中石化石油化工科学研究院有限公司聂红课题组：基于机器学习的加氢裂化分子筛催化材料构效关系研究

DOI：10.1016/S1872-2067(24)60259-7

前言

近日，《催化学报》在线发表了中石化石油化工科学研究院有限公司聂红教授团队在加氢裂化和机器学习交叉领域的最新研究成果。该工作报道了采用机器学习研究了反应分子筛催化材料结构与正癸烷加氢裂化反应性能之间的关系。论文第一作者为：马千里，论文通讯作者为：聂红。

背景介绍

加氢裂化是重油高效转化、炼油向化工高质量转型的关键支撑技术之一，在H₂、热量和催化剂作用下，可实现劣质重油选择性转化为轻质清洁燃料油和有机化工原料。加氢裂化技术的关键突破在于高性能加氢裂化催化剂的精准设计与合成，作为典型的双功能催化剂，其通常为金属组分、酸性组分、基质、助剂等组成的多元复合体系。分子筛具备优异的孔结构与可调节的酸性质，常被用作加氢裂化催化剂的酸性组分，但其结构复杂且多种特征如孔结构、B酸量、酸强度等相互影响，仍是制约高性能加氢裂化催化剂的关键因素，也不断驱动多孔催化材料和炼油技术的发展与进步。

主要创新点

本研究采用机器学习方法深入阐释了分子筛性质与链烷烃加氢裂化反应性能的结构-性能关系。利用随机森林算法建立了Y分子筛性质与n-C₁₀加氢裂化反应活性及选择性的构效关系模型，开展模型训练集和预测集的相关性及误差分析，进行自变量的单变量预测并提出优化分子筛的特征参数。结果表明该模型训练集与预测集的相关性较高、误差较小，优化分子筛催化剂上链烷烃加氢裂化反应性能的预测结果与实验结果吻合良好，n-C₁₀ 转化率、C₃/C₇和i-C₄/n-C₄的R²分别为0.9866、0.9845和0.9922，RMSE值分别为0.0163、0.101和0.0211。该模型对新催化剂具有可预测性，适应性和可靠性高。

主要研究结果

图1. 加氢裂化催化剂数字化智能化设计思路。

要点：

数字化技术与炼油加氢催化剂研发深度融合是提升传统炼化技术研发效率与竞争力的有效手段。如图所示，聚焦加氢裂化催化剂的高效研制，理想设计思路如下：首先建立关键酸性组分分子筛催化材料的物化性质数据库，筛选合适的算法，构建催化剂构效关系模型提取材料的关键特征，并获得优化的催化材料，将优化材料的性能评价结果返回到数据库及构效关系模型中，进一步优化模型，指导高性能催化材料和催化剂的开发。

图2. 催化剂评价结果a:转化率和温度变化曲线; b: C₃/C₇和温度变化曲线; c: i-C₄/n-C₄和温度变化曲线; d 异构选择性和转化率变化曲线。

要点：

n-C₁₀加氢裂化反应性能随反应温度的变化曲线及关键反应指标的相关性关系。如图2a 、2b和2c所示，随反应温度的升高，n-C₁₀转化率显著提高、其二次裂解反应选择性（C₃/C₇）上升、C₄产物中异丁烷占比（i-C₄/n-C₄）降低；相同反应温度下，不同分子筛催化剂之间的差异显著。同时，n-C₁₀异构反应选择性与其转化率存在强相关性。

图3. 分子筛结构变量的Pearson相关系数分析。a：所有变量之间的相关系数。b：所选独立变量之间的相关系数。

要点：

对分子筛关键物化性质进行Pearson相关系数（PCC）分析，PCC越大表示相关性越强，通常认为PCC大于0.8为强相关。基于独立变量原则，清洗出图a中非独立变量和具有极强相关性的变量，获得图b所示的6个独立变量作为机器学习中分子筛的特征描述符，分别为晶胞参数，酸数目，总酸B/L，酸强度，介孔体积与微孔体积。

图4. 正癸烷加氢裂化反应的模型预测结果。a1-a3:训练集；b1-b3:预测集。

要点：

该模型对n-C₁₀转化率、C₃/C₇和i-C₄ /n-C₄预测值与实际值吻合性良好。具体而言：n-C₁₀转化率训练集的R², RMSE, MRE分别为0.9768，0.022和13.1%，预测集为0.9735，0.0191和9.6%。C₃/C₇训练集的R², RMSE, MRE分别为0.9652，0.158和4.1%，预测集为0.9833，0.0888和2.6%。i-C₄/n-C₄训练集的R², RMSE, MRE分别为0.9830，0.0326和1.3%，预测集为0.9844，0.0315和1.3%。

图5. 使用随机森林模型对正癸烷加氢裂化反应进行单变量预测。

要点：

基于模型获得了单变量预测结果，获得了关键影响特征。对n-C₁₀转化率影响显著的变量为晶胞参数，酸量和介孔体积；影响较弱的变量为酸强度，B/L和微孔体积。对C₃/C₇影响显著的变量为晶胞参数、酸量、介孔体积和微孔体积；影响较弱的变量为酸强度和 B/L。对i-C₄/n-C₄影响显著的变量为晶胞参数、酸量和微孔体积；影响较弱的变量为酸强度，B/L和介孔体积。

图6. 新催化剂正癸烷加氢裂化反应机器学习预测结果。a：转化率；b：C₃/C₇；c：i-C₄/n-C₄。

要点：

使用训练后的模型对新分子筛所制备的催化剂进行预测，对n-C₁₀转化率，C₃/C₇和i-C₄/n-C₄而言，模型预测的R²分别为0.9866, 0.9845和0.9922，RMSE分别为0.0163, 0.1008, 0.2107，模型预测结果与试验结果吻合性良好。

全文小结

图7. 基于机器学习的正癸烷加氢裂化分子筛催化材料构效关系研究示意图

✿ 首次利用机器学习技术建立了正癸烷加氢裂化反应过程中催化剂构效关系模型，探索了机器学习在加氢裂化催化剂研究中的可行性，可为高性能加氢裂化催化剂和技术的研制与开发提供基础信息。

✿ 模型可以实现分子筛结构和性能之间的单变量预测，并获得对正癸烷加氢裂化反应影响较大的因素。

✿ 模型对全新催化剂具有良好的预测性能，预测误差较低，可以对新催化剂研发提供理论支持。

作者介绍

聂红，正高级工程师，中国石油化工集团有限公司首席专家。主要研究方向为：炼油加氢技术研发和应用研究工作。1985年以来就职于中国石化石油化工科学研究院，从事炼油加氢催化剂和技术研发。截至目前，以聂红为核心的研究团队开发的系列催化剂和技术已在工业装置应用233套次，为我国炼油技术整体达到世界先进水平做出了重大贡献。研究成果获国家科技进步二等奖2项、国家技术发明二等奖1项（均排名第一），中国专利金奖2项，省部级科技进步一等奖12项，发表论文一百一十余篇。入选“新世纪百千万人才工程国家级人选”，被评为全国优秀科技工作者，并获“何梁何利基金科学与技术创新奖”“侯德榜化工科学技术奖成就奖”“第三届全国创新争先奖状”“赵永镐科技创新奖”“中国石化科技创新功勋奖”等荣誉。

课题组链接：

http://fripp.sinopec.com/ripp/