利用尖端建模技术，开创性地实现了从氨中高效生成氢气的工艺

《Journal of Industrial and Engineering Chemistry》：Pioneering accurate hydrogen generation from ammonia using cutting-edge modeling techniques

本研究构建了一个综合数据驱动框架，系统评估了14种机器学习算法在预测氨分解产氢速率中的应用，基于294组实验数据及8项关键参数（包括催化剂金属负载量、结晶度、孔隙体积等）。结果显示，Gaussian Process和CatBoost模型表现最佳，测试集R2值达0.9238，训练集R2值最高达0.9995。SHAP分析表明反应温度、气体小时空间速度和孔隙直径等因素对产氢速率影响显著。

　　

陈刚|拉乌夫·哈桑|阿里雷扎·巴格班

韩国全罗南道罗州市东信大学计算机工程系，邮编58245

摘要

本研究提出了一个全面的数据驱动框架，用于准确预测在不同实验条件下氨分解产生的氢气生成速率。本工作的创新之处在于同时系统地评估了十四种不同的机器学习（ML）算法，以建立可靠的氨制氢模型预测基准。分析了一个包含294个实验观测结果的数据集，使用了八个关键输入参数，包括催化剂总金属负载量、催化剂平均晶粒尺寸、催化剂结晶度指数、催化剂孔体积、催化剂比表面积、催化剂平均孔径、气体 hourly 空间速度和反应温度。比较评估了多种 ML 技术，包括传统的线性模型（弹性网络、岭回归、线性回归、Lasso 回归）、集成方法（梯度提升、随机森林、XGBoost、LightGBM、CatBoost）、基于核的方法（SVR、高斯过程）、基于实例的学习（KNN）、决策树以及深度学习架构（ANN、CNN）。性能评估表明，高斯过程和 CatBoost 的预测准确性最高，测试 R2 值高达 0.9238，训练 R2 值达到 0.9947–0.9995。基于 SHAP 的可解释性分析进一步确认反应温度是最具影响力的变量，其次是气体 hourly 空间速度、催化剂平均孔径和催化剂比表面积。

引言

不可再生碳氢化合物（尤其是化石燃料）消费量的增加加剧了全球变暖过程，并对人类健康和地球生态平衡造成了有害影响。这些燃料在传统能源生产系统中的使用是大气中温室气体浓度（尤其是 CO?）显著上升的主要因素 [1]。由于人口增长、经济发展和城市化加速等因素，这种情况预计会进一步恶化。因此，转向符合可持续发展目标且能够有效减少污染物气体排放的可持续和低碳能源已成为不可否认的必要性 [2]。其中，无碳燃料特别受到关注，而氢气因其在未来几年成为主导能源的巨大潜力而受到更多关注 [1]。

氢气之所以重要，是因为它既广泛可用又具有多种能源功能 [3]。这种高密度能量存储介质可以从多种来源生产，并可以通过燃烧发动机或燃料电池等技术转化为电能或热能，其唯一的副产品是水 [4]。然而，氢气的危险性质和低体积密度使其储存和运输变得困难 [5]。传统的储存方法依赖于极高的压力或极低的温度（低温技术），这两种方法都成本高昂且存在安全隐患 [6]。因此，将氢气以化合物的形式储存并在使用前释放被认为是一种有前景的方法 [1]。

氨是一种可行的选择，其重量中 17.6% 是氢，且在适当条件下可以储存和释放氢气。氨的液化温度（-33.4°C）远高于氢气（-253°C），这赋予了它重要的操作优势 [7]。氨通过反应分解，不会产生 COx：NH?(g) → 0.5N?(g) + 1.5H?(g) [5]。此外，广泛的氨生产和分配基础设施网络使其成为一种成本效益高且易于操作的氢载体 [8]。氨可以在常温条件下轻松液化并储存 [8]。虽然氨可以在高温下无催化剂分解，但催化剂的存在降低了所需温度并降低了运营成本 [7]。因此，许多研究集中在开发新的催化剂上，以促进在较低温度下的氨分解反应 [5]。

氨分解过程依次通过脱氢步骤进行，最终产生氮（N?）和氢（H?）分子。为了获得最佳性能，催化剂必须能够在反应过程中有效吸收氮原子，并促进其快速以 N? 的形式释放。在这两个性质之间找到平衡是找到理想催化剂的关键 [9]。迄今为止，已经研究了各种类别的催化剂，如贵金属、碱金属、氮化物和碳化物，用于在较低温度下分解氨 [10]。尽管钌在中等温度下是高效的催化剂，但由于其高成本、稀缺性和活性迅速丧失，尚未得到广泛应用 [11]。因此，人们大量研究使用廉价且稳定的金属（如镍、钴和铁）来制备替代催化剂 [12]。

