Maschineller Nachweis von Edelmetallkatalysatoren in Gesteinen

Scientific Reports Band 13, Artikelnummer: 3765 (2023) Diesen Artikel zitieren

751 Zugriffe

1 Altmetrisch

Details zu den Metriken

Die Kohlenstoffabscheidung und die katalytische Umwandlung in Methan sind vielversprechend für die CO2-neutrale Energieerzeugung. Edelmetallkatalysatoren sind hocheffizient; Dennoch haben sie mehrere erhebliche Nachteile, darunter hohe Kosten, Knappheit, Umweltbelastung durch den Abbau und hohe Verarbeitungsanforderungen. Frühere experimentelle Studien und die aktuelle analytische Arbeit zeigen, dass Chromitite von feuerfester Qualität (chromreiches Gestein mit Al2O3 > 20 % und Cr2O3 + Al2O3 > 60 %) mit bestimmten Edelmetallkonzentrationen (d. h. Ir: 17–45 ppb, Ru: 73–178). ppb) katalysieren Sabatier-Reaktionen und produzieren abiotisches Methan; ein Prozess, der im industriellen Maßstab noch nicht untersucht wurde. Daher könnte eine natürliche Quelle (Chromitite), die Edelmetalle beherbergt, verwendet werden, anstatt Edelmetalle für die Katalyse zu konzentrieren. Stochastische Algorithmen des maschinellen Lernens zeigen, dass die Edelmetalllegierungen unter den verschiedenen Phasen natürliche Methanisierungskatalysatoren sind. Solche Legierungen entstehen, wenn bereits vorhandene Platingruppenmineralien (PGM) chemisch zerstört werden. Die chemische Zerstörung vorhandener PGM führt zu einem Massenverlust, der lokal eine nanoporöse Oberfläche bildet. Die chromreichen Spinellphasen, die die PGM-Einschlüsse beherbergen, dienen anschließend als Träger der zweiten Ebene. Die aktuelle Arbeit ist die erste multidisziplinäre Forschung, die zeigt, dass Edelmetalllegierungen in chromreichen Gesteinen doppelt unterstützte Sabatier-Katalysatoren sind. Daher könnten solche Quellen ein vielversprechendes Material bei der Suche nach kostengünstigen, nachhaltigen Materialien für die Erzeugung grüner Energie sein.

Das Pariser Abkommen unterstreicht die überragende Bedeutung der Schaffung nachhaltiger Kraftstoffquellen. Die katalytische Hydrierung von Kohlendioxid ist eine vielversprechende CO2-neutrale Kraftstoffquelle1. Neue Forschungen zu nachhaltiger Energie und Umweltschutz sowie die Umsetzung umweltfreundlicher Richtlinien von Regierungen und internationalen Stiftungen2,3,4 unterstreichen die Notwendigkeit einer Umstellung auf eine umweltfreundliche Energieerzeugung.

Die Sabatier-Reaktion (Gl. 1) ist ein bekanntes und weit verbreitetes Verfahren zur Herstellung von Methan durch katalytische Hydrierung von CO2. Es handelt sich um eine zweistufige Reaktion, die die Kombination einer endothermen Reversed Water Gas Shift (RWGS)-Reaktion und einer exothermen CO-Hydrierung (Gleichungen 2 bzw. 3) bei erhöhten Drücken und Temperaturen zwischen 200 und 500 °C5 umfasst.

Der produzierte Kohlenwasserstoff ist nicht ausschließlich Methan, sondern eine Mischung aus Kohlenwasserstoffen und anderen organischen Molekülen, abhängig von der Aktivität und Selektivität des Katalysators. Katalysatoren auf Nickel- und Rutheniumbasis produzieren fast ausschließlich Methan. Weniger reaktive Metallkatalysatoren (Pd, Pt, Rh, Mo, Re, Au) erzeugen über den RWGS5 gleichzeitig CH4, CH3OH und CO. In früheren Studien lag die niedrigste gemeldete Temperatur für die CO2-Hydrierung bei Raumtemperatur (25 °C). Ein auf einen TiO2-Katalysator geladenes Ruthenium-Nanopartikel führte innerhalb der ersten 5 Minuten des Experiments zur Methanbildung6.

Interessanterweise kommt es in der Natur zur CO2-Hydrierung bei niedrigen Temperaturen (< 100 °C), wobei über die Sabatier-Reaktion abiotisches Methan (im Folgenden Methan) entsteht. Studien deuten darauf hin, dass die Methanquelle chromreiches Gestein (Chromitite) ist7,8. Mineralien mit katalytischen Eigenschaften in Chromititen sind besonders vielversprechend für die Herstellung kommerziell effizienter und nachhaltiger Katalysatoren. Mineralkatalysatoren könnten die Kosten und Umweltauswirkungen im Zusammenhang mit der Synthese von Katalysatoren (z. B. weniger Verarbeitung) und der Kraftstoffproduktion (geringerer Energieaufwand für Reaktionen bei niedrigeren Temperaturen) senken. Derzeit gibt es nur begrenzte Kenntnisse über die Einschränkungen bei der Bildung von Methan bei niedrigen Temperaturen. Direkte Beweise für die Kinetik der Methanbildung in der Natur sind begrenzt. Die vorliegenden Studien zu Hochtemperaturexperimenten (> 300 °C) sind für die Methanisierung in Chromititen nicht repräsentativ. Isotopenanalysen von Methan in rutheniumhaltigen Chromititen legen nahe, dass Methan unterhalb von 150 °C gebildet wurde7,8,9. Experimente bei niedrigen Temperaturen (< 100 °C) zeigten, dass reine Rutheniumkatalysatoren in Mengen, die ihrem natürlichen Vorkommen in Chromititen entsprechen, die Methanisierung wirksam unterstützen10. Daher lautete die ursprüngliche Hypothese, dass die am häufigsten vorkommende Rutheniumphase in Chromititen der Katalysator sein sollte. Rutheniumreiche Phasen kommen hauptsächlich in Chromititen vor, einschließlich Laurit (RuS2), Laurit-Erlichmanit (OsS2)-Mischkristallen und Ir-Ru-Os-Ni-Legierungen (IPGE-Ni-Legierungen)11,12,13. Der genaue Ort der Methanerzeugung und die tatsächlichen Katalysatoren sind jedoch kaum bekannt.

