催化剂工程导论09课件.ppt

1、工业催化剂制备设计计算机辅助催化剂制备设计（CAD）经过前面的学习，我们已经知道：Cat.制备设计目的制备设计目的：快速有效地选择Cat.主要和次要成分，并推荐适宜制备条件，甚至大略估计所设计Cat.的性能。注意，Cat.设计只能引导Cat.的制备而不可替代Cat.制备与评价。虽说催化剂CAD方法有许多种且很多有待完善和发展，下述三种是目前应用最成功最普遍的催化剂CAD方法：（一）数据库（一）数据库发展方向发展方向：集合化、智能化数据库是CAD的核心部分，计算机贮存和“记忆”知识信息的总汇。数据库数据类型数据库数据类型：数值型（特性数据）、非数值型：知识、经验和规则、数学模型（如动力学模型）、

2、各种曲线、图表等。数据库系统数据库系统 大型化工数据库 小型化专用数据库 NIST化学动力学数据库 CATDB Cat.设计数据库 NIST（美国国家标准与技术研究所）化学动力学数据库，收集了1906年以来的基元反应动力学方面的数据。CATDB Cat.设计数据库，日本国家工业化学实验室桑原靖等人开发，由一个事实数据库和几个应用程序组成。（二）专家系统专家系统目的：目的：能使计算机具有人类专家那样解决问题的“思维”能力，依靠大量的专门知识（往往存贮于数据库中）以解决特定领域中的复杂问题。核心问题：核心问题：对特定领域中用以解决问题的知识的刻画及对这些知识的利用。与其他计算机系统的主要区别：与其

3、他计算机系统的主要区别：专家系统拥有大量专门知识。INCAP专家系统：将催化剂设计问题分解为5个较易解决的子问题：估计目的反应的反应机理；预测目的反应要求的催化剂功能；列出可能发生的副反应；预测副反应要求的催化剂功能；协调有利与不利的催化剂功能，推荐出催化剂组成。证明证明：乙苯氧化脱氢制苯乙烯催化剂的选择。ESMDC（我国厦门大学黄遵楠、张鸿斌等人开发的催化剂分子设计专家系统）成功应用于甲烷氧化偶联催化剂组分的分子设计。（三）人工神经元网络技术（三）人工神经元网络技术 人工神经网络（ANN）技术，1970年以前提出，1982年取得突破性发展。人工神经元网络，是一个模拟人脑功能的信息加工处理系统

4、，其理论基础是自然神经元网络的数学模型，即对真实的生理神经元网络思维活动的数学抽象和模拟。BP模型模型：输入层（input layer）隐含层（Hidden Layer）输出层（Output Layer）隐含层，一般有12层，层数和节点数均可调。BP计算过程计算过程：由正向传播和反向传播组成。对于输入信号，首先向前传播到隐节点，经过作用函数再把隐节点的输出信息传到输出节点，最后得到输出结果。在正向传播过程中，输入信息从输入层经隐含 层逐层处理，并传向输出层，每一层神经元状态只影响下一层神经元的状态。如果输出层得不到期望的输出，则转入反向传播过程，将误差信息沿原来的连接通路返回，通过修改各层神经

5、元的权值，使得误差最小。即：E=min 其中，tj是样本期望的输出；oj是网络计算的输出。nijjto12)(BP网络模型把一组样本的I/O问题变为一个非线性优化问题，且使用了优化中最普遍的梯度下降法，迭代运算求解权值，相当于学习过程；而当网络训练结束时，所得到的节点间的权值也可以用于未知样本的预报，即可预测其输出，就相当于一个生理神经的记忆和推理过程。用于催化剂CAD设计的人工神经元网络技术，具体具体的过程过程可以分为以下步骤步骤：进行基础试验，考评各种催化剂体系的结果，从中择一个合适的体系进行神经元网络辅助设计；将所选择的催化剂体系的试验数据进行整理，分析各活性组分对反应结果的大致影响，判

6、别是否需要补充试验点。将试验数据作为神经网络的学习样本，根据网络的收敛速度和学习速度来选择合适的网络结构模型。这个网络模型实际上相当于能够定量化的体系中的建模过程。选择有代表性的数据作为神经元网络的训练集和测试集，对网络进行训练和测试，如果测试结果不能满足要求，则返回（3）重新选择网络，直至满意为止。将训练好的网络作为描述催化反应体系的模型和优化计算的目标函数文件，建立优化程序；该过程中必须严格限制优化的范围。利用优化程序进行计算，设定出合理的催化反应结果。得到一系列的催化反应配方，其计算效果好于目前的催化剂。试验验证。将优化得到的催化剂配方，在与其学习样本同样的制备，考评条件下进行验证，将结

7、果加入神经元网络的学习样本回到（4）；重复上述循环，直到神 经元网络的优化结果已经不能提高，或者最优催化剂配方就已经是学习样本中的试验点。人工神经元网络技术适用于多种混合氧化物之类的复杂催化体系，尤其是组分间交互作用影响显著的催化剂。将人工神经元网络技术用于催化剂CAD设计，有三个引人注目的特点：利用神经元网络的计算功能，可以结合优化方法，寻找最优催化剂配方（定量），而不仅仅是选择适宜的催化剂组分的种类（定性）。可望解决长期困扰催化 剂开发者的配方优化问题。在催化剂CAD设计中，神经元网络更能客观地反映各组分的协同交互作用，更适于处理复杂体系的催化剂。在相对有限的制备和评价实验基础上，神经元网络可以模拟和替代部分的“计算机试验”工作，以减少人工试验的强度和时间，提高催化剂开发效率。