一种催化材料高通量计算方法和系统技术方案

本方案提供了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，其中，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。本申请所述技术方案提供一种结合大数据和机器学习并应用于催化剂高通量计算的途径，可以提高催化材料的筛选精度和筛选速度。

A high flux calculation method and system for catalytic materials

【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选方法，该方法的步骤包括：根据基于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；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计算结果的偏差，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。在一种优选地实施例中，构建催化剂构效关系模型之前的步骤包括：构建由单助剂或双助剂修饰的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。在一种优选地实施例中，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，所述根据基于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；对基于机器学习算法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。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，则根据基于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。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计算结果的偏差，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，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，提供了一种基于机器算法的催化材料筛选系统，该系统包括：筛选单元，根据基于大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；确认单元，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计算结果的偏差，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，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；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。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：表面模型相图、催化剂颗粒模型；所述催化性能数据库包括：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计算结果的偏差，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提供采用催化剂高通量计算的方法对催化材料进行筛选，能够有效提高催化材料的筛选精度和筛选速度；本申请所述技术方案能够根据高通量计算数据，更新调整构效关系模型。本申请所述技术方案易于实现，操作简单，可自动化、智能化地完成催化材料的精确筛选。附图说明此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1示出本方案所述基于机器学习算法的催化材料筛选方法的示意图；图2示出本方案实施例所述催化材料筛选方法的示意图。具体实施方式为了使本申请实施例中的技本文档来自技高网...

【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...

【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