催化劑工程導(dǎo)論09課件

1、工業(yè)催化劑制備設(shè)計計算機輔助催化劑制備設(shè)計（CAD）工業(yè)催化劑制備設(shè)計計算機輔助催化劑制備設(shè)計（CAD）經(jīng)過前面的學(xué)習(xí)，我們已經(jīng)知道： Cat.制備設(shè)計目的：快速有效地選擇Cat.主要和次要成分，并推薦適宜制備條件，甚至大略估計所設(shè)計Cat.的性能。注意，Cat.設(shè)計只能引導(dǎo)Cat.的制備而不可替代Cat.制備與評價。 雖說催化劑CAD方法有許多種且很多有待完善和發(fā)展，下述三種是目前應(yīng)用最成功最普遍的催化劑CAD方法： 經(jīng)過前面的學(xué)習(xí)，我們已經(jīng)知道：（一）數(shù)據(jù)庫發(fā)展方向：集合化、智能化數(shù)據(jù)庫是CAD的核心部分，計算機貯存和“記憶”知識信息的總匯。數(shù)據(jù)庫數(shù)據(jù)類型：數(shù)值型（特性數(shù)據(jù)）、非數(shù)值型：知

2、識、經(jīng)驗和規(guī)則、數(shù)學(xué)模型（如動力學(xué)模型）、各種曲線、圖表等。數(shù)據(jù)庫系統(tǒng) 大型化工數(shù)據(jù)庫 小型化專用數(shù)據(jù)庫 NIST化學(xué)動力學(xué)數(shù)據(jù)庫 CATDB Cat.設(shè)計數(shù)據(jù)庫（一）數(shù)據(jù)庫 NIST（美國國家標準與技術(shù)研究所）化學(xué)動力學(xué)數(shù)據(jù)庫，收集了1906年以來的基元反應(yīng)動力學(xué)方面的數(shù)據(jù)。 CATDB Cat.設(shè)計數(shù)據(jù)庫，日本國家工業(yè)化學(xué)實驗室桑原靖等人開發(fā)，由一個事實數(shù)據(jù)庫和幾個應(yīng)用程序組成。（二）專家系統(tǒng)目的：能使計算機具有人類專家那樣解決問題的“思維”能力，依靠大量的專門知識（往往存貯于數(shù)據(jù)庫中）以解決特定領(lǐng)域中的復(fù)雜問題。核心問題：對特定領(lǐng)域中用以解決問題的知識的刻畫及對這些知識的利用。 NIST

3、（美國國家標準與技術(shù)研究所）化學(xué)動力學(xué)數(shù)據(jù)庫 與其他計算機系統(tǒng)的主要區(qū)別：專家系統(tǒng)擁有大量專門知識。 INCAP專家系統(tǒng)：將催化劑設(shè)計問題分解為5個較易解決的子問題：估計目的反應(yīng)的反應(yīng)機理；預(yù)測目的反應(yīng)要求的催化劑功能；列出可能發(fā)生的副反應(yīng)；預(yù)測副反應(yīng)要求的催化劑功能；協(xié)調(diào)有利與不利的催化劑功能，推薦出催化劑組成。 證明：乙苯氧化脫氫制苯乙烯催化劑的選擇。 與其他計算機系統(tǒng)的主要區(qū)別：專家系統(tǒng)擁有大量專門知識 ESMDC（我國廈門大學(xué)黃遵楠、張鴻斌等人開發(fā)的催化劑分子設(shè)計專家系統(tǒng)）成功應(yīng)用于甲烷氧化偶聯(lián)催化劑組分的分子設(shè)計。（三）人工神經(jīng)元網(wǎng)絡(luò)技術(shù)人工神經(jīng)網(wǎng)絡(luò)（ANN）技術(shù)，1970年以前提出

4、，1982年取得突破性發(fā)展。人工神經(jīng)元網(wǎng)絡(luò)，是一個模擬人腦功能的信息加工處理系統(tǒng)，其理論基礎(chǔ)是自然神經(jīng)元網(wǎng)絡(luò)的數(shù)學(xué)模型，即對真實的生理神經(jīng)元網(wǎng)絡(luò)思維活動的數(shù)學(xué)抽象和模擬。 ESMDC（我國廈門大學(xué)黃遵楠、張鴻斌等人開發(fā)的催化BP模型：輸入層（input layer）隱含層（Hidden Layer）輸出層（Output Layer） 隱含層，一般有12層，層數(shù)和節(jié)點數(shù)均可調(diào)。BP計算過程：由正向傳播和反向傳播組成。對于輸入信號，首先向前傳播到隱節(jié)點，經(jīng)過作用函數(shù)再把隱節(jié)點的輸出信息傳到輸出節(jié)點，最后得到輸出結(jié)果。在正向傳播過程中，輸入信息從輸入層經(jīng)隱含 BP模型：輸入層（input layer

