验证。在一种优选地实施例中，所述对基于高通量实验与高通量计算构建的催化剂构效关系模型进行精度验证的步骤包括：利用训练集数据判断催化剂构效关系模型的预测精度是否达标；所述训练集数据包括：高通量催化反应后催化剂的表征数据、表面模型相图、催化剂颗粒模型、高通量催化性能测试数据、催化剂模型的理论催化性能中的一种或多种；若是，则进行测试集数据的精度验证。在一种优选地实施例中，若否，则通过基于机器学习算法继续训练，矫正催化剂构效关系模型。在一种优选地实施例中，所述对催化剂构效关系模型进行精度验证的步骤还包括：利用测试集数据判断催化剂构效关系模型的预测精度是否达标；所述测试集数据包括：高通量催化反应后催化剂的表征数据、表面模型相图、催化剂颗粒模型、高通量催化性能测试数据、催化剂模型的理论催化性能中的一种或多种；若是，则根据基于高通量实验与高通量计算构建的催化剂构效关系模型，初步筛选满足目标催化性能的待确认催化材料。在一种优选地实施例中，若否，则重新进行训练集数据的精度验证。在一种优选地实施例中，若基于催化剂构效关系模型对待确认催化材料进行预测的催化性能预测结果与待确认催化材料的实验结果的偏差，未在预定偏差范围内；则结合待确认催化材料对应的颗粒模型、催化性能理论值、实验值，基于机器学习算法继续训练，矫正催化剂构效关系模型。根据本申请实施例的第二个方面，提供了一种基于高通量实验与高通量计算的催化材料筛选系统，该系统包括：筛选单元，根据基于高通量实验与高通量计算构建的催化剂构效关系模型，筛选满足目标催化性能的待确认催化材料；确认单元，针对上述筛选结果进行催化剂的高通量制备和高通量性能评估；在待确认催化材料的催化性能预测结果与待确认催化材料的实验结果的偏差，在预定偏差范围内的情况下，确定待确认催化材料为达到目标催化性能的催化材料。在一种优选地实施例中，该系统还包括：模型构建单元；所述模型构建单元具体执行如下步骤：利用催化剂颗粒模型的反应位点的结构特征，以及不同表面模型上的反应物、中间产物和最终产物的吸附能，基于机器学习算法，训练获得结构特征-吸附能关联模型；利用不同表面模型上的反应物、中间产物和最终产物的吸附能，以及催化剂颗粒模型的理论催化性能，基于机器学习算法，训练获得吸附能-催化性能关联模型；利用依据实验表征搭建的催化剂颗粒模型的理论催化性能和实验测得的催化性能，基于机器学习算法，训练获得催化性能理论值与实验值的修正模型；利用上述模型，基于机器学习算法，获得结构-吸附-理论性能-实际性能关联模型，即催化剂构效关系模型；或者，根据矫正数据，基于机器学习算法继续训练，矫正催化剂构效关系模型。在一种优选地实施例中，该系统还包括：精度验证单元，基于训练集数据和测试集数据，对催化剂构效关系模型进行精度验证。在一种优选地实施例中，该系统还包括：为模型构建单元提供基础数据的结构数据库和催化性能数据库；所述结构数据库包括：随机高通量催化反应后催化剂的表征数据、表面模型相图、催化剂颗粒模型；所述催化性能数据库包括：高通量催化性能测试数据和催化剂模型的理论催化性能。在一种优选地实施例中，所述确认单元还包括：若基于催化剂构效关系模型对待确认催化材料进行预测的催化性能预测结果与待确认催化材料的实验结果的偏差，未在预定偏差范围内；则将待确认催化材料对应的颗粒模型、催化性能理论值、催化性能实验值反馈给模型构建单元；模型构建单元基于机器学习算法继续训练，矫正催化剂构效关系模型。有益效果本申请所述技术方案能够通过基于高通量实验与高通量计算构建的催化剂构效关系模型，将理论计算模拟结果、已有实验结果和新的催化剂表征结果之间形成相互印证的关系，从而提本文档来自技高网...