Natürliche Materialien, einschließlich Chromititen, haben eine komplexe chemische Geschichte. Im Laufe von Millionen von Jahren durchlaufen Gesteine zahlreiche chemische Umwandlungen, die ihre ursprüngliche chemische Zusammensetzung sowie die Mineralien, aus denen sie bestehen, verändern. Die Methanbildung in Chromititen macht einen kleinen Teil der gesamten Gesteinsentwicklung aus. Im mathematischen Kontext sind Chromitite multivariate Systeme. Die Häufigkeit und Verteilung der Messgrößen (chemische Elemente) resultiert aus mehreren überlappenden Prozessen. Variablen sind vererbbar miteinander verbunden und weisen kontrastierende unterschiedliche Varianzen und Skalen auf. In diesem Zusammenhang weisen Variablen im Zusammenhang mit der Methanbildung eine geringe Varianz auf. Daher ist es wichtig, eine geeignete Datenanalysemethode anzuwenden, um Informationen über den Mineralkatalysator zu extrahieren.

Der Arbeitsablauf dieser Studie ist sequenziell: großräumiges Ziel – Quellgesteinsmodellierung – Katalysatorvorhersage – mikroskaliges Ziel. Die Gesteine mit hohem Potenzial (Chromitite) stammen aus stillgelegten Chromerzminen in Griechenland. Großräumige Schlussfolgerungen basieren auf chemischen Analysen des gesamten Gesteins. Allerdings handelt es sich bei den chemischen Daten aus Gesteinsproben um Zusammensetzungsdaten (d. h. um 100 %), und daher sind lineare Regression und andere parametrische Methoden ungeeignet, um kausale Effekte zu erkennen. Die Eignung nichtparametrischer und stochastischer Ansätze wurde mithilfe von ANOVA und Spearman-Korrelationen für die chemischen Analysen des gesamten Gesteins getestet, um sie mit Methankonzentrationen in verschiedenen Gesteinsarten zu vergleichen und das Methan-Quellgestein anzuzeigen.

Eine Kombination aus stochastischen Algorithmen für maschinelles Lernen, darunter Random Forest Regression (RFR), t-distribution Stochastic Neighbor Embedding (t-SNE) und modellbasiertes Clustering mit Bayesian Information Criterion (mBIC), bestimmte die Elementproxys des Mineralkatalysators. Der RFR klassifizierte die mit Methan zusammenhängenden Variablen in der Reihenfolge ihrer Wichtigkeit. Die Reverse RFR-Modellierung bestätigte die Prädiktoren bei der Identifizierung von Gesteinen mit hohem Methangehalt. Die besten Prädiktoren umfassen die potenziellen Katalysator-Proxys. Zusätzliche Algorithmen für maschinelles Lernen (t-SNE und mBIC) überprüfen die Robustheit der identifizierten Katalysator-Proxys. Die Untersuchung im Mikromaßstab konzentriert sich auf die methanreichsten Chromitite. Eine Reihe quantitativer mineralogischer Analysen und Beobachtungen (z. B. Zusammensetzung, Stöchiometrie, Reaktionsindikatoren, chemische oder Kristallgittermodifikationen) verbinden den identifizierten Katalysator-Proxy mit bestimmten Mineralien. Letztere umfassen die vorgeschlagenen kostengünstigen Katalysatoren.

Stochastische Techniken des maschinellen Lernens wurden verwendet, um die natürlich vorkommenden Katalysatoren unter den 55 analysierten chemischen Elementen aufzuspüren. Hier schlagen wir einen neuartigen, natürlichen Katalysator vor, der dem Bedarf an einem kostengünstigen Katalysator entspricht, der bei niedrigen Temperaturen aktiv ist, was zu einer geringeren Umweltbelastung bei seiner Verarbeitung führt. Das Konzept eines Doppelträgerkatalysators wird ebenfalls vorgestellt. Die vorliegende Arbeit ist der erste multidisziplinäre Ansatz, der zeigt, dass Edelmetalllegierungen (dh Ir, Ru) in chromreichen Gesteinen doppelt unterstützte Sabatier-Katalysatoren sind.

Die analysierten Proben werden in basische (52–45 Gew.-% SiO2), ultrabasische (SiO2 < 45 Gew.-%) und Chromitite (Erzvorkommen mit geringem SiO2-Gehalt und hohen Anteilen an Cr2O3 = 30–70 Gew.-%) eingeteilt. Untergruppen innerhalb der Grundlithotypen sind die basischen Vulkangesteine und rodingitisierten Grundgesteine. Die fortschreitende Abnahme von SiO2 und die Zunahme von Cr2O3 gehen mit einer Anreicherung von MgO und FeO einher (Ergänzungstabellen 1 und 2). ANOVA-Tests zwischen den Lithotypen und Methangehalten zeigten, dass der Gesteinstyp einen großen Einfluss auf die Methankonzentration hat (F (4, 53) = 53,935, p < 0,001, ω2 = 0,785, Ergänzungstabelle 3). Chromitite, die die höchsten Methanmengen enthalten, unterscheiden sich deutlich von allen anderen Lithotypen mit geringeren Methankonzentrationen. Die methanreicheren Chromitite haben Al2O3 > 20 %, Cr2O3 + Al2O3 > 60 % und sind feuerfest. Spearmans Korrelationen zwischen Methan und der chemischen Zusammensetzung jeder Probe zeigten signifikante positive Korrelationen von Methan mit den Elementen Cr, Fe2O3, MgO, Ru, Ir, Au, Co, MnO, Ni, Pd, Pt, Rh, V, W, Zn in Chromititen vorhanden. Alle positiv korrelierten Elemente werden in der Literatur als Bestandteile von Sabatier-Katalysatoren beschrieben14. Unter diesen Elementen weisen Ir und Ru die höchsten signifikanten Korrelationen mit Methan auf (0,932 bzw. 0,910, Ergänzungstabelle 4). Die Proben mit den höchsten Konzentrationen an Iridium und Ruthenium (Ir: 17–45 ppb, Ru: 73–178 ppb) sind feuerfeste Chromitite.