除了催化剂组成外，结构描述符（如结晶度指数、晶粒尺寸、孔体积、比表面积和平均孔径）在氨分解过程中起着至关重要的机制作用。NH? 的催化分解通过连续的 N–H 键断裂步骤进行，随后是表面氮的重组和以 N? 的形式脱附。结构属性直接影响活性位点的可用性、分散性和可及性，以及质量传递现象。例如，较高的比表面积和优化的孔结构可以增强反应物扩散和活性金属的分散，从而促进氢气的释放。相反，过高的结晶度或较大的孔径可能会降低缺陷密度或改变氮的吸附-脱附动力学，从而可能限制催化性能。因此，理解催化剂结构描述符与反应动力学之间的相互作用对于合理设计催化剂至关重要。

近年来，机器学习（ML）技术越来越多地被用于通过将物理化学描述符与催化活性相关联来加速催化剂的发现和性能预测。先前的研究已成功将 ML 框架应用于电催化和异相催化系统，实现了数据驱动的有希望的催化剂组成和反应条件的识别 [2]、[13]。然而，专门针对氨制氢转化建模的多种 ML 算法的系统比较评估仍然有限。这一差距激发了本研究。

尽管机器学习方法在催化剂研究中的应用日益增多，但本研究的主要目的并不是基于内在电子描述符直接发现全新的催化材料。相反，所开发的模型旨在提供在实验报告的结构和操作条件下的数据驱动氢生成性能预测。在这种情况下，该框架作为评估催化剂性能趋势和操作敏感性的筛选和优化工具，而不是用于发现新型催化剂组成的独立平台。

尽管先前的研究已经探索了氢生成过程中的性能预测，但对多种机器学习模型进行彻底和系统的比较以预测氢生成速率的研究仍不充分。本研究通过开发一个综合框架来填补这一空白，该框架评估了多种算法，包括传统的线性回归模型（弹性网络、Lasso 回归、岭回归、线性回归）、先进的集成技术（梯度提升、XGBoost、随机森林、LightGBM、CatBoost）、基于核的方法（SVR、高斯过程）、基于实例的学习（KNN）、决策树方法和深度学习架构（ANN、CNN）。研究考察了关键输入参数的影响，如催化剂总金属负载量、催化剂平均晶粒尺寸、催化剂结晶度指数、反应温度、催化剂孔体积、催化剂比表面积、催化剂平均孔径和气体 hourly 空间速度，同时系统地研究了神经网络模型中的各种激活函数、隐藏层结构和神经元配置。此外，研究强调了评估数据划分策略和训练、验证和测试阶段随机化的影响，以确保模型的泛化能力。这种整体方法不仅评估了预测准确性，还为改进催化剂配方和反应参数以提高氢生产效率提供了关键见解。

部分摘录

机器学习背景

为了避免冗余并保持简洁性，表 1 总结了所使用的机器学习算法的详细理论描述。该表对研究中使用的模型进行了分类，并简要概述了它们的工作原理、架构特点、主要优势和局限性以及优化过程中考虑的主要超参数。这种结构化的概述提供了清晰的比较框架，同时避免了重复已知的方法论内容

收集的数据概述和检查

机器学习模型在预测任务中的有效性取决于综合数据集的质量和准备。在化学反应系统的数据驱动应用中，严格的预处理对于确保精确和可靠的结果至关重要。本研究的数据集来自关于氢气生产的实验研究，涵盖了多种反应条件。包括了八个关键输入参数：

结果与讨论

本节详细分析了构建的机器学习模型在预测不同反应条件下氢生成速率方面的准确性和鲁棒性。评估了一系列算法，包括传统方法和先进方法，如岭回归、线性回归、Lasso 回归、弹性网络、随机森林、梯度提升、XGBoost、LightGBM、CatBoost、SVR、KNN、决策树、ANN、CNN 和高斯过程

结论

本研究开发了一个基于多种机器学习算法的强大数据驱动模型框架，包括岭回归、线性回归、弹性网络、Lasso 回归、随机森林、XGBoost、梯度提升、SVR、LightGBM、CatBoost、KNN、决策树、ANN、CNN 和高斯过程模型。这些模型用于使用八个关键输入参数预测氢生成速率。数据集包含 294 个实验观测结果（205

CRediT 作者贡献声明

陈刚：概念化、形式分析、研究、监督、验证、可视化、写作——审阅与编辑。拉乌夫·哈桑：概念化、形式分析、研究、监督、验证、可视化、写作——审阅与编辑。阿里雷扎·巴格班：写作——审阅与编辑、撰写初稿、可视化、验证、监督、软件、资源、项目管理、方法论、研究、形式分析、数据整理、概念化。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。