本文属于类型a，即单一原创研究（original research）报告。以下是根据该研究内容撰写的学术报告。

本文介绍的研究由Dan Zhao、Nils Ortner、Martin Holena、Sebastian Wohlrab和Evgenii V. Kondratenko等人完成，其中通讯作者Evgenii V. Kondratenko来自莱布尼茨催化研究所（Leibniz-Institut für Katalyse e.V.）。该研究发表于*ACS Catalysis*期刊，2023年第13卷，页码10547–10559，文章于2023年4月13日投稿，2023年7月7日修订，2023年7月28日正式发表，标题为“Identifying Catalyst Property Descriptors for CO₂ Hydrogenation to Methanol via Big-Data Analysis”。

从学术背景来看，该研究属于多相催化与二氧化碳转化利用领域。二氧化碳（CO₂）作为最重要的温室气体之一，其大气浓度自工业革命以来持续上升，导致全球变暖、海平面上升和海洋酸化等环境问题。将CO₂加氢转化为甲醇（methanol）被认为是最有前景的技术之一，因为甲醇既是化学工业中重要的基础原料，也可作为能源载体用于储存和运输由太阳能或风能产生的氢气。目前工业上甲醇合成主要使用铜-锌-氧化铝（Cu-Zn-Al₂O₃）催化剂，在高温（473–573 K）和高压（50–100 bar）下以合成气为原料进行。然而，直接以CO₂和H₂为原料的甲醇合成催化剂种类繁多，包括CuZn基、In基和PdZn基等体系，但不同文献中催化剂的性能测试条件差异很大，导致难以公平比较并提炼出可用于理性催化剂设计的通用描述符（descriptors）。已有一些研究利用机器学习预测甲醇时空产率，但主要关注反应条件参数，而未能从催化剂组成与制备方法角度鉴别控制甲醇选择性的关键描述符。因此，本研究的目的是通过建立包含大量文献数据的数据库，运用统计分析手段识别影响CO₂加氢制甲醇催化剂选择性、活性的关键描述符，并通过自主实验验证所得结论，从而为定向催化剂开发和反应条件优化提供依据。

该研究的工作流程主要包括四个步骤：文献数据收集、数据准备、描述符分类与数据分析、实验验证。第一步，作者从开放文献中检索了有关CO₂加氢制甲醇的研究，仅纳入包含完整催化剂组成、制备方法、反应条件（预处理条件、反应温度、总压、分压、进料流量等）以及完整催化性能（接触时间、CO₂转化率和至少甲醇选择性）的文献。最终有86篇已发表论文符合要求，构建了包含934行和30列的数据库。数据库中包含催化剂组成（活性组分、结构助剂、活性助剂及其前驱体）、制备方法（共沉淀剂、pH值、温度、煅烧温度）、催化剂处理条件、反应条件、进料组成以及催化性能数据。第二步，由于不同文献中的催化剂在不同H₂和CO₂分压下测试，直接比较活性几乎不可能，因此作者将CO₂转化率和甲醇选择性数据换算为积分速率r(CO₂)和r(CH₃OH)，并假设速率与CO₂和H₂分压呈线性关系以考虑压力效应。为在不同反应温度间进行比较，作者使用阿伦尼乌斯方程（Arrhenius equation）将文献报道的甲醇生成速率统一换算到473 K或553 K，活化能（Eₐ）分别针对Cu基、In基和Pd-Zn基催化剂取平均值（47.23、83.90和60.75 kJ/mol）。甲醇选择性的温度校正则依据本体催化剂和负载型催化剂各自的经验线性关系，将文献报道的选择性值统一到473 K或553 K。第三步，作者将催化剂分为本体（bulk）催化剂和负载型（supported）催化剂两大类，并区分结构助剂（structural promoters）和活性助剂（activity promoters）。结构助剂本身对甲醇合成无活性，但可影响活性组分或载体的分散度和结构；活性助剂则有助于产生更多活性位点。数据分析通过回归树分析（regression-tree analysis）和催化剂分组分析（catalyst-group analysis）两种方法进行。回归树分析通过反复将数据集分成子集，使得子集内响应变量的平方误差和最小，从而识别出对甲醇选择性、甲醇生成速率和CO₂消耗速率影响最大的描述符。催化剂分组分析则在固定温度下按催化剂组成（如结构助剂种类、活性助剂种类、载体种类、活性组分数量等）将数据点分组，仅纳入数据点不少于4的组以保证统计代表性。