Mineralien bestehen aus chemischen Elementen in geordneter kristallographischer Anordnung, die in ihrem Kristallgitter eingebaut sind. Daher spiegelt die chemische Gesamtzusammensetzung eines Gesteinssystems seine mineralogische Zusammensetzung wider. Diese gegenseitige Abhängigkeit zwischen Elementen, Mineralien und Gesteinen führt zu Kollinearität, da die Variablen nicht unabhängig sind. Gängige parametrische Statistiktools wie die Regressionsanalyse, insbesondere bei unbehandelten Daten, neigen zu verzerrten Ergebnissen14. Darüber hinaus sind distanzbasierte, maschinelle Lerntechniken, die eine euklidische Geometrie annehmen, nicht geeignet, da die relevanten Annahmekriterien nicht erfüllt sind und komplexe Datentransformationstechniken erfordern15. Die Datenverarbeitung führt jedoch zu Informationsverlust, wenn die Informationen von Merkmalen mit geringen Varianzen16 getragen werden, oder kann zu Variablen führen, die schwer zu interpretieren sind. Ein Random-Forest-Regressionsalgorithmus wurde verwendet, um die wichtigsten Merkmale (d. h. Elemente) für die Vorhersage der Methankonzentration in den verschiedenen Gesteinsarten in die engere Wahl zu ziehen und zu ordnen. Aufgrund des stochastischen Ansatzes dieser Methode wurde die RFR 30 Mal wiederholt. Ein Mittelwert von 0,763 für Zug R2 und 0,618 für Test R2 (Ergänzungstabellen 5–7 werden angegeben). Das beste Modell hat einen Zug- und Test-R2 von 0,808 bzw. 0,800. Die 14 wichtigsten Merkmale sind Ir, Ru, Cr, SiO2, Zn, Ge, Al2O3, Au, Co, Pt, Os, Rh, W und Fe2O3 mit abnehmender Bedeutung (Ergänzungstabellen 8–9).

Diagramme der durchschnittlichen Rangposition jedes wichtigen Merkmals im Vergleich zu seinem Gesamtranking zeigen unterschiedliche Untergruppen der Top-Merkmale (Abb. 1). Entgegen den Erwartungen früherer Studien7,10 ist Iridium der wichtigste Prädiktor und wichtiger als Ruthenium für die Vorhersage der Methankonzentration. Iridium und Ruthenium stellen die wichtigsten Merkmale bei der Methan-Prospektion dar, was durch den großen Unterschied in ihren durchschnittlichen Rängen (3,7 bzw. 6,5 gegenüber 12,7 oder höher für die übrigen Elemente) und ihren minimalen Rangschwankungen (0 und 2,8) angezeigt wird. Daher scheinen Iridium und Ruthenium die wahren Katalysatorindikatoren zu sein. Bei den übrigen Elementen handelt es sich hauptsächlich um Klassifikatoren von Lithotypen mit hohen oder niedrigen Methankonzentrationen (z. B. sind Cr und SiO2 die Stellvertreter für Chromitite bzw. basische/ultrabasische Gesteine). Dies stimmt mit den allgemein akzeptierten geologischen Proxies für solche Lithotypen und mit den aktuellen ANOVA-Ergebnissen überein.

Optimale t-SNE-Diagramme der potenziellen Katalysator-Proxys bei 6000 Iterationen. (A) Die beiden wichtigsten Merkmale (Ir, Ru) bieten die ideale Klassifizierung der erwarteten Methanwerte in den Gesteinsproben. (B) mBIC-Clustering überlagert das t-SNE-Diagramm der Top-2-Features. Abkürzungen, Plex: Perplexitätswert, maxIter: maximale Iterationen (Wiederholungen) des Algorithmus.

Die Hypothese, dass Iridium und Ruthenium die Katalysatoren sind, wurde untersucht, indem sequentielle t-SNE-Diagramme für jede Untergruppe der Top-Merkmale durchgeführt wurden (Ergänzungstabelle 9). Die Methanwerte werden anhand der gemessenen Konzentrationen definiert, um zu zeigen, welche Untergruppe von Elementen in Proben mit ähnlichen Methanwerten eine eindeutige Gruppierung ermöglicht (Tabelle 1). Die t-SNE-Methode wurde bevorzugt, da ihr stochastischer Ansatz die Untersuchung von Variablen mit unterschiedlichen Skalen und Varianzen ermöglicht. Es gibt keine Annahmen über die zugrunde liegende Datenverteilung, da Ausreißerwerte keinen Einfluss darauf haben. Nur das t-SNE, das Iridium und Ruthenium enthält (Diagramm der Top-2-Merkmale), ergab für die meisten getesteten Perplexitätswerte eine nahezu ideale Probengruppierung (Abb. 1A). Methan wurde aus den t-SNE-Berechnungen ausgeschlossen und die Diagramme ergeben eine unvoreingenommene Gruppierung der Gesteine mit dem höchsten katalytischen Potenzial.

Darüber hinaus zeigt das modifizierte Bayesian Information Criterion (mBIC)-Clustering für alle Untergruppen der Top-Features (Ergänzungstabelle 10), dass Iridium und Ruthenium das beste Clustering für die Vorhersage des Methangehalts bieten (Abb. 1B). Die Cluster wurden sowohl mit den vordefinierten Methanwerten als auch mit den Lithotypen verglichen. Für diese Vergleiche wurden mehrere Assoziationsmessungen (Likelihood Ratio, Pearson, Kontingenzkoeffizient, Cramer's V) für jede Merkmalsuntergruppe (Ergänzungstabelle 11) verwendet.

Eine Zunahme von Merkmalen (dh signifikanten Elementen) in den Diagrammen führt nur zu Gruppen, die aus der Perspektive des Gesteinstyps interpretierbar sind. Die Ergebnisse stützen nachdrücklich die Schlussfolgerung, dass nur Iridium und Ruthenium die wahren Katalysator-Proxys sind. Obwohl die Clusterergebnisse nicht so ideal sind wie die der einzelnen t-SNE-Gruppierung, zeigen sie deutlich, dass die Iridium- und Rutheniumkonzentrationen in Chromititen fast ausschließlich die Methanhäufigkeit steuern.

Die Chromitite mit den höchsten Methankonzentrationen (Abb. 1, MSK-Code) wurden ausgewählt, um die Gültigkeit des Katalysator-Proxys zu bewerten. Eine detaillierte mikroskopische Charakterisierung ergab, dass Mg-Cr-Spinelle (Magnesiochromit) durchschnittlich 95 % des Modalanteils in diesen Gesteinen ausmachen. Die Form der Spinellkristalle reicht von euedrischen (also relativ unveränderten) über subedrische bis hin zu anedrischen Körnern mit unregelmäßigen Grenzen und einer durchschnittlichen Größe von 200 μm. Die Ränder der Mg-Cr-Spinelle werden üblicherweise in Ferrichromit [Fe2+(Cr,Fe3+)2O4] und Magnetit (Fe2+\({\mathrm{Fe}}_{2}^{3+}\) O4 umgewandelt. Andere Phasenumwandlungsprodukte (also Veränderungen) in diesen Chromititen führten zu einer Gesamtvolumenabnahme, wodurch Hohlräume von bis zu 100 μm im Gestein zurückblieben. Diese Poren sind von besonderem Interesse, da sie potenzielle Wege der Flüssigkeitszirkulation und Fallen für abiotisches Gas darstellen. Die Hohlräume werden seltener mit neu gebildeten Phasen gefüllt, darunter Chlorit [(Mg,Fe)3(Si,Al)4O10(OH)2·(Mg,Fe)3(OH)6], Titanit (CaTiSiO5), Millerit (NiS), Pentlandit [(Fe,Ni)9S8] und Quarz (SiO2).

