天然气资源的紧缺使得通过甲烷化反应生产合成天然气引起了极大的关注,其中,高效的甲烷化催化剂的开发是迫切需要解决的问题。不仅要以经济、环保、可持续的方式开发新型、高效的催化剂,还需加快新催化剂的发现速度。由于催化机理的复杂性和催化反应的高度非线性,传统的催化剂开发是基于经验设计的一个不断“试错”过程。这种方法在寻找最优催化剂的过程中具备偶然性,且难以满足工业生产的需要。随着计算机与信息处理能力的提高,将数据挖掘技术应用于催化过程的建模问题,是研究催化剂开发的一种可行的方法,越来越受到重视。催化过程影响因素多、波动大、反应机理复杂,使用传统的数学方法不足以求解该问题。而数据挖掘方法从一些样本出发,得出目前尚不能通过原理分析获取的知识,然后利用这些知识去分析客观对象,对未来数据或无法观测的数据进行预测。数据挖掘技术能避开复杂的催化机理,从催化剂的组成及性能间发现其隐藏的关系,有助于减少试验的盲目性,这对于高效催化剂的快速开发具有重要的现实意义。本文结合多种数据挖掘技术,围绕甲烷化催化剂建模问题展开工作,研究的主要内容包括:基于数据挖掘技术的建模设计框架及模型预测、基于引入期望增量的高斯过程回归的模型预测。本论文的创新性研究总结如下:(1)提出一种基于数据挖掘技术的建模设计框架及模型预测。针对甲烷化催化剂筛选的问题,由于数据具有高维度,离散性,复杂性等特征,采用主成分分析法,K-means算法对数据进行降维以及聚类处理,选择结构简单,收敛速度快的径向基(RBF)神经网络建模。计算机仿真及实验验证结果表明,该方法构建的甲烷化催化剂组分模型取得了良好的预测效果,避开了庞大且盲目的实验过程,为催化剂设计与筛选提供了一种科学高效的方法。(2)提出一种基于引入期望增量的高斯过程回归的模型预测。针对神经网络对小样本数据建模的不足,选择高斯过程回归替代神经网络,并引入期望增量用于进一步提高模型的准确性。这种方法应用于构建甲烷化催化剂的组分模型和失活模型,筛选出新的催化剂,取得了神经网络没有得到的结果。为高维,小样本,非线性的催化剂样本建模提供了新思路。(3)在构建好的模型基础上,通过虚拟元素法计算物理化学性质对催化性能的影响,对催化剂的设计具备指导作用。