Les méthodes d'apprentissage automatique (ML), telles que les réseaux de neurones artificiels (ANN), mettent à portée de main la conception de réactions chimiques basée sur les données. Simultanément à la vérification de l'absence de tout biais dans le modèle d'apprentissage automatique par rapport aux données microcinétiques, des techniques d'interprétation telles que l'importance de la permutation, les valeurs SHAP et les diagrammes de dépendance partielle permettent une analyse plus systématique (indépendante du modèle) de ces données. Dans le présent travail, cette méthodologie est démontrée pour la synthèse Fischer-Tropsch (FTS) sur un catalyseur au cobalt, avec le rendement en méthane comme seule sortie dominante, en tant qu'étude de cas. Aux fins de cette étude de cas, l'ensemble de données requis pour la formation du modèle ANN est généré synthétiquement à l'aide d'un modèle microcinétique à événement unique (SEMK). Avec un nombre de 3 couches cachées avec 20 nœuds, le modèle ANN est capable de reproduire adéquatement les résultats SEMK. Le classement relatif des variables de processus, tel qu'il est appris par le modèle ANN, est identifié à l'aide de techniques d'interprétation, le rendement en méthane étant le plus dépendant de la température, suivi du rapport molaire d'entrée espace-temps et gaz de synthèse, dans la plage étudiée de fonctionnement. conditions. Ceci est conforme à la compréhension physico-chimique de SEMK. Une approche systématique d'analyse des données microcinétiques, généralement analysées au cas par cas, est ainsi développée en combinant des techniques d'interprétation plus largement utilisées en science des données avec l'ANN.
L'article complet peut être trouvé à https://pubs.rsc.org/en/content/articlelanding/2022/re/d1re00351h.