Mineralien der Platingruppe (PGM) sind die Hauptwirte der Elemente der Platingruppe (PGE: Pt, Pd, Rh, Ir, Ru, Os). Daher wurden die in früheren Arbeiten17 beschriebenen PGM-Schwermineralkonzentrate zur Durchführung neuer quantitativer Mikrosondenanalysen verwendet, um ihre chemische Zusammensetzung und insbesondere Ir und Ru zu quantifizieren. Zu den primären (unmodifizierten magmatischen) Phasen gehören überwiegend Laurit und untergeordnet Erlichmanit (beide in festen Lösungen). Die Lauritkristalle sind euedrisch bis subedrisch, was auf einen aus der Schmelze stammenden Ursprung hinweist. Die Ru-Atome pro Formeleinheit (apfu) im Laurit liegen zwischen 0,42 und 0,73 und betragen im Durchschnitt 0,59. Die PGM enthalten unterschiedliche Mengen an Osmium (0,16–0,43 apfu), mit einem Mittelwert von 0,27 apfu.

Iridiumhaltige PGM-Legierungen und/oder Sulfarsenide enthalten Spuren von Nickel und haben einen sekundären Ursprung (der aus der chemischen Modifikation/Umwandlung primärer Mineralien resultiert), was sich in ihren Strukturmerkmalen zeigt. Dazu gehören mikrometrische, subedrische bis anedrische Ir-Ru-Os-Ni-Legierungen, feste Irarsit-Osarsit-Lösungen [(Ir,Os)AsS] und entschwefelter Laurit. Diese Sekundärphasen ersetzen Laurit- und Erlichmanitkristalle, die sich vom äußeren Teil des Kristalls nach innen ausbreiten. Dieser Prozess führt zu zusammengesetzten Kristallen, bei denen die primären Mineralien eine gleichmäßige, feste Textur haben und die sekundären Mineralien eine typische schwammige Textur aufweisen, die mit dem Massenverlust während der Alteration zusammenhängt (Abb. 2; siehe auch Abb. 517). Die Zusammensetzungen der Ir-Ru-Os-Ni-Legierungen und Irarsit-Osarsit sind sehr variabel und werden durch die ursprüngliche Zusammensetzung des primären PGM, die Alterationsrate und lokale Faktoren wie die sekundäre Mikroporosität gesteuert.

Mögliche katalytische Zentren auf Ir-Ru-Legierungen mit poröser Struktur. (A) anedrische, poröse Struktur der Ir-Ru-Legierungen, begrenzt auf eine Seite des ursprünglichen PGM-Kristalls. Der Maßstabsbalken beträgt 4 μm, (B) umfassender Ersatz des ursprünglichen PGM durch Ir-Ru-Legierungen. Der Maßstabsbalken beträgt 10 μm. Abkürzungen; PGM: Mineralien der Platingruppe. Lrt: Laurit, Erl: Erlichmanit, Des: entschwefelt.

Die fortschreitende Entfernung von Schwefel während der Lauritumwandlung (wahrscheinlich als H2S entweichend) führte zum stöchiometrisch S-armen, unterschiedlich entschwefelten Laurit. Die Mobilisierung von Ruthenium und Schwefel aus den primären Laurit-Erlichmanit-Mischkristallen hinterließ ein Laurit-Relikt mit einem höheren Anteil an Osmium. Die Entschwefelung von Laurit ist mit reduzierenden und niedrigen fS2-Bedingungen verbunden18,19,20, was darauf hindeutet, dass log fS2 unter etwa − 20,5 liegt. Die Serpentinisierung ist ein bekannter, stark reduzierender Veränderungsprozess. Bei der Hydratation ultrabasischer Gesteine entstehen große Mengen an H2, was fO2 und fS2 des Gesteinssystems senkt21,22,23. Unter solchen Bedingungen werden PGE (Ru, Ir, Os) und unedle Metalle (z. B. Ni) remobilisiert und bilden Sekundärlegierungen und S-arme, Ni-reiche Sulfide. Das extrem niedrige fS2, gepaart mit einem niedrigen fO2 in den H2-reichen Serpentinisierungsflüssigkeiten, steht im Einklang mit der Bildung des sekundären Awaruit in den Chromititen, was auf log fO2 < − 35 und niedrige Wasser/Gesteinsverhältnisse hinweist23,24,25. Letzteres impliziert, dass das Reduktionsmittel (H2), das die Chromitite beeinflusst, höchstwahrscheinlich im gasförmigen Zustand vorlag. Mehrere sekundäre Ni-Co-V-Phosphide in den Chromititen weisen auf extrem stark reduzierende Bedingungen in diesen Gesteinen hin26,27,28,29,30,31. Ihr sekundärer Ursprung erklärt die statistische Korrelation zwischen Kobalt, Vanadium und Methan in den vorliegenden Ergebnissen.

