3月18-20日，江苏张家港，扫码报名

倒计时 29 天

1. 产物复杂：裂解产物包含固态蜡、液态油和气体，液态油虽价值高，但成分复杂；
2. 催化剂筛选难：不同塑料需匹配特定催化剂（如分子筛），传统实验方法耗时耗力；

3. 反应条件优化难：温度、催化剂比例等参数需反复试错，效率低下。

中科院城市环境研究所团队另辟蹊径，将机器学习（ML）与分子筛催化技术结合，开发了一套智能逆向设计框架，成功实现废塑料高效裂解为高价值燃油。相关成果发表于国际顶级期刊《Applied Energy》，引发学界与产业界广泛关注。

技术突破：机器学习如何“驯服”废塑料

1. 数据驱动：构建全球最大废塑料裂解数据库

团队从2000年以来的文献中提取了280组液态油产率数据、142组C5-C12烃类产率数据，涵盖塑料类型（PP、PE、PS等）、分子筛性质（比表面积、硅铝比等）、反应条件（温度、催化剂比例）等关键参数。通过数据清洗、缺失值填补（如k近邻算法）和归一化处理，构建了高精度预测模型的基础。

2. 模型优选：XGBoost脱颖而出

团队测试了随机森林（RF）、梯度提升回归（GBR）和极端梯度提升（XGBoost）三种树模型。结果显示，XGBoost在预测液态油和C5-C12烃类产率时表现最佳，测试集R²分别达0.85和0.87，误差（RMSE）仅为7.72%和7.73%，远超传统实验的“单因素优化法”。

图2. 根据(a)塑料型、(b)沸石框架型代码和(c)确定的沸石类别，对废塑料沸石催化裂解中液体油和C5-C12烃的产率的原始数据进行了统计分析。

3. 特征解析：四大关键因素浮出水面

• 聚乙烯（PE）比例：PE含量超10%会显著降低液态油和轻质烃产率；
• 反应温度：380–550℃为液态油高产区间，但C5-C12烃类仅在380–430℃达峰值；
• 分子筛比表面积：过高或过低均不利，最佳值约350 m²/g；

• 硅铝比（Si/Al）：高硅铝比（如200）利于液态油，低硅铝比（如25）则促进轻质烃生成。

图3. 活性金属描述符(a)的PCC及其对预测液体产率(b)和C5-C12碳氢化合物(c)的产率的重要性。

4. 逆向设计：AI指导实验，产率超预期

结合粒子群优化（PSO）算法，团队筛选出最优组合：聚苯乙烯（PS）为原料，ZSM-5分子筛（Si/Al=200，比表面积352 m²/g）为催化剂，反应温度413℃。模型预测油产率为80.85%，而实验验证结果高达87.82%，误差仅-7.93%。更惊人的是，该温度比文献报道低近200℃，大幅降低能耗。

实验验证：从数据到实践的跨越

图S1. 沸石催化废塑料热解的原理图(a)和实验装置(b)。（1. 氮气瓶;2. 质量流量控制器；3. 温度控制器;4. 实验室两级催化热解管式炉；5. 塑料;6. 催化剂;7. 冷凝器;8. 液油收集瓶；9. 洗油器（丙酮）；10. 气包

• 液态油中C5-C12烃类占比达48%，可直接用作汽油组分；
• 气体产物（如甲烷、乙烯）可循环供能，实现过程自持；

• 与传统高温裂解（600℃）相比，能耗降低30%以上。

这一结果不仅验证了模型的可靠性，更揭示了机器学习在复杂化工系统中的巨大潜力。

未来展望：从实验室到工业化的挑战

1. 数据规模限制：现有数据集仅数百组，需联合全球实验室共建共享数据库；
2. 机制解释性不足：未来拟融合密度泛函理论（DFT）计算，揭示分子筛催化微观机制；
3. 工程化放大：实验室小试与工业级反应器存在差异，需开发动态自适应ML模型。

《Zeolite-catalytic pyrolysis of waste plastics: Machine learning prediction, interpretation, and optimization》

（资料来源：Applied Energy，若需可查看原文）

老朋友请联系工作人员，新朋友请扫码