The present work applies modern data science and machine learning (ML) methods for investigating the CO2 hydrogenation to higher hydrocarbons also known as CO2-Fischer-Tropsch synthesis (CO2-FTS). These methods were used for: (i) a detailed analysis of the literature regarding CO2-FT catalysts for systematizing and analyzing a wide pool of the catalytic data; (ii) accelerating kinetic model development of CO2-FTS with artificial neural networks. In light of the limited amount but high complexity of the data, new approaches for data normalization as well as the improvement of the conventional ML methods were developed to cope with the problem of small data. The literature analysis showed that the key parameters of catalyst selectivity only slightly depend on the reaction conditions and are mainly defined by the catalyst. Wherein, promoting Fe-based catalysts with alkali metals is the most effective measure compared to other ones. Moreover, the data analysis also indicated the presence of the direct route of CO2 hydrogenation without carbon monoxide as intermediate product that was further validated experimentally in the present work. Finally, a new method for kinetic modelling of heterogeneous reactions based on neural ODE and adapted for small data was developed and successfully applied for CO2-FTS.
Die vorliegende Arbeit widmet sich der Anwendung moderner Methoden der Datenanalyse und des maschinellen Lernens (ML) für die Untersuchung der CO2-Hydrierung zu höheren Kohlenwasserstoffen, auch bekannt als CO2-Fischer-Tropsch-Synthese (CO2-FTS). Diese Methoden wurden eingesetzt für: (i) eine detaillierte Analyse der Literatur über CO2-FT-Katalysatoren zur Systematisierung und Analyse eines breiten Pools katalytischer Daten; (ii) die Beschleunigung der Entwicklung kinetischer Modelle für die CO2-FTS mit künstlichen neuronalen Netzen. In Anbetracht der begrenzten Datenmenge wurden neue Ansätze für die Datennormalisierung sowie die Verbesserung der konventionellen ML-Methoden entwickelt, um eine Anwendbarkeit für kleine Datenmengen zu erreichen. Die Literaturanalyse zeigte, dass die Schlüsselparameter der Katalysatorselektivität nur geringfügig von den Reaktionsbedingungen abhängen und vorrangig durch den Katalysator bestimmt werden. Dabei ist die Promotion von Katalysatoren auf Fe-Basis mit Alkalimetallen im Vergleich zu anderen Parametern die effektivste Maßnahme. Die Datenanalyse deutete zudem auf einen direkten Weg der CO2-Hydrierung ohne Kohlenmonoxid als Zwischenstufe hin, der in der vorliegenden Arbeit experimentell weiter validiert wurde. Darüber hinaus wurde eine neue Methode zur kinetischen Modellierung heterogener Reaktionen, die auf neuronaler ODE basiert und für kleine Datenmengen geeignet ist, wurde entwickelt und erfolgreich für die CO2-FTS angewendet.