[发明专利]一种催化材料高通量计算方法和系统

权利要求书

1.一种基于大数据和机器学习算法的催化材料高通量计算方法，其特征在于，该方法的步骤包括：

根据基于大数据和机器学习算法构建的催化剂构效关系模型，筛选满足目标催化性能的待确认催化材料；

待确认催化材料催化性能的预测结果与计算结果之间的偏差在预定偏差范围内的情况下，确定待确认催化材料为达到目标催化性能的催化材料；

所述基于大数据和机器学习算法构建的催化剂构效关系模型的构建步骤包括：

利用催化剂颗粒模型的反应位点的结构特征，以及不同表面模型上的反应物、中间产物和最终产物的吸附能，基于机器学习算法，训练获得结构特征-吸附能关联模型；

利用不同表面模型上的反应物、中间产物和最终产物的吸附能，基于机器学习算法，训练获得吸附能比例关联模型；

利用不同表面模型上的化学反应的反应热以及反应能垒，基于机器学习算法，训练获得反应能垒-反应热比例关联模型；

利用上述模型，基于机器学习算法，获得结构-吸附-性能关联模型，即催化剂构效关系模型。

2.根据权利要求1所述的催化材料高通量计算方法，其特征在于，构建所述催化剂构效关系模型之前的步骤包括：

构建具有不同晶面指数的表面模型；

根据表面模型的表面能，构建催化剂颗粒模型；

所述构建所述催化剂构效关系模型的前一步骤还包括：

对催化剂表面模型进行计算模拟；

结合量化计算模拟与微观动力学分析获取主/副反应的最优反应路径及其反应速率；

结合表面模型的主/副反应的反应速率和颗粒模型上每种晶面的比例，转化成该颗粒模型在反应环境条件下的催化反应动力学信息；

利用上述步骤，获取催化剂模型的理论催化性能。

3.根据权利要求1所述的催化材料高通量计算方法，其特征在于，所述根据基于大数据和机器学习算法构建的催化剂构效关系模型，初步筛选满足目标催化性能的待确认催化材料的前一步骤包括；

对基于大数据和机器学习算法构建的催化剂构效关系模型进行精度验证。

4.根据权利要求3所述的催化材料高通量计算方法，其特征在于，所述对基于大数据和机器学习算法构建的催化剂构效关系模型进行精度验证的步骤包括：

利用训练集数据判断催化剂构效关系模型的预测精度是否达标；所述训练集数据包括：表面模型相图、催化剂颗粒模型、催化剂模型的理论催化性能中的一种或多种；

若是，则进行测试集数据的精度验证；

若否，则通过基于机器学习算法继续训练，矫正催化剂构效关系模型；

所述对基于大数据和机器学习算法构建的催化剂构效关系模型进行精度验证的步骤还包括：

利用测试集数据判断催化剂构效关系模型的预测精度是否达标；所述测试集数据包括：表面模型相图、催化剂颗粒模型、催化剂模型的理论催化性能中的一种或多种；

若是，则根据基于机器学习算法构建的催化剂构效关系模型，初步筛选满足目标催化性能的待确认催化材料；

若否，则重新进行训练集数据的精度验证。

5.根据权利要求1所述的催化材料高通量计算方法，其特征在于，若基于催化剂构效关系模型对待确认催化材料进行预测的催化性能预测结果与待确认催化材料的计算结果的偏差，未在预定偏差范围内；则结合待确认催化材料对应的颗粒模型、催化性能理论值，基于机器学习算法继续训练，矫正催化剂构效关系模型。