Machinale leermethodes (ML), zoals artificieel neurale netwerken (ANNs), brengen het data-gedreven ontwerp van chemische reacties binnen bereik. Samen met de verificatie van de afwezigheid van enige vertekening in het model in vergelijking met de microkinetische data laten interpretatietechnieken zoals belang van permutatie , SHAP-waarden en partiële afhankelijkheidsplots een meer systematische (model-agnostische) analyse van deze data toe. In dit artikel wordt deze methodologie aangetoond voor de Fischer-Tropsch synthese (FTS) met een kobalt katalysator als casestudy waarbij de methaanopbrengst de enige dominante output is. Voor deze casestudy werd de dataset die vereist is voor het trainen van het ANN-model synthetisch gegenereerd aan de hand van een single-event microkinetisch model (SEMK).Met in totaal 3 verborgen lagen met 20 knooppunten is het ANN-model in staat om adequaat de SEMK resultaten te reproduceren. De relatieve rangschikking van de procesvariabelen volgens het ANN-model werden geïdentificeerd aan de hand van interpretatietechnieken, waarbij de methaanopbrengst het meest afhankelijk is van de temperatuur, gevolgd door de ruimte-tijd en syngas molaire inlaatratio voor het onderzochte bereik van de werkingscondities. Dit ligt in lijn met het fysicochemische begrip van SEMK. Een systematische aanpak voor de analyse van de microkinetische data, wat algemeen geval-specifiek geanalyseerd wordt, werd dus ontwikkeld door de algemeen gebruikte interpretatietechnieken uit de datawetenschappen te combineren met de ANN.

Het volledige artikel is te vinden op https://pubs.rsc.org/en/content/articlelanding/2022/re/d1re00351h.