Die Datenanalyse mit mehreren Ansätzen weist auf das Vorkommen eines Sabatier-Katalysators in Chromititen hin, der hauptsächlich aus Iridium und Ruthenium besteht. Laurit (RuS2) ist das am häufigsten vorkommende rutheniumhaltige PGM und kann bis zu 16 Gew.-% Iridium enthalten. Es besteht jedoch keine Abhängigkeit zwischen Schwefel und Methan. Daher ist es höchst unwahrscheinlich, dass Laurit der Katalysator in den Proben ist. Die Laurithäufigkeit kann nicht erklären, warum einige Chromitite einen beträchtlichen Methangehalt aufweisen (z. B. CH4: 8500 ppmv, Ru: 101 ppb) und andere nicht (z. B. CH4: 1379 ppmv, Ru: 150 ppb). Die aktuelle Studie zeigt, dass sowohl Iridium als auch Ruthenium kritische Sabatier-Proxies sind. Es besteht jedoch kein linearer Zusammenhang zwischen ihrer Häufigkeit und der Methankonzentration. Daher katalysieren entweder unterschiedliche Mineralien die Sabatier-Reaktion in verschiedenen Proben oder ein Mineral mit sehr unterschiedlicher Zusammensetzung ist der Katalysator. Es gibt nicht genügend Beweise, um beide Möglichkeiten abzulehnen. Beobachtungen deuten jedoch darauf hin, dass ein Iridium-Ruthenium-haltiges Mineral mit sehr unterschiedlicher Zusammensetzung den stärksten Einfluss haben könnte. Es ist möglich, dass die sekundären Ir-Ru-Os-Ni-Legierungen die wichtigsten (aber nicht unbedingt die ausschließlichen) Sabatier-Katalysatoren sind. Diese Legierungen sind äußerst inhomogen und weisen unsystematische Metallverhältnisse auf17, was darauf hindeutet, dass ihre Zusammensetzungen stark von der Zusammensetzung der Vorläufer Laurit und Erlichmanit, der variablen Intensität der Alteration und der Mobilität von S, Ni und As beeinflusst werden. Diese Variabilität erklärt ihre nichtlineare Beziehung zur Methanhäufigkeit. Darüber hinaus erhöht ihre nanoschwammige Textur die verfügbare spezifische Oberfläche für die Reaktantenadsorption und macht sie zu idealen Orten für eine Sabatier-Reaktion. Es gibt nur wenige Studien, die synthetische Katalysatoren mit der Zusammensetzung Laurit auf Deaktivierungsbeständigkeit untersucht haben32. Der Großteil der Forschung konzentriert sich jedoch auf metallische, hybride oder metallorganische Gerüstverbundkatalysatoren für eine höhere Effizienz33,34. Die Ir-Ru-Os-Ni-Legierungen sind das nächste natürliche Gegenstück zu einem Metallkatalysator. Sekundäre PGM kommen wie die Ir-Ru-Os-Ni-Legierungen entweder als Einschlüsse in Spinellen oder in Mikrorissen vor, die mit anderen Sekundärmineralien gefüllt sind. Frühere Arbeiten an denselben PGM-Konzentraten17 zeigten, dass die sekundären Ir-Ru-Os-Ni-Legierungen vorzugsweise in der gleichen Fraktion wie Magnesiochromit und nicht in der sekundären Mineralfraktion freigesetzt wurden. Somit handelte es sich bei den Ir-Ru-Os-Ni-Legierungen um Einschlüsse in Magnesiochromit, die auf die In-situ-Zerstörung von Laurit zurückzuführen waren.

Allerdings benötigen alle Katalysatoren einen Träger, der von großer Bedeutung ist. Einer der bevorzugten Träger in katalytischen Experimenten, Aluminiumoxid (Al2O3), ist nahezu identisch mit natürlichen Spinellen (in seiner Zusammensetzung und Kristallographie). Betrachtet man die Ir-Ru-Os-Ni-Legierungen als Katalysatoren, dann ist der Katalysatorträger Laurit. Die Kompositkörner aus Ir-Ru-Os-Ni-Legierungen und Laurit werden wiederum von den Magnesiochromit-Kristallen getragen. Daher sind die Einschlüsse einer Edelmetalllegierung (in Laurit enthalten) in Spinellen das nächste natürliche Gegenstück zu einem Metallkatalysator auf einem Aluminiumoxidträger.

Es wird eine multidisziplinäre Methodik entwickelt, um die Auswirkung der chemischen Zusammensetzung und der Methanbildung in einem natürlichen, multivariaten chemischen System von Gesteinsproben zu erkennen. Zur Validierung der aktuellen Schlussfolgerungen werden stochastische Algorithmen des maschinellen Lernens, chemische Analysen und mikroskopische Beobachtungen verwendet. Maschinelles Lernen zeigte, dass die Iridiumkonzentration der wichtigste Prädiktor für die Methankonzentration in chromreichen Gesteinen ist. Ruthenium ist ein nützlicher Indikator für die Methanbildung, wenn es zusammen mit Iridium betrachtet wird. Dieses unerwartete Ergebnis ermöglichte eine Verlagerung des Fokus von Laurit (RuS2)10 hin zu sekundären Ir-Ru-Os-Ni-Legierungen als potenziellen Sabatier-Katalysatoren.

Laurit ist das am weitesten verbreitete edelmetallhaltige Mineral in chromreichen Gesteinen, weshalb seine Betrachtung als Katalysator nicht erklärt, warum die Methankonzentrationen in vielen rutheniumreichen Chromititen (Ru > 100) niedriger als erwartet sind (z. B. < 3000 ppmv). ppb) ist Schwefel ein häufiges Gift für die Aktivität eines Katalysators, und daher stellen die sekundären Ir-Ru-Os-Ni-Legierungen ein vielversprechenderes Katalysatorziel dar. Diese Legierungen entstehen durch die extreme Entschwefelung von Laurit, die zu einem Massenverlust führt und anschließend eine nanoporöse Kristalloberfläche erzeugt. Die Ir-Ru-Os-Ni-Legierungen sind aufgrund ihrer großen spezifischen Fläche und reinen Metallform die idealen Orte für die Niedertemperatur-CO2-Hydrierung (Abb. 3). Der kontinuierliche Fluss von H2-Gas erzeugt extreme Reduktionsbedingungen und löst die Entschwefelung und Bildung dieser Legierungen aus. Dieser Prozess kann ein Analogon zu den routinemäßigen Vorbehandlungsmethoden sein, die in der Katalyse verwendet werden, um die Metallkatalysatoren zu aktivieren und alle adsorbierten Verunreinigungen zu entfernen. Bei den Ir-Ru-Os-Ni-Legierungen handelt es sich um zweischichtige Trägerkatalysatoren: Laurit ist der integrierte Träger der ersten Ebene, während Spinell den Träger der zweiten Ebene darstellt. Da PGM aus magmatischen Flüssigkeiten ausfällt, ist die Bindung zwischen dem mineralischen Katalysator und seinem Träger besser als bei jedem synthetischen Gegenstück. Die aktuellen Daten können nicht bestätigen, ob Iridium der Katalysator ist oder als Beschleuniger für Ruthenium in den Ir-Ru-Os-Ni-Legierungen (im Bild als Ir-Ru-Legierungen abgekürzt) in Chromititen fungiert. Dennoch kann die Gesamtzusammensetzung des Katalysators und der Trägermaterialien (z. B. Ru, Cr, MgO) in natürlichen Systemen einen unbestimmten synergistischen Effekt haben. (im Bild als Ir-Ru-Legierungen abgekürzt) in Chromititen.

Empfohlener mineralischer Katalysator. Modell der potenziellen katalytischen Methanisierungsstellen von Ir-Ru-Os-Ni-Legierungen.

