本工作主要研究的是烯烃芳构化，长链单烯烃芳构化是煤制芳烃过程中的重要反应，ZSM-5分子筛中Lewis酸的落位决定催化剂的性能。本研究旨在采用机器学习（ML）快速预测出较优的Lewis落位，以提高芳烃的产率和选择性。基于密度泛函理论（DFT）获得的C6和C7烯烃在Zn2+/HZSM-5催化剂上脱氢反应的高质量数据集，建立了数据驱动的机器学习模型，进而预测C8烯烃芳构化反应中的重要过程—脱氢反应的决速步能垒，筛选出具有高脱氢活性的Lewis酸位点为T5-T3或T11-T3，并通过DFT验证了ML预测结果的准确性。进一步通过微观动力学分析得出：BTX（苯、甲苯和二甲苯）的选择性最高达到了64.1%。这为二价金属物种改性ZSM-5分子筛的合理设计提供了重要线索。
文章标题：Machine Learning-Accelerated Prediction of Lewis Acid SitePositioning for Long-Chain Mono-olefn Aromatization on Zn2+/HZSM-5 Catalysts
期刊：ACS Catalysis
通讯作者：张宇鹏，凌丽霞
第一作者：王晶，贾裕胜
文章链接：https://doi.org/10.1021/acscatal.5c00459
资助：国家自然科学基金（22278296和22202201）和山西省自然科学基金（20210302123094）
