基于机器学习的金属载体相互作用和分子吸附研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 引言 | 第10-26页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 金属与载体间相互作用 | 第11-17页 |
| 1.2.1 金属与载体间相互作用的提出和分类 | 第11-13页 |
| 1.2.2 金属与载体间相互作用对催化性质的影响 | 第13-14页 |
| 1.2.3 金属与载体间相互作用的影响因素 | 第14-15页 |
| 1.2.4 强金属载体间相互作用和界面限域效应 | 第15-17页 |
| 1.3 金属和合金表面上的吸附 | 第17-21页 |
| 1.3.1 d带中心理论和线性比例关系 | 第17-19页 |
| 1.3.2 BEP关系和火山型曲线 | 第19-20页 |
| 1.3.3 合金催化剂及其表面的吸附 | 第20-21页 |
| 1.4 机器学习方法在催化研究中的应用 | 第21-24页 |
| 1.5 本论文的研究目的和内容 | 第24-26页 |
| 第2章 理论方法简介 | 第26-40页 |
| 2.1 机器学习概述和研究流程 | 第26-30页 |
| 2.1.1 机器学习的概述和任务分类 | 第26-27页 |
| 2.1.2 机器学习在研究中的工作流程 | 第27-30页 |
| 2.2 机器学习算法 | 第30-36页 |
| 2.2.1 基于压缩感知的SISSO算法 | 第30-31页 |
| 2.2.2 决策树和随机森林 | 第31-33页 |
| 2.2.3 核岭回归和支持向量回归 | 第33-35页 |
| 2.2.4 神经网络 | 第35-36页 |
| 2.3 第一性原理计算 | 第36-40页 |
| 2.3.1 基本原理简介 | 第36-38页 |
| 2.3.2 方法概述 | 第38-40页 |
| 第3章 金属与载体间相互作用的方程发现 | 第40-66页 |
| 3.1 引言 | 第40-41页 |
| 3.2 界面粘附能的数据驱动方程 | 第41-53页 |
| 3.2.1 数据集的构建 | 第41-46页 |
| 3.2.2 数据驱动方程的建立 | 第46-53页 |
| 3.3 数据驱动方程的应用 | 第53-65页 |
| 3.3.1 金属/氧化物界面粘附能的预测 | 第54-58页 |
| 3.3.2 金属纳米粒子的接触角 | 第58-59页 |
| 3.3.3 金属负载的氧化物薄膜和界面限域催化 | 第59-65页 |
| 3.4 本章小结 | 第65-66页 |
| 第4章 基于机器学习的合金催化剂表面吸附能预测 | 第66-78页 |
| 4.1 引言 | 第66-67页 |
| 4.2 计算方法 | 第67-69页 |
| 4.2.1 数据集和预处理过程 | 第67-68页 |
| 4.2.2 机器学习方法 | 第68-69页 |
| 4.3 结果与讨论 | 第69-76页 |
| 4.3.1 线性比例关系 | 第69-70页 |
| 4.3.2 不同机器学习算法的评估 | 第70-72页 |
| 4.3.3 SISSO+RFR预测吸附能 | 第72-76页 |
| 4.4 本章小结 | 第76-78页 |
| 第5章 结论与展望 | 第78-82页 |
| 5.1 结论 | 第78-79页 |
| 5.2 展望 | 第79-82页 |
| 参考文献 | 第82-96页 |
| 致谢 | 第96页 |