Die Identifizierung eines natürlich vorkommenden Mineralkatalysators für die CO2-Hydrierung bei niedriger Temperatur ist für eine nachhaltige Katalyse von entscheidender Bedeutung. Der vergleichsweise geringere Verarbeitungsaufwand für mineralische Katalysatoren würde den Kohlenstoffabdruck und die Kosten des Endprodukts erheblich reduzieren. Das nächstliegende synthetische Gegenstück zum Katalysator ist metallisches Ruthenium mit einem Iridium-Promotor auf einem Aluminiumoxidträger. Reines Ruthenium und Iridium stammen üblicherweise aus der umfangreichen Verarbeitung von Chromititen. Aluminiumoxid ist ein weit verbreiteter Katalysatorträger. Allerdings entsteht Aluminiumoxid aus der energieintensiven Verarbeitung von Bauxiten (aluminiumreiches Gestein). Hierin wird ein natürlich vorkommender Edelmetallkatalysator in Chromititen identifiziert, der über einen integrierten Träger (Laurit und Spinell) verfügt, was solche natürlichen Chromitite zu einem hervorragenden, kostengünstigen Material für die direkte katalytische Hydrierung macht.

Aktuelle Studien belegen, dass Spuren von Ruthenium äußerst aktive Katalysatoren sein können35. Daher können die geringen Mengen an Iridium und Ruthenium, die in den untersuchten Gesteinen nachgewiesen wurden, als positiver Faktor angesehen werden10,35. Dennoch haben die untersuchten Chromitite in der Vergangenheit offenbar die Niedertemperaturhydrierung katalysiert7,8. Es ist wichtig zu beachten, dass bei Edel- und Edelmetallen, die für die Katalysatorproduktion verwendet werden, bereits das Risiko einer künftigen Versorgungsunterbrechung besteht36. Daher wird die Verwendung natürlicher katalytischer Materialien die Bemühungen um eine nachhaltige Katalyse erheblich unterstützen. Minimal verarbeitete Naturmaterialien benötigen weniger Energie und tragen immens zur Abfallreduzierung bei. Mineralische Katalysatoren wie die Edelmetalllegierungen in Chromititen könnten weiter auf ihre potenziellen industriellen Anwendungen hin untersucht werden.

Diese Studie beleuchtet die Rolle natürlicher Edelmetalllegierungen als Hydrierungskatalysatoren. Stochastisches maschinelles Lernen anhand chemischer Daten des gesamten Gesteins ergab, dass Iridium gefolgt von Ruthenium Stellvertreter des Mineralkatalysators sind. Iridium- und Rutheniumkonzentrationen waren die wichtigsten Prädiktoren für die Identifizierung von Gesteinen mit hohem Methangehalt und könnten für die zukünftige Materialexploration von entscheidender Bedeutung sein. In dieser Studie enthalten die methanreicheren, feuerfesten Chromitite 17–45 ppb Iridium und 73–178 ppb Ruthenium.

Mikroskopische Charakterisierung und Mineralanalysen zeigten, dass der Katalysator aus nanoporösen Ir-Ru-Os-Ni-Legierungen besteht. Diese Edelmetalllegierungen ersetzen In-situ-Laurit, das als Einschluss in gebrochenen Spinellen auftritt. Laurit und Spinelle bilden einen zweischichtigen Träger für den mineralischen Katalysator. Die Edelmetalllegierungen Laurit und Spinelle entstehen auf natürliche Weise bei magmatischen und postmagmatischen Prozessen. Durch die natürliche Fusion entsteht eine Bindung zwischen dem Katalysator und dem Träger, die weitaus besser ist als bei herkömmlichen synthetischen Gegenstücken.

In Chromititen enthaltene Edelmetalllegierungen können möglicherweise als kostengünstige, nachhaltige Katalysatoren für die Erzeugung grüner Energie dienen. Der effiziente Einsatz mineralischer Katalysatoren wird die Wirtschaftlichkeit einer nachhaltigen Produktion synthetischer Kraftstoffe drastisch verbessern und sich positiv auf die Umwelt auswirken (indem er zur Kohlenstoffbindung beiträgt). Darüber hinaus würden natürliche Katalysatoren die Auswirkungen auf den Energieverbrauch verringern, da (a) der Energiebedarf für die reduzierte Verarbeitung und (b) die Reaktionstemperaturen geringer sind. Zusätzliche experimentelle Arbeiten sind erforderlich, um die kommerzielle Eignung natürlicher Edelmetallkatalysatoren in Chromititen zu bestimmen.

Der Datensatz besteht aus insgesamt 12 Chromititen, 11 ultrabasischen Gesteinen, 4 basischen Gesteinen, 5 rodingitierten basischen Gesteinen und 26 basischen Vulkangesteinen. Alle Proben wurden in ophiolitischen und vulkanischen Gesteinsaufschlüssen in den zentralen und nördlichen Teilen Griechenlands gesammelt. Chromitite wurden aus verlassenen Bergbaustandorten in den folgenden Gebieten gesammelt: Moschokarya, Eretreia, Aetorraches und Skoumtsa.

Eine umfassende Beschreibung der Probenahmeorte sowie eine detaillierte makroskopische, mikroskopische und chemische Charakterisierung der Proben finden Sie im unveröffentlichten Datensatz des Erstautors37. Der Trennungs- und Extraktionsprozess der erneut untersuchten PGM-Konzentrate sowie Methoden und Werte zur Methanextraktion sind in früheren Arbeiten angegeben7,17. Für weitere Informationen wenden Sie sich bitte an den Erstautor. Die chemischen Analysen des gesamten Gesteins bestimmten die Konzentrationen von 55 Elementen und CH4. Die analysierten Elemente/Oxide sind Au, Ba, CaO, Ce, Co, Cr, Cs, Cu, Dy, Er, Eu, Fe2O3(T), Ga, Gd, Ge, Hf, Ho, Ir, K2O, La, Lu , MgO, MnO, Na2O, Nb, Ni, Os, P2O5, Pd, Pr, Pt, Rb, Rh, Ru, S, Sb, Sc, SiO2, Sm, Sr, Ta, Tb, Th, TiO2, Tm, U , V, W, Y, Yb, Zn, Zr.

