[发明专利]基于高通量实验与计算的催化材料筛选方法和系统

权利要求书

1.基于高通量实验与计算的催化材料筛选方法，其特征在于，该方法的步骤包括：

利用基于高通量实验与高通量计算的数据结果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；

针对筛选结果进行高通量制备和高通量性能评估，获得待确认催化材料的实验结果；

待确认催化材料的催化性能预测结果与待确认催化材料的实验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；

所述基于高通量实验与高通量计算的数据结果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，以及催化剂颗粒模型的理论催化性能，基于机器学习算法，训练获得吸附能-催化性能关联模型；

利用依据实验表征搭建的催化剂颗粒模型的理论催化性能和实验测得的催化性能，基于机器学习算法，训练获得催化性能理论值与实验值的修正模型；

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

构建所述催化剂构效关系模型之前的步骤包括：

随机高通量制备催化剂，进行催化剂的高通量性能评价，对催化反应后的催化剂进行结构表征，并根据表征构建催化剂表面模型；

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；

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；

利用上述反应动力学信息，获取催化剂模型的理论催化性能。

2.根据权利要求1所述的催化材料筛选方法，其特征在于，所述利用根据高通量实验与高通量计算的数据结果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的前一步骤包括；

对基于高通量实验与高通量计算构建的催化剂构效关系模型进行精度验证；

所述对基于高通量实验与高通量计算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：高通量催化反应后催化剂的表征数据、表面模型相图、催化剂颗粒模型、高通量催化性能测试数据、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；

所述对基于高通量实验与高通量计算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：高通量催化反应后催化剂的表征数据、表面模型相图、催化剂颗粒模型、高通量催化性能测试数据、催化剂模型的理论催化性能中的一种或多种；

若是，则根据基于高通量实验与高通量计算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。

3.根据权利要求1所述的催化材料筛选方法，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实验结果的偏差，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、实验值，基于机器学习算法继续训练，矫正催化剂构效关系模型。

4.一种用于如权利要求1所述基于高通量实验与计算的催化材料筛选方法的催化材料筛选系统，其特征在于，该系统包括：

筛选单元，利用基于高通量实验与高通量计算的数据结果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；

确认单元，针对上述筛选的结果进行催化剂的高通量制备和高通量性能评估；在待确认催化材料的催化性能预测结果与待确认催化材料的实验结果的偏差，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。