基于人工神经网络和遗传算法的甲烷制氢催化剂设计

通过筛选辅助组分和制备方法,制备了一种用于甲烷直接制氢的Fe3O4复合氧化物催化剂。应用人工神经网络建立了该催化剂的配方模型,对人工神经网络模型学习算法、激活函数以及网络结构进行了考察,确定了该催化剂辅助设计的步骤及模型的网络结构,将Levenberg-Marquardt方法用于网络的训练,改进了网络的收敛特性,最终获得了泛化能力较强的人工神经网络配方模型。以建立的模型为目标函数,采用改进的混合遗传算法作为优化方法,经过6轮优化,获得了一系列较优的甲烷直接制氢的Fe3O4复合氧化物催化剂配方。选用其中一种优化获得的配方进行甲烷制氢反应,催化剂寿命和氢气生成速率分别达到4.46 h和1.16 mmol·min-1·(g Fe)-1,优于以往报道的催化剂。