Wir haben transformierte geochemische Daten mit zentriertem Log-Verhältnis (clr) verwendet, um eine statistische Analyse in 58 Proben durchzuführen. Werte unterhalb der Nachweisgrenze werden durch die Hälfte des Grenzwerts ersetzt, während fehlende Werte anhand des Medianwerts für jede Gesteinsart imputiert werden. Eine Datentransformation ist erforderlich, da geochemische Daten zusammengesetzt sind und anfällig für falsche Korrelationen sind38. CoDa Pack app39 wurde verwendet, um die clr-Transformationen durchzuführen (Ergänzungstabelle 12). Eine ANOVA wurde durchgeführt, um Unterschiede zwischen den Gesteinsarten und der Methankonzentration festzustellen. Korrelationen zwischen der Methankonzentration und der gesamten Gesteinszusammensetzung wurden durchgeführt, um zu identifizieren, welche Elemente signifikante positive Korrelationen mit Methan als Kandidaten für den Katalysator-Proxy aufweisen. Trotz der Datentransformation weisen mehrere Elemente weiterhin Ausreißer auf. Daher wurden die nichtparametrischen Korrelationen (Spearmans r) der transformierten Daten bevorzugt, um Verzerrungen zu vermeiden. Dennoch wurde Pearsons r zu Vergleichszwecken berechnet und zeigte nahezu identische Ergebnisse. Während die clr-Transformation mehrere Vorteile bietet (z. B. die Darstellung der Daten im euklidischen Raum und eine intuitivere Interpretation der Ergebnisse), öffnet sie die Daten nicht für unabhängige Variationen von Variablen; Daher sind Kollinearitätsprobleme nicht gelöst. Die Regression ist ein notwendiger Schritt, um festzustellen, ob die positiv korrelierten Elemente einen Einfluss auf die gemessene Methanmenge haben. Post-hoc-Tests zu linearen Regressionsbemühungen zeigten jedoch Kollinearitätsprobleme und Modellverzerrungen. Daher haben wir eine Kombination aus maschinellen Lerntechniken für die nicht transformierten Daten eingesetzt, um solche Probleme zu überwinden und unseren Datensatz zu untersuchen.

Der RF-Regressionsalgorithmus40 ist ein überwachter Algorithmus für maschinelles Lernen, der Ensembles von Regressionsbäumen verwendet, die zur Vorhersage erstellt wurden, und dabei eine zufällige Anzahl von Merkmalen verwendet. Die erneut abgetasteten Daten werden hierarchisch von der Wurzel bis zum Blatt des Baums organisiert, um die Varianz durch Mittelung und Korrelation zwischen Mengen zu verringern. Random Forest wird gewählt, weil es robust gegenüber fehlenden und unausgeglichenen Daten ist und komplexe Beziehungen erfassen kann41. Darüber hinaus ist es nicht multivariat-kollinearitätsempfindlich und kann eine große Anzahl von Funktionen verarbeiten (siehe auch Ergänzende Anmerkungen 1 und 2).

Um die wichtigen Merkmale zu identifizieren, die zur Vorhersageleistung von Methan beigetragen haben, haben wir das RF-Regressionsmodell wie folgt entwickelt und bewertet. Wir haben dieses Experiment mit der Caret-R-Bibliothek42 implementiert. Das RFR-Experiment wird 30 Mal wiederholt. Für jeden Lauf haben wir die Ränge der Variablen mithilfe der varImp-Funktion extrahiert und sie über die Läufe summiert. Wir haben die Top-20-Features basierend auf der summierten Rangfolge der Features in den 30 Durchläufen extrahiert. Der gemeldete Zug R2 wird von der Funktion getTrainPerf aus dem Caret-Paket von R und der Test R2 von der Funktion postResample abgerufen. Die Daten werden in 80 % Zugsatz und 20 % Testsatz aufgeteilt. Auf den Zugsatz wurde eine zehnfache Kreuzvalidierungstechnik (CV) angewendet, die über 300 Mal wiederholt wurde. Wir haben es über 100, 200, 400 Mal mit Zufalls-, Weglassungs-Einzel-CV, 3- und Fünffach-CV versucht, und solche Einstellungen lieferten weniger günstige Ergebnisse. Wir haben die Parameter mithilfe des Validierungssatzes von CV optimiert und einen Ntree von 500 bis 2000 untersucht. und mtry von 1 bis 20. Die am besten abgestimmten Parameter wurden gefunden, indem 600 Bäume im Wald (ntree) und 1 Variable an jedem Knoten (mtry) verwendet wurden, wobei sowohl Trainings- als auch Testleistungsmetriken untersucht wurden. Mithilfe der Summe der Rangfolge wichtiger Merkmale, die mithilfe der Varimp-Funktion für die 30 Modelle generiert wurde, haben wir die endgültige Rangfolge der 14 wichtigsten Merkmale ermittelt. Der letzte Schritt stellte sicher, dass innerhalb dieser 30 Durchläufe konsistent dieselben wichtigen Merkmale identifiziert wurden. Wir haben die Top-Feature-Untergruppen unterschieden, indem wir die Summe der Rangfolge gegen die durchschnittliche Position aufgetragen haben und die Änderung der durchschnittlichen Rangposition als Fehlerbalken verwendet haben. Anhand der in den Parzellen beobachteten natürlichen Brüche haben wir die folgenden Top-Merkmale erkannt (Abb. 4): Top 2 (Ir + Ru), Top 3 (Top 2 + Cr), Top 4 (Top 3 + SiO2), Top 7 ( Top 4 + Zn, Ge, Al2O3), Top 12 Merkmale (Top 7 + Au, Co, Pt, Os, Rh), Top 14 Merkmale (Top 12 + W, Fe2O3). Obwohl es eine Trennung zwischen Iridium und Ruthenium gibt, wäre die t-SNE-Auftragung von nur zwei Variablen (Ir + CH4) nicht aussagekräftig.

Ergebnisse der zufälligen Waldregression. (A) Vorhergesagte und tatsächliche CH4-Werte während des Trainings, (B) Vorhergesagte und tatsächliche CH4-Werte während des Tests, (C) Rangliste der Top 14 Funktionen, (D) Rangliste aller Funktionen.

Als zusätzliches visuelles Bewertungstool verwendeten wir t-SNE-Diagramme (t-distributed Stochastic Neighbor Embedding). Wir verwendeten diese Diagramme zur Kreuzvalidierung, ob die identifizierten wichtigen Merkmale für die Methanvorhersage zur Clusterbildung beitragen, wobei jeder Cluster die Methankonzentrationsklasse widerspiegelt.

Das t-verteilte Stochastic Neighbor Embedding (t-SNE) ist ein multivariater Dimensionsreduktionsalgorithmus16. Es stellt eine Ähnlichkeit in der Wahrscheinlichkeitsverteilung dar, sodass ähnliche Objekte einen höheren Wahrscheinlichkeitswert erhalten. Daher können verborgene Strukturen in Daten in vielen verschiedenen Maßstäben aufgedeckt werden. Die Fähigkeit von t-SNE, kleinere Datenstrukturen aufzudecken, war Anlass für seinen Einsatz, da abstandsbasierte Methoden wie PCA die Variation zwischen den methanhaltigen Chromititen am effizientesten darstellen. Aufgrund der Natur von t-SNE, die Wahrscheinlichkeitsverteilung ähnlicher Objekte als Nähe auszudrücken, kann der Verzicht auf distanzbasierte Ansätze sowohl die lokale als auch die globale Struktur bewahren. Werte höherer Größenordnung überschatten nicht die Ähnlichkeit, die hier zwischen Stichproben mit kleineren Bereichen zum Ausdruck kommt. Darüber hinaus kann t-SNE im Gegensatz zur PCA nichtlineare Beziehungen verarbeiten, die den Großteil der aus natürlichen Proben stammenden Daten widerspiegeln. Darüber hinaus ermöglicht die Clusterung der Daten im Gegensatz zu einer PCA eine intuitive Interpretation des Diagramms.