研究的主要结果包括回归树分析、催化剂组成-性能关系分析以及实验验证三部分。对于本体催化剂，回归树分析表明，影响甲醇选择性的最重要描述符不是活性组分的种类（Cu、Zn、In或Pd），而是结构助剂的种类。使用Zr的硝酸盐或醋酸盐、La硝酸盐-Zr硝酸盐、Al硝酸盐-Zr硝酸盐、Ce硝酸盐-Zr硝酸盐、Ce硝酸盐、Al醋酸盐或Si_ludox-Zr氯化物等前驱体可显著提高甲醇选择性。制备方法中，燃烧/煅烧法或超声辅助反向共沉淀法可进一步提高选择性。活性助剂中Zn的使用是第三个重要描述符，使用Zn硝酸盐比Zn醋酸盐更有利于提高选择性。对于甲醇生成速率，含Zr结构助剂是最重要描述符，平均速率从27.6提高到41.1 μmol·g⁻¹·h⁻¹·bar⁻²。对于负载型催化剂，载体种类对甲醇选择性影响最大，CeO₂、SiO₂-TiO₂、TiO₂、MgAlOx和Al₂O₃-CeO₂是最佳载体。活性组分前驱体种类是第二重要的描述符，Zn硝酸盐最为有利。催化剂前驱体煅烧温度是影响甲醇生成速率的最重要描述符。反应条件方面，温度、H₂/CO₂比、CO₂分压和预处理条件均对催化性能有显著影响。催化剂分组分析进一步表明，在473 K下，含Zr结构助剂的本体催化剂具有最高的甲醇生成速率，但未促进的本体催化剂（尤其是In₂O₃基）选择性最高。Ce、La及其与Zr的组合能同时兼顾活性和选择性。对于负载型催化剂，SiO₂、TiO₂或SiO₂-TiO₂载体有利于高活性，而TiO₂、ZrO₂和CeO₂有利于高选择性。Cu基催化剂在473 K下活性显著高于In基或Pd基催化剂，Zn的加入能同时提高Cu基催化剂的活性和选择性，而单独加入Pd对Cu基催化剂不利。在553 K下，In基催化剂虽然活性仍低于Cu基，但选择性最高。作者还分析了甲醇选择性与CO₂转化率的关系，发现随着CO₂转化率升高，甲醇选择性下降，即使在远离热力学平衡的低转化率下也是如此。这说明CO₂加氢过程中除平行发生逆水煤气变换反应（reverse water gas shift reaction）外，甲醇还可能发生分解反应生成CO和H₂，导致选择性损失。实验验证部分，作者根据数据分析结论制备了CuZn/CeO₂、CuZn/ZrO₂和CuZn/CeZrOx三种催化剂，发现Ce的存在确实提高了甲醇选择性，同时降低了甲醇分解为CO的能力。增加H₂分压也能抑制甲醇分解。CuZn/CeO₂催化剂在200 °C、20 bar、H₂/CO₂=3条件下，在约5% CO₂转化率时甲醇选择性达82%，优于数据库中相同条件下的先进CuZn基催化剂。

本研究的结论如下：通过大数据分析和实验验证，确定了CO₂加氢制甲醇催化剂设计和反应条件优化的关键描述符。Cu基催化剂在473 K和553 K下均具有显著高于In基、Zn基或Pd基催化剂的活性。对于本体催化剂，Zr基结构助剂是提高选择性的最重要因素，最佳制备方法为燃烧/煅烧或反向共沉淀法。对于负载型催化剂，CeO₂、TiO₂等载体以及Zn硝酸盐前驱体有利于提高选择性，催化剂前驱体煅烧温度应低于698 K。实验证实CuZn/CeO₂催化剂在温和条件下获得了优异性能。甲醇分解为CO和H₂是导致高转化率下选择性下降的主要原因，通过提高H₂分压或在载体中引入Ce可以抑制这一副反应。该研究的科学价值在于提出了一种基于统计验证的大数据分析策略，能够从大量异构文献数据中提取隐藏的催化剂性能描述符，并为CO₂加氢制甲醇催化剂的理性设计提供直接指导。其应用价值在于所开发的CuZn/CeO₂催化剂具有潜在工业应用前景，同时所建立的数据库和分析方法可推广至其他催化反应体系。

本研究的亮点包括：首次系统地将回归树分析和催化剂分组分析相结合，从催化剂组成、制备方法和反应条件等多维度鉴定控制甲醇选择性和活性的关键描述符；明确了结构助剂和载体种类对选择性的影响大于活性组分种类这一反直觉的重要发现；通过实验验证了Ce在抑制甲醇分解和提升选择性方面的关键作用，并揭示了甲醇分解是选择性损失的重要来源；所建立的包含934组数据的数据库为后续研究提供了宝贵资源。此外，本研究还展示了大数据分析与实验验证相结合的研究范式，为催化领域的理性催化剂设计提供了可复制的模板。