为了减少发现新的碳一多相催化剂的时间、降低消耗,加速二甲醚合成工业化进程,提出一种新的软计算混合策略并应用于碳一多相催化剂建模与预测研究。支持向量回归机(Support Vector Regression,SVR)作为一种新的机器学习算法,能较好地解决小样本、高维、非线性和局部极小点等实际问题,在混合策略中被用于多相催化剂组分模型的开发。SVR模型的超参数选择采用启发式全局优化搜索算法——自适应混沌粒子群算法来提高SVR模型的预测精度和泛化能力。新策略的主要优势是在反应机理未知或难以获取的情况下,建模完全由历史进程的少量样本空间完成,避免了传统催化剂研发过程中"试错实验"的盲目性和偶然性。通过对两种不同建模方法、三种不同SVR超参数优化策略在Cu-Zn-Al-Zr合成二甲醚催化剂组分模型中的对比研究得出,新策略在多相催化剂建模与预测上是一个有前途的发展方向。

国家自然科学基金资助项目(20606022,60843006)；山西省教育厅科技资助项目(2010107,20110007)；