论文标题：Potential, challenges and opportunities of machine learning model for plasma-based gas conversion: a critical review

期刊：ENGINEERING Chemical Engineering

作者：Jiayin Li, Xinpei Lu, Sirui Li, Annemie Bogaerts

发表时间：20 May 2026

DOI： 10.1007/s11705-026-2679-x

微信链接：点击此处阅读微信文章

文章信息

Jiayin Li, Xinpei Lu, Sirui Li, Annemie Bogaerts. Potential, challenges and opportunities of machine learning model for plasma-based gas conversion: a critical review. ENG. Chem. Eng., 2026, 20 (8) : 62

DOI:10.1007/s11705-026-2679-x

https://journal.hep.com.cn/fcse/EN/10.1007/s11705-026-2679-x

文章导读

低温等离子体气体转化作为“Power-to-X”的关键使能技术受到广泛关注，但其多维参数相互耦合以及多目标互相冲突的特性，导致实验成本高、优化周期长。近年来，机器学习为该领域提供了全新研究思路，却始终未能真正发挥效力。比利时安特卫普大学PLASMANT团队李嘉胤博士，Annemie Bogaerts教授联合华中科技大学卢新培教授、荷兰埃因霍温理工大学李思锐博士等人在ENG. Chem. Eng. 发表论文，以等离子体辅助CO₂转化为典型研究体系，围绕机器学习标准化工作流、主流算法与任务定位、数据瓶颈与模型局限、破局路径与未来图景等四个方面展开评述。文章指出，机器学习目前主要服务于转化反应性能预测、自适应过程控制、复杂诊断系统降维和工艺参数高效探索，亟需从辅助预测工具升级为贯穿“实验设计-过程优化-机理发现”的研究体系。通过构建符合FAIR原则的标准化数据库，建立融合物理约束与迁移学习策略的混合模型，以及发展具备外推能力与机理洞察价值的先进算法架构，为等离子体辅助气体转化技术向更智能、更高效和更可持续的方向发展提供重要支撑。

综述亮点

机器学习标准化建模流程与主要算法适配指南

围绕等离子体催化CO₂干重整等典型反应，统一输入输出描述符与气体转化性能计算公式，覆盖数据集收集与处理、描述符统计分析、交叉验证与超参数调优、模型构建与评估、可解释性分析等全环节，填补了该领域长期缺乏统一建模规范的空白。在此基础上，深入解析监督学习、强化学习、深度学习、无监督学习、主动学习、图神经网络模型等核心算法原理，明确了不同等离子体化学与诊断研究任务，提供了清晰的模型选用依据。

机器学习赋能等离子体气体转化应用的实例归纳

监督学习从实验数据中学习电驱动、气流与催化剂等参数与反应物转化率、产物产率以及能耗之间的关系，用于预测最优操作窗口；集成模型将多个基学习器线性组合，在小样本条件下有效抑制过拟合。强化学习通过与模拟环境交互，实现能耗与转化率的动态平衡。深度网络模型作为多尺度仿真的低成本代理，可大幅压缩流体与等离子体动力学模拟的计算耗时。无监督学习对发射光谱等高维诊断数据进行降维聚类，提取关键特征后接入下游模型。主动学习以最少实验样本探索多维参数空间，从而在有限预算下加速最优反应条件的发现。图神经网络简化复杂基元反应网络，为解析反应路径提供新手段。

机器学习赋能等离子体气体转化的核心瓶颈

在数据层面，等离子体气体转化领域缺乏统一数据记录规范，等离子体本征参数与催化剂微观描述符普遍缺失，且等离子体催化实验数据体量远小于热催化体系，导致机器学习模型存在过拟合风险。在模型层面，纯数据驱动模型仅能在训练参数区间内插值，外推能力差，且只能挖掘反应参数与气体转化性能之间的统计相关性，无法揭示等离子体-催化剂协同反应的内在机理。

机器学习赋能等离子体气体转化的未来图景

在数据基建方面，遵循 FAIR 原则搭建统一共享数据库，规范性能指标、反应器构型与催化剂特性全维度报道标准；以主动学习驱动迭代闭环实验，搭配迁移学习复用热催化等领域成熟数据库，缓解等离子体催化实验样本稀缺的行业痛点。在模型升级方面，通过结合物理损失约束与第一性原理特征输入，提升模型外推能力与机理解释水平，推动科学机器学习模型加速等离子体辅助气体转化的工艺探索与优化迭代。

亮图展示

图2 本综述的整体结构框架图，呈现了等离子体辅助气体转化体系、机器学习算法、应用案例、现存难题、未来方向之间的逻辑关联。

图4 监督学习建模完整流程图，可视化展示了数据集划分、预处理、模型训练调参、性能评估、可解释分析全步骤。

图5 等离子体甲烷干重整输入输出参数分类图，统一梳理了建模输入五大类特征（电驱动、供气、工况、反应器、催化剂）与四大类输出性能指标。

图11 机器学习在等离子体气体转化中的典型应用。梳理了主流机器学习模型在CO₂转化、甲烷重整、氨合成、氮氧化物形成、氨裂解等反应中的实践，展示了机器学习应对该领域多维参数耦合的固有复杂性，为数据驱动的工艺探索与智能优化提供有力工具。

作者简介

通讯作者 : 李嘉胤，2022年获得华中科技大学电气工程博士学位，2023~2026年先后在英国南安普顿大学、比利时安特卫普大学担任博士后研究员，现任英国约克大学助理研究员，研究方向聚焦等离子体诊断与等离子体能源转化应用，主持比利时佛兰德斯政府博士后基金 1 项。以第一作者/通讯作者在Chem. Eng. J., Energy Convers. Manag., Green Chem.等国际权威期刊发表 SCI 论文10余篇。

免费全文