將二氧化碳轉化為清潔燃料是實現碳中和的重要途徑，其中，二氧化碳甲烷化反應因其良好的熱力學性質和環境效益而備受關注。然而，大規模應用仍面臨諸多挑戰，例如低溫下催化劑活性不足以及易受積碳影響等問題。
近年來，人工智慧(AI)技術的快速發展為催化劑設計領域帶來了新的突破。東北大學的研究人員利用可解釋機器學習(ML)框架，系統地處理數據、進行交叉驗證並構建集成學習模型，以支持鎳基催化劑的合理設計，並成功地將二氧化碳轉化為甲烷。
機器學習模型預測反應結果，揭示關鍵影響因素
研究人員測試了多種機器學習方法，其中，一種稱為CatBoost的模型在預測二氧化碳轉化率和甲烷選擇性方面表現最佳，R²值分別達到0.77和0.75。透過分析關鍵描述符，該研究確定了最佳反應條件：
溫度介於250-350°C之間，氣體時空速度低於15,000 cm³ g⁻¹ h⁻¹，BET比表面積為50-200 m² g⁻¹，鎳含量高於5%。這些發現展示了數據驅動方法如何指導催化劑優化，並縮短從實驗室研究到工業應用的路徑。
東北大學傑出教授李浩表示：
「這項工作展示了機器學習如何幫助我們更好地理解影響二氧化碳甲烷化性能的關鍵因素。透過使模型可解釋，我們不僅可以預測結果，還可以了解為什麼某些條件至關重要。」未來，該研究團隊將整合密度泛函理論計算和高通量實驗數據，以構建多尺度預測模型，並將進行系統的實驗驗證以改進催化劑設計。
單原子合金催化劑：提升鎳基催化劑的活性與穩定性
除了利用AI技術優化反應條件外，單原子合金(SAA)技術也為提升鎳基催化劑的性能提供了新的方向。研究表明，硼促進的鎳(NiB)雖然具有更高的穩定性，但活性卻有所降低，這歸因於較高的二氧化碳活化能壘。而單原子合金可以有效地進行選擇性催化，從而改善催化劑性能。
研究人員透過第一性原理計算篩選，預測了一種新型且熱力學穩定的NiB SAA催化劑，該催化劑可以降低二氧化碳活化能壘，並在不影響NiB穩定性和選擇性的前提下提高活性。研究考慮了14種與鎳合金化的摻雜元素，並評估了SAA構型相對於二聚體或三聚體結構的相對熱力學穩定性。結果發現，只有五種金屬(Pt、Pd、Rh、Cu和Mn)的SAA相對穩定性高於聚集體。進一步計算了這五種SAA上的二氧化碳活化能壘，發現只有Mn-NiB SAA能顯著降低二氧化碳活化能壘（降低了56 kJ mol⁻¹）。
鎳鈷催化劑：氧空位提升二氧化碳轉化效率
此外，印度比爾拉理工學院和法國索邦大學的科學家團隊開發了一種新型鎳鈷催化劑，展現出將二氧化碳轉化為甲烷的卓越效率。研究發現，鎳鈷氧化物(Ni/Co₃O₄)的組合可以催化二氧化碳轉化為甲烷的反應。透過溶液燃燒法，研究人員製備了一系列不同鎳含量的鈷氧化物催化劑，並測試了它們在甲烷生成反應中的性能。
研究發現，將鎳添加到鈷氧化物中會產生額外的氧空位。這些氧空位可以作為二氧化碳分子的「停靠站」，使其更容易與氫結合形成甲烷，從而提高反應速率。其中，鎳含量為20%的催化劑表現最佳，二氧化碳轉化率高達58%，且甲烷選擇性接近90%。
總結與展望
AI技術的應用為催化劑設計帶來了新的可能性，透過機器學習模型可以快速篩選和優化催化劑，並揭示關鍵影響因素。單原子合金和氧空位工程等策略則為提升鎳基催化劑的活性和穩定性提供了新的途徑。儘管仍需進一步研究以確保催化劑的長期穩定性和經濟性，但這些研究成果為二氧化碳的資源化利用和碳中和目標的實現提供了重要的參考，也預示著一個更清潔、更循環的能源經濟的未來。
Newsflash | Powered by GeneOnline AI
原始資料來源: GO-AI-6號機 Date: September 3, 2025