中化新网讯 近日，华东理工大学催化反应工程团队在数据驱动的高性能低碳炔烃选择性加氢催化剂设计与创制方面取得新进展。他们基于机器学习构建的催化剂高通量筛选模型，能够在原子尺度精准调控镍活性位点结构的客体金属，实现关键物种构型匹配以及目标反应路径的定向调控。

　　石脑油裂解碳二和碳三馏分中少量的炔烃选择性加氢是制备聚合级乙烯和丙烯的关键。非贵金属镍有优异的氢活化能力，然而该类催化剂选择性往往较低。此前研究结果表明，设计和制备原子级分布的金属活性位点、通过引入第二金属精确调控其上关键物种的吸附构型能实现对目标产物选择性的调控。为寻找最优的第二金属，传统研究模式主要依赖实验试错方法，效率较低。快速发展的机器学习等数据科学技术为催化剂设计带来新的契机。

　　为此，研究团队提出了基于贝叶斯优化的主动学习框架与DFT计算相结合的研究方法，以乙烯脱附和其进一步加氢的能垒差值作为选择性描述符，构建了自动化催化剂高通量筛选的工作流程，用于预测乙炔选择性加氢的高性能镍基金属间化合物。随后，从3000多个候选镍基金属间化合物中快速筛选出15个高性能镍基金属间化合物作为潜在的炔烃加氢催化剂，最终确定了所推荐的镍铟催化剂为最优候选催化剂,，供实验进一步验证。

　　催化反应性能评价表明，镍铟金属间化合物催化剂在乙炔和丙炔转化率为100%时，乙烯和丙烯选择性高达97.0%，明显高于参比催化剂，证实了理论计算的预测结果。