【技术实现步骤摘要】
一种催化材料高通量计算方法和系统
本申请涉及催化材料研发领域，特别涉及一种基于大数据和机器学习算法的催化材料高通量计算方法和系统。
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。然而，由于催化剂大多以过渡金属为催化活性组分，而过渡金属表面反应位点的结构特征繁多，它们在不同反应中所起的作用机制也各不相同，所以只依靠理论计算进行研究时，难以从众多候选本征物理化学性质中找出关键因素。
技术实现思路
本申请提供了一种基于机器学习算法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，提供了一种基于机器学习算法的催化材料筛...
【技术保护点】
1.一种基于大数据和机器学习算法的催化材料高通量计算方法，其特征在于，该方法的步骤包括：/n根据基于大数据和机器学习算法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待确认催化材料催化性能的预测结果与计算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】
1.一种基于大数据和机器学习算法的催化材料高通量计算方法，其特征在于，该方法的步骤包括：
根据基于大数据和机器学习算法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；
待确认催化材料催化性能的预测结果与计算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所述的催化材料高通量计算方法，其特征在于，所述基于机器学习算法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，基于机器学习算法，训练获得吸附能比例关联模型；
利用不同表面模型上的化学反应的反应热以及反应能垒，基于机器学习算法，训练获得反应能垒-反应热比例关联模型；
利用上述模型，基于机器学习算法，获得结构-吸附-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所述的催化材料高通量计算方法，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：
构建具有不同晶面指数的表面模型；
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；
结合量化计算模拟与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。
4.根据权利要求1所述的催化材料高通量计算方法，其特征在于，所述根据基于大数据和机器学习算法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；
对基于大数据和机器学习算法构建的催化剂构效关系模型进行精度验证。
5.根据权利要求4所述的催化材料高通量计算方法，其特征在于，所述对基于大数据和机器学习算法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：表面模型相图、催化剂颗粒模型、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，所述对基于机器学习算法构建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：表...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。