view in publisher's site

Predicting the Activity and Selectivity of Bimetallic Metal Catalysts for Ethanol Reforming using Machine Learning

Machine learning is ideally suited for the pattern detection in large uniform data sets, but consistent experimental data sets on catalyst studies are often small. Here we demonstrate how a combination of machine learning and first-principles calculations can be used to extract knowledge from a relatively small set of experimental data. The approach is based on combining a complex machine-learning model trained on a computational library of transition-state energies with simple linear regression models of experimental catalytic activities and selectivities from the literature. Using the combined model, we identify the key C–C bond-scission reactions involved in ethanol reforming and perform a computational screening for ethanol reforming on monolayer bimetallic catalysts with architectures TM–Pt–Pt(111) and Pt–TM–Pt(111) (TM = 3d transition metals). The model also predicts four promising catalyst compositions for future experimental studies. The approach is not limited to ethanol reforming but is of general use for the interpretation of experimental observations as well as for the computational discovery of catalytic materials.

پیش‌بینی فعالیت و انتخاب کاتالیست های فلز دو فلزی برای اصلاح اتانول با استفاده از یادگیری ماشین

یادگیری ماشینی به طور ایده‌آل برای تشخیص الگو در مجموعه داده‌های یکنواخت بزرگ مناسب است، اما مجموعه داده‌های آزمایشی سازگار در مطالعات کاتالیزگر اغلب کوچک هستند. در اینجا نشان می‌دهیم که چگونه ترکیبی از یادگیری ماشین و محاسبات اصول اولیه می‌تواند برای استخراج دانش از مجموعه نسبتا کوچکی از داده‌های تجربی استفاده شود. این روش براساس ترکیب یک مدل یادگیری ماشین پیچیده آموزش‌دیده بر روی کتابخانه محاسباتی انرژی‌های حالت گذار با مدل‌های رگرسیون خطی ساده فعالیت‌های کاتالیزوری تجربی و انتخاب مقالات می‌باشد. با استفاده از مدل ترکیبی، واکنش‌های اصلی شکافت - پیوند C - C درگیر در اصلاح اتانول را شناسایی کرده و یک غربال محاسباتی برای اصلاح اتانول بر روی کاتالیزگرهای دو فلزی تک لایه با ساختارهای TM - Pt - Pt (۱۱۱)و Pt - TM - Pt (۱۱۱)(TM = ۳ d فلزات انتقالی)انجام می‌دهیم. این مدل همچنین چهار ترکیب کاتالیست امید بخش را برای مطالعات تجربی آینده پیش‌بینی می‌کند. این روش محدود به اصلاح اتانول نیست اما به طور کلی برای تفسیر مشاهدات تجربی و همچنین کشف محاسباتی مواد کاتالیزوری استفاده می‌شود.
ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.