5、）層逐層處理，并傳向輸出層，每一層神經(jīng)元狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果輸出層得不到期望的輸出，則轉(zhuǎn)入反向傳播過程，將誤差信息沿原來的連接通路返回，通過修改各層神經(jīng)元的權(quán)值，使得誤差最小。即： E= min其中，tj是樣本期望的輸出； oj是網(wǎng)絡(luò)計算的輸出。層逐層處理，并傳向輸出層，每一層神經(jīng)元狀態(tài)只影響下一層神經(jīng)元 BP網(wǎng)絡(luò)模型把一組樣本的I/O問題變?yōu)橐粋€非線性優(yōu)化問題，且使用了優(yōu)化中最普遍的梯度下降法，迭代運算求解權(quán)值，相當于學(xué)習(xí)過程；而當網(wǎng)絡(luò)訓(xùn)練結(jié)束時，所得到的節(jié)點間的權(quán)值也可以用于未知樣本的預(yù)報，即可預(yù)測其輸出，就相當于一個生理神經(jīng)的記憶和推理過程。 用于催化劑CAD設(shè)計的人工神經(jīng)

6、元網(wǎng)絡(luò)技術(shù)，具體的過程可以分為以下步驟： 進行基礎(chǔ)試驗，考評各種催化劑體系的結(jié)果，從中擇一個合適的體系進行神經(jīng)元網(wǎng)絡(luò)輔助設(shè)計； BP網(wǎng)絡(luò)模型把一組樣本的I/O問題變?yōu)橐粋€非線性優(yōu)化將所選擇的催化劑體系的試驗數(shù)據(jù)進行整理，分析各活性組分對反應(yīng)結(jié)果的大致影響，判別是否需要補充試驗點。將試驗數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本，根據(jù)網(wǎng)絡(luò)的收斂速度和學(xué)習(xí)速度來選擇合適的網(wǎng)絡(luò)結(jié)構(gòu)模型。這個網(wǎng)絡(luò)模型實際上相當于能夠定量化的體系中的建模過程。選擇有代表性的數(shù)據(jù)作為神經(jīng)元網(wǎng)絡(luò)的訓(xùn)練集和測試集，對網(wǎng)絡(luò)進行訓(xùn)練和測試，如果測試結(jié)果不能滿足要求，則返回（3）重新選擇網(wǎng)絡(luò)，直至滿意為止。將所選擇的催化劑體系的試驗數(shù)據(jù)進行整理，

7、分析各活性組分對反將訓(xùn)練好的網(wǎng)絡(luò)作為描述催化反應(yīng)體系的模型和優(yōu)化計算的目標函數(shù)文件，建立優(yōu)化程序；該過程中必須嚴格限制優(yōu)化的范圍。 利用優(yōu)化程序進行計算，設(shè)定出合理的催化反應(yīng)結(jié)果。得到一系列的催化反應(yīng)配方，其計算效果好于目前的催化劑。試驗驗證。將優(yōu)化得到的催化劑配方，在與其學(xué)習(xí)樣本同樣的制備，考評條件下進行驗證，將結(jié)果加入神經(jīng)元網(wǎng)絡(luò)的學(xué)習(xí)樣本回到（4）；重復(fù)上述循環(huán)，直到神 將訓(xùn)練好的網(wǎng)絡(luò)作為描述催化反應(yīng)體系的模型和優(yōu)化計算的目標函經(jīng)元網(wǎng)絡(luò)的優(yōu)化結(jié)果已經(jīng)不能提高，或者最優(yōu)催化劑配方就已經(jīng)是學(xué)習(xí)樣本中的試驗點。 人工神經(jīng)元網(wǎng)絡(luò)技術(shù)適用于多種混合氧化物之類的復(fù)雜催化體系，尤其是組分間交互作用影響顯著的催化劑。 將人工神經(jīng)元網(wǎng)絡(luò)技術(shù)用于催化劑CAD設(shè)計，有三個引人注目的特點： 利用神經(jīng)元網(wǎng)絡(luò)的計算功能，可以結(jié)合優(yōu)化方法，尋找最優(yōu)催化劑配方（定量），而不僅僅是選擇適宜的催化劑組分的種類（定性）?？赏鉀Q長期困擾催化 經(jīng)元網(wǎng)絡(luò)的優(yōu)化結(jié)果已經(jīng)不能提高，或者最優(yōu)催化劑配方就已經(jīng)是學(xué)劑開發(fā)者的配方優(yōu)化問題。 在催化劑CAD設(shè)計