【技术保护点】
1.基于高通量实验与计算的催化材料筛选方法，其特征在于，该方法的步骤包括：/n利用基于高通量实验与高通量计算的数据结果构建的催化剂构效关系模型，筛选满足目标催化性能的待确认催化材料；/n针对上述筛选结果进行高通量制备和高通量性能评估，获得待确认催化材料的实验结果；/n待确认催化材料的催化性能预测结果与待确认催化材料的实验结果之间的偏差在预定偏差范围内的情况下，确定待确认催化材料为达到目标催化性能的催化材料。/n

【技术特征摘要】
1.基于高通量实验与计算的催化材料筛选方法，其特征在于，该方法的步骤包括：
利用基于高通量实验与高通量计算的数据结果构建的催化剂构效关系模型，筛选满足目标催化性能的待确认催化材料；
针对上述筛选结果进行高通量制备和高通量性能评估，获得待确认催化材料的实验结果；
待确认催化材料的催化性能预测结果与待确认催化材料的实验结果之间的偏差在预定偏差范围内的情况下，确定待确认催化材料为达到目标催化性能的催化材料。


2.根据权利要求1所述的催化材料筛选方法，其特征在于，所述基于高通量实验与高通量计算的数据结果构建的催化剂构效关系模型的构建步骤包括：
利用催化剂颗粒模型的反应位点的结构特征，以及不同表面模型上的反应物、中间产物和最终产物的吸附能，基于机器学习算法，训练获得结构特征-吸附能关联模型；
利用不同表面模型上的反应物、中间产物和最终产物的吸附能，以及催化剂颗粒模型的理论催化性能，基于机器学习算法，训练获得吸附能-催化性能关联模型；
利用依据实验表征搭建的催化剂颗粒模型的理论催化性能和实验测得的催化性能，基于机器学习算法，训练获得催化性能理论值与实验值的修正模型；
利用上述模型，基于机器学习算法，获得结构-吸附-理论性能-实际性能关联模型，即催化剂构效关系模型。


3.根据权利要求1或2所述的催化材料筛选方法，其特征在于，构建所述催化剂构效关系模型之前的步骤包括：
随机高通量制备催化剂，进行催化剂的高通量性能评价，对催化反应后的催化剂进行结构表征，并根据表征构建催化剂表面模型；
根据表面模型的表面能，构建催化剂颗粒模型；
优选地，所述构建所述催化剂构效关系模型的前一步骤还包括：
对催化剂表面模型进行计算模拟；
获取主/副反应的最优反应路径及其反应速率；
结合表面模型的主/副反应的反应速率和颗粒模型上每种晶面的比例，转化成该颗粒模型在反应环境条件下的催化反应动力学信息；
利用上述反应动力学评估方法，获取催化剂模型的理论催化性能。


4.根据权利要求1所述的催化材料筛选方法，其特征在于，所述利用根据高通量实验与高通量计算的数据结果构建的催化剂构效关系模型，筛选满足目标催化性能的待确认催化材料的前一步骤包括；
对基于高通量实验与高通量计算构建的催化剂构效关系模型进行精度验证；
优选地，所述对基于高通量实验与高通量计算构建的催化剂构效关系模型进行精度验证的步骤包括：
利用训练集数据判断催化剂构效关系模型的预测精度是否达标；所述训练集数据包括：高通量催化反应后催化剂的表征数据、表面模型相图、催化剂颗粒模型、高通量催化性能测试数据、催化剂模型的理论催化性能中的一种或多种；
若是，则进行测试集数据的精度验证；
优选地，若否，则通过基于机器学习算法继续训练，矫正催化剂构效关系模型；
优选地，所述对基于高通量实验与高通量计算的催化剂构效关系模型进行精度验证的步骤还包括：
利用测试集数据判断催化剂构效关系模型的预测精度是否达标；所述测试集数据包括：高通量催化反应后催...

【专利技术属性】
技术研发人员：程道建，许昊翔，
申请(专利权)人：北京化工大学，
类型：发明
国别省市：北京;11