[发明专利]一种基于ANN-NSGA-II的甲烷化镍基催化剂配方的筛选优化方法

说明书

本发明公开了一种基于神经网络协同二代非支配遗传算法（ANN‑NSGA‑II）的甲烷化镍基催化剂配方的筛选优化方法，通过对多助剂组合配方的筛选和反应工艺条件的优化，证明了该策略的有效性。包括以下步骤：采用随机试验法设计含添加三种助剂元素（Re,W,Cs）的多个试验组构成初始催化剂库；采用人工神经网络（ANN）构建甲烷化反应系统的数学模型，即建立操作条件与性能指标之间的对应关系；由改进的NSGA‑II多目标优化算法迭代寻优于反应条件工艺参数的Pareto最优解，为以后有效解决此类条件参数优选问题，找到了一种具有普适性的方法；本发明提高了模型预测精度和催化剂的筛选效率。

技术领域

本发明涉及一种基于ANN-NSGA-II的甲烷化镍基催化剂配方的筛选优化方法，属于复杂工业过程的建模和优化领域。

背景技术

煤制天然气(SNG)技术可以将煤炭资源转化为无污染、热能利用效率高的天然气，是优化能源消费结构、保障我国能源安全、减少环境污染的重要途径。煤制SNG的关键技术为甲烷化反应，其核心是催化剂的构筑。负载于Al₂O₃上的Ni基催化剂，因其具备催化活性高、热稳定性好、价格低廉等优势，而被广泛用于实际工业生产中，但烧结和积碳是导致其失活的主要原因。因此，开发一种新型高效甲烷化镍基催化剂具有重要意义。

研究发现，仅仅依赖于实验手段，想要从浩如烟海的助剂组合中寻求最佳的配方无疑是非常困难的，成为限制催化剂研发效率的瓶颈。

发明内容

本发明的目的是提供一种基于ANN-NSGA-II(神经网络结合改进的非支配遗传算法)的甲烷化镍基催化剂配方的筛选优化方法，该方法把机器学习算法引入到Ni/Al₂O₃催化剂的设计、制备、评价、筛选及表征过程中，可以同时对大量催化剂样品进行分析处理，使快速设计出符合要求的高性能催化剂成为可能。

本发明采用一种基于ANN-NSGA-II的甲烷化镍基催化剂配方的筛选优化方法,利用神经网络构建甲烷化镍基催化剂配方的预测模型，通过NSGA-II进行多目标优化寻找，提高适应度近似评价的精度，得到甲烷化镍基催化剂多目标优化的催化剂库，选择出新的甲烷化镍基最优催化剂配方。利用科学的催化剂预测模型筛选出高效的催化剂。

本发明是采用如下的技术方案实现的：

所述的甲烷化镍基催化剂是负载于Al₂O₃上的Ni基催化剂(Ni/Al₂O₃)，因其具备催化活性高、热稳定性好、价格低廉等优势，而被广泛用于实际工业生产中.但在实际的连续化工业生产过程中，床层飞温和积碳是造成催化剂失活的主要因素。近年来，人们发现通过在制备过程中添加少量的助剂，可以有效的调节Ni/Al₂O₃催化剂的电子特性以及活性Ni金属在载体表面的分散度，进而提高催化剂的反应活性和与稳定性，延长其使用寿命。高斯过程回归建模预测与实验验证助剂W、Re及Cs产生积碳量最少，是抗积碳的优秀助剂。通过建立多助剂组分与多性能的关系模型，对多助剂组合添加的Ni-Re_xW_yCs_z/Al₂O₃甲烷化催化剂配方进行筛选优化，使其能显著的提高活性及改善抗烧结和抗积碳性能，综合性能达到最佳。

本发明提供了一种基于ANN-NSGA-II的甲烷化镍基催化剂配方的筛选优化方法，包括以下内容：