Die Umwandlung von Kohlendioxid in saubere Kraftstoffe gilt als wichtiger Weg zur CO2-Neutralität. Insbesondere die CO2-Methanisierung hat aufgrund ihrer günstigen thermodynamischen Eigenschaften und Umweltvorteile zunehmendes Interesse geweckt. Der großtechnische Einsatz steht jedoch weiterhin vor Herausforderungen wie unzureichender Katalysatoraktivität bei niedrigen Temperaturen und Anfälligkeit für Kohlenstoffablagerungen.
Forscher haben nun ein erklärbares Machine-Learning-Framework (ML) angewendet, um die rationale Entwicklung von nickelbasierten Katalysatoren für die CO2-Methanisierung zu unterstützen. Anstatt sich auf traditionelle Trial-and-Error-Methoden zu verlassen, führt die Studie einen systematischen Ansatz für die Datenverarbeitung, Kreuzvalidierung und den Aufbau von Ensemble-Learning-Modellen ein. Unter den getesteten Methoden erreichte ein CatBoost-Modell (Catcategorical Boosting) R²-Werte von 0,77 für die CO2-Umwandlung und 0,75 für die CH4-Selektivität.
Durch die Analyse wichtiger Parameter wurden in der Studie optimale Reaktionsbedingungen ermittelt: Temperatur zwischen 250 und 350 °C, Gasdurchsatz unter 15.000 cm³ g?¹ h?¹, BET-Oberfläche von 50 bis 200 m² g?¹ und Nickelgehalt über 5 %. Diese Erkenntnisse zeigen, wie datenbasierte Methoden die Katalysatoroptimierung unterstützen und den Weg von der Laborforschung zur industriellen Anwendung verkürzen können.
DOI: 10.1021/acssuschemeng.5c02957
