发布时间：2025-01-20来源：汪印研究组
塑料污染已成为全球面临的主要环境挑战之一。将废塑料催化裂解为高品质液态燃油或者可再次合成新塑料的C5-C12烃类原料是促进塑料循环经济的有效途径。目前分子筛因其优异的固体酸性质和择形催化的特点，在催化裂解废塑料制备液态燃油方面展现出独特的优势。然而，全面解释这一催化转化过程，针对不同废塑料来源设计筛选相匹配的分子筛并制定最优的催化转化条件以提高所得液体产品的产量和品质，仍颇具挑战。
中国科学院城市环境研究所汪印研究团队借助机器学习算法，系统探索了分子筛催化废塑料热解过程中各因素对目标产品的重要性及相关性，并建立了基于机器学习的解释和逆向设计方案，可有效筛选分子筛并优化过程工艺条件，以提高油的产量和品质。结果表明，在三种基于决策树的算法中，极限梯度提升模型在预测液态油和汽油（C5-C12）烃类产率方面表现出最佳性能（测试R2 分别为 0.85 和 0.87）。基于机器学习的因素分析发现，塑料原料中的聚乙烯比例、反应温度、分子筛的比表面积以及硅铝比是最重要的四个特征，并且详细讨论了其对液态油和C5-C12烃类产率的影响。基于逆向设计指导的实验结果表明，通过筛选分子筛并同步优化转化工艺后，液态油品的产率高达 87.82%，该产率甚至比模型优化计算的更高（计算误差-7.93%）。这项工作提供了一种基于机器学习的预测、分析及反向设计新方法，有助于深入理解分子筛催化废塑料的裂解过程并指导实验的开展，加速废塑料向高品质的液态燃油的高效转化，以实现可持续能源生产。
相关研究成果以Zeolite-catalytic pyrolysis of waste plastics: Machine learning prediction, interpretation, and optimization为题发表在能源领域知名期刊Applied Energy上。特别研究助理李杰博士为论文第一作者，同时和汪印研究员为共同通讯作者。该研究得到中国科学院特别研究助理项目、煤燃烧国家重点实验室开放基金项目（FSKLCCA2312）、厦门市留学人员科研项目等资助。
（文：汪印研究组；图：汪印研究组）
附件下载：
