塑料变石油！中科院黑科技：机器学习+分子筛，废塑料裂解产油率狂飙87.8%|中科院黑科技|催化剂|分子筛|废塑料|石油

3月18-20日，江苏张家港，扫码报名

倒计时29天

全球每年产生超过3亿吨塑料垃圾，仅21%被回收或焚烧，其余大量进入环境，引发微塑料污染、生态破坏等连锁问题。传统物理回收技术难以处理混合塑料，而热化学转化技术——尤其是催化裂解——因适应性强、产物可控，被视为破解塑料污染的关键。然而，催化裂解过程中存在三大难题：

产物复杂：裂解产物包含固态蜡、液态油和气体，液态油虽价值高，但成分复杂；
催化剂筛选难：不同塑料需匹配特定催化剂（如分子筛），传统实验方法耗时耗力；
反应条件优化难：温度、催化剂比例等参数需反复试错，效率低下。

中科院城市环境研究所团队另辟蹊径，将机器学习（ML）与分子筛催化技术结合，开发了一套智能逆向设计框架，成功实现废塑料高效裂解为高价值燃油。相关成果发表于国际顶级期刊《Applied Energy》，引发学界与产业界广泛关注。

编者按

中科院团队的研究证明，机器学习不仅能加速催化剂筛选和工艺优化，更能突破传统认知边界，发现“反直觉”的最优解（如低温高产）。这项技术有望推广至生物质转化、CO₂催化等绿色化工领域，为“双碳”目标提供底层技术支撑。塑料垃圾不再是负担，而是“城市油田”的起点。

李编博士

高分子物理与化学专业

进入废塑料化学循环领域4年

专注PET、PE、UPR等化学回收

技术突破：机器学习如何“驯服”废塑料1. 数据驱动：构建全球最大废塑料裂解数据库

团队从2000年以来的文献中提取了280组液态油产率数据、142组C5-C12烃类产率数据，涵盖塑料类型（PP、PE、PS等）、分子筛性质（比表面积、硅铝比等）、反应条件（温度、催化剂比例）等关键参数。通过数据清洗、缺失值填补（如k近邻算法）和归一化处理，构建了高精度预测模型的基础。

图1. 系统图，包括机器学习模型开发的预测、解释和优化的详细步骤。

2. 模型优选：XGBoost脱颖而出

团队测试了随机森林（RF）、梯度提升回归（GBR）和极端梯度提升（XGBoost）三种树模型。结果显示，XGBoost在预测液态油和C5-C12烃类产率时表现最佳，测试集R²分别达0.85和0.87，误差（RMSE）仅为7.72%和7.73%，远超传统实验的“单因素优化法”。

图2.根据(a)塑料型、(b)沸石框架型代码和(c)确定的沸石类别，对废塑料沸石催化裂解中液体油和C5-C12烃的产率的原始数据进行了统计分析。

3. 特征解析：四大关键因素浮出水面

通过SHAP值分析和特征重要性排序，团队发现：

聚乙烯（PE）比例：PE含量超10%会显著降低液态油和轻质烃产率；
反应温度：380–550℃为液态油高产区间，但C5-C12烃类仅在380–430℃达峰值；
分子筛比表面积：过高或过低均不利，最佳值约350 m²/g；
硅铝比（Si/Al）：高硅铝比（如200）利于液态油，低硅铝比（如25）则促进轻质烃生成。

图3.活性金属描述符(a)的PCC及其对预测液体产率(b)和C5-C12碳氢化合物(c)的产率的重要性。4. 逆向设计：AI指导实验，产率超预期

结合粒子群优化（PSO）算法，团队筛选出最优组合：聚苯乙烯（PS）为原料，ZSM-5分子筛（Si/Al=200，比表面积352 m²/g）为催化剂，反应温度413℃。模型预测油产率为80.85%，而实验验证结果高达87.82%，误差仅-7.93%。更惊人的是，该温度比文献报道低近200℃，大幅降低能耗。

实验验证：从数据到实践的跨越

团队搭建了两段式催化裂解装置（图S1），使用福建石化提供的PS塑料和南开大学分子筛催化剂。实验显示：

图S1. 沸石催化废塑料热解的原理图(a)和实验装置(b)。（1. 氮气瓶;2. 质量流量控制器；3. 温度控制器;4. 实验室两级催化热解管式炉；5. 塑料;6. 催化剂;7. 冷凝器;8. 液油收集瓶；9. 洗油器（丙酮）；10. 气包