可解释性机器学习与遗传算法耦合的氨分解催化剂多目标优化设计OA

针对氨分解制氢反应中存在转化效率受限及催化剂设计依赖经验试错等关键问题,本研究构建了一种融合自动超参数优化与可解释性分析的机器学习框架,以实现氨分解催化剂的多目标理性设计。首先,包含催化剂固有性质、制备参数以及反应条件等特征的数据集被系统构建用于开发多种适用于氨分解催化剂的机器学习模型。这些模型的超参数使用Optuna方法实现了自动优化配置。多维评价结果表明,XGBoost模型在预测氨转化率和氢时空产率(STY_(H_(2)))方面表现出最优性能(预测精度均超过0.93),是筛选氨分解催化剂最有效的机器学习模型。此外,可解释性分析表明,反应温度是影响催化性能最显著的参数,贡献度超40%。通过部分依赖图进一步解析了特征与性能间的复杂非线性关系。最后,以最小化总金属含量与最大化STY_(H_(2))为目标,借助遗传算法成功筛选出了Co/Mica为最优候选催化剂,并实现了以低金属负载量(0.032%)最大化STY_(H_(2))(93.8174 mmol·g-ca1t·min^(-1))的目标。本研究为绿色氨基氢气体系的高效催化剂开发提供了数据驱动的新路径,对降低制氢成本与推动氢能经济具有重要理论价值。