《Catalysis Today》：Catalytic co-pyrolysis of walnut shell and high-density polyethylene (HDPE) using nickel-doped gamma alumina spent adsorbent derived catalyst: Kinetics, thermodynamic and prediction modelling using artificial neural network (ANN) approach
編輯推薦：
為解決生物質熱解生物油含氧量高、塑料廢棄物處理難等問題，研究人員開展核桃殼與 HDPE 在鎳摻雜廢氧化鋁吸附劑衍生催化劑（NAO）作用下的催化共熱解研究。發現 NAO 使活化能降低 28%，ANN 模型預測效果佳（R≈0.99，MSE<10??），為廢吸附劑再利用及固廢轉化提供方向。
化石能源枯竭與塑料污染雙重壓力下，生物質與廢塑料的協同轉化成為破解能源與環境困局的關鍵。傳統生物質熱解生成的生物油富含醇、醛、酮等含氧化合物，存在高極性、低熱值等缺陷，直接應用受限；而全球每年超 3 億噸廢塑料中僅 9% 被回收，79% 填埋或焚燒，引發土壤退化與有毒氣體排放等問題。如何將 “農業廢棄物” 核桃殼與 “白色污染” HDPE 通過高效催化體系轉化為高值燃料與化學品，兼具資源循環與污染治理雙重價值，成為學界探索的熱點。
為此，印度理工學院魯爾基分校（Indian Institute of Technology Roorkee）的研究團隊開展了一項創新研究，相關成果發表在《Catalysis Today》。該研究聚焦鎳摻雜廢氫氧化鋁納米顆粒吸附劑（AHNP）衍生催化劑（NAO）在核桃殼與 HDPE 共熱解中的催化效能，通過動力學、熱力學分析與人工神經網絡（ANN）建模，揭示催化機制并構建精準預測體系，為廢吸附劑資源化利用與固廢能源化提供了新范式。
主要技術方法
研究采用熱重分析（TGA）測定不同樣品（核桃殼、HDPE、1:1 物理混合物、1:1 催化劑 - 原料混合物）在 10-40°C/min 升溫速率下的熱失重行為。運用無模型等轉化率方法（包括 Ozawa-Flynn-Wall（OFW）、Kissinger-Akahira-Sunose（KAS）和 Starink 模型）計算活化能（E?）、指前因子等動力學參數，以及熵、焓、吉布斯自由能等熱力學參數。同時，構建人工神經網絡模型，以熱解溫度、升溫速率、催化劑比例等為輸入層，降解率為輸出層，通過多層神經元訓練實現對復雜降解過程的預測。
研究結果
催化劑顯著降低共熱解活化能
熱重曲線顯示，NAO 催化劑的加入使核桃殼與 HDPE 共熱解的失重峰向低溫區偏移。通過 KAS 方法計算發現，催化體系的活化能較非催化體系降低 28%，表明 NAO 通過吸附中間體、降低反應能壘顯著提升反應速率。OFW 與 Starink 模型計算結果與之吻合，驗證了催化劑對反應動力學的優化作用。
熱力學參數揭示催化反應自發性
熱力學分析表明，催化共熱解過程的吉布斯自由能（ΔG）為負值，且熵變（ΔS）與焓變（ΔH）均呈現有利趨勢，說明催化反應在熱力學上具有自發性。鎳摻雜增強了催化劑表面酸性位點與氧化還原能力，促進含氧化合物脫除與烴類生成，這與人工神經網絡模型預測的高附加值產物收率提升一致。
人工神經網絡實現精準預測
構建的 ANN 模型通過三層架構（輸入層 4 節點、隱藏層 8 節點、輸出層 1 節點），以均方誤差（MSE<10??）與高回歸系數（R≈0.99）展現出對共熱解降解率的精準預測能力。該模型可有效模擬不同工藝參數下的反應行為，減少實驗試錯成本，為工業化放大提供數據支撐。
研究結論與意義
本研究首次將廢 AHNP 吸附劑經鎳摻雜改性后用于生物質與塑料共熱解，證實其可同時實現催化效能提升與固廢循環利用。NAO 催化劑通過降低活化能（降幅達 28%）、優化熱力學路徑，顯著改善生物油品質（減少含氧化合物、提高熱值），且 ANN 模型為工藝優化提供了高效預測工具。該成果不僅為廢吸附劑的 “變廢為寶” 開辟了新路徑，也為解決農業與塑料廢棄物污染、推動低碳能源轉型提供了兼具技術可行性與環境經濟性的解決方案，對發展循環經濟與可持續化學具有重要借鑒意義。