Der Perplexitätsparameter ermöglicht es dem Benutzer, die Anzahl der Nachbarn zu steuern. Wir verwenden das Rtsne R-Paket43 für unskalierte Daten. Wir setzen max_iter auf 6000, wo das t-SNE-Diagramm konvergiert ist. Aufgrund der stochastischen Natur dieses Algorithmus haben wir verschiedene Perplexitätswerte von 2 bis 19 untersucht, um das Diagramm mit der robustesten Gruppierung zu identifizieren (ergänzende Abbildung 1). Wir haben die t-SNE-Darstellung fünfmal wiederholt, um die Wiederholbarkeit der Darstellung mit der ausgewählten Perplexität sicherzustellen.

Modellbasiertes Clustering mit Bayesian Information Criterion (mBIC) erstellt Cluster verschiedener Gaußscher Mischungsmodelle in Bezug auf Form, Volumen und Dichte mithilfe eines EM-Algorithmus (Expected-Maximization), der durch hierarchisches Clustering initialisiert wird. Anschließend wird der BIC verwendet, um die Güte der von diesen Modellen identifizierten Cluster zu bewerten. Das mclust R-Paket44 stellt mclustBIC und Mclust bereit, um Cluster zu erstellen und denjenigen mit dem besten BIC-Score zu finden. In dieser Arbeit wurde modellbasiertes Clustering gewählt, da es sich um einen nicht entfernungsbasierten Clustering-Algorithmus handelt. Wir haben distanzbasierte Techniken wie k-means und hierarchisches Clustering ausprobiert, aber die erzeugten Cluster waren nicht aussagekräftig. Mit mBIC basieren die generierten Clustermitgliedschaften auf Wahrscheinlichkeitsverteilungen. Wir haben festgestellt, dass ein verteilungsbasierter Ansatz für diesen Datensatz besser geeignet ist. Die Anzahl der Komponenten (Gruppen) wurde auf 5 festgelegt, da es sich um die gleiche Anzahl an CH4-Ebenen handelt, wie in Tabelle 1 gezeigt. Das beste gefundene Modell war das EEV-Modell (ellipsoid, gleiches Volumen und gleiche Form) mit einem BIC-Wert von − 726,96. Die Assoziation dieser Cluster mit CH4-Gehalten und Lithotyp wird mithilfe der Assocstats-Funktion aus dem vcd R-Paket45 gemessen und in der Ergänzungstabelle 10 dargestellt. Bei Verwendung der Top-3-Funktionen konnte mBIC keine 5 Cluster finden und generierte stattdessen 4 Cluster.

Wir führten Mikrosondenanalysen an PGM-Konzentratfraktionen zur Mineralcharakterisierung und -klassifizierung durch (Ergänzungstabelle 12). Mikrosondenanalysen des PGM wurden im Department of Earth and Planetary Sciences der McGill University, Kanada, mit einem JXA JEOL-8900L Elektronenmikrosondenanalysator im WDS-Modus durchgeführt. Zu den Betriebsbedingungen gehören eine Beschleunigungsspannung von 15 kV und ein Strahlstrom von 20 nA, mit einem Strahldurchmesser von etwa 5 mm und einer Gesamtzählzeit von 20 s. Es wurde die ZAF-Korrektursoftware verwendet und für die Kalibrierungen wurden natürliche und synthetische internationale Standards verwendet.

Der Datensatz und zusätzliche Erläuterungen sind in den Zusatzdateien verfügbar.

Der für die Durchführung von Random Forest, t-SNE und mBIC verwendete R-Code ist unter https://github.com/dtclai/sabatier-catalyst-detection verfügbar.

Nie, X., Li, W., Jiang, X., Guo, X. & Song, C. Jüngste Fortschritte bei der katalytischen CO2-Hydrierung zu Alkoholen und Kohlenwasserstoffen. Adv. Katal. 65, 121–233 (2019).

CAS Google Scholar

Debbarma, J. & Choi, Y. Eine Taxonomie grüner Governance: eine qualitative und quantitative Analyse für eine nachhaltige Entwicklung. Aufrechterhalten. Städte Soc. 79, 103693 (2022).

Artikel Google Scholar

Zhang, D. & Kong, Q. Umstellung auf grüne Energie und nachhaltige Entwicklung von Energieunternehmen: eine Bewertung der Politik für erneuerbare Energien. Energiewirtschaft. 111, 106060 (2022).

Artikel Google Scholar

Li, J., Song, G., Cai, M., Bian, J. & Sani Mohammed, B. Grüne Umwelt und Kreislaufwirtschaft: eine Analyse auf dem neuesten Stand der Technik. Aufrechterhalten. Energietechnologie. Bewerten. 52, 102106 (2022).

Google Scholar

Stangeland, K., Kalai, D., Li, H. & Yu, Z. CO2-Methanisierung: die Wirkung von Katalysatoren und Reaktionsbedingungen. Energieverfahren. 105, 2022–2027 (2017).

Artikel CAS Google Scholar

Abe, T., Tanizawa, M., Watanabe, K. & Taguchi, A. CO2-Methanisierungseigenschaft von mit Ru-Nanopartikeln beladenem TiO2, hergestellt durch ein Polygonal-Barrel-Sputtering-Verfahren. Energieumwelt. Wissenschaft. 2, 315–321 (2009).

Artikel CAS Google Scholar

Etiope, G. et al. Weit verbreitetes abiotisches Methan in Chromititen. Wissenschaft. Rep. 8, 8728 (2018).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Ruiz, P. et al. Abiotische Umwandlung von H2 und CO2 in Methan auf einem natürlichen Chromititgestein. ACS Erde Weltraum Chem. 5, 1695–1708 (2021).

Artikel ADS CAS Google Scholar

Ifandi, E. & Tsikouras, B. Vorläufige Beweise für Gas-Gesteinsreaktionen in Chromititen aus dem Othrys-Ophiolith, Griechenland. in Abstract Book, 2. Internationaler Kongress für Geowissenschaften in Südostasien, 18.–20. November 134 (2019).

Etiope, G. & Ionescu, A. Katalytische CO2-Hydrierung bei niedriger Temperatur mit geologischen Mengen an Ruthenium: eine mögliche abiotische CH4-Quelle in chromititreichen serpentinisierten Gesteinen. Geofluids 15, 438–452 (2015).

Artikel CAS Google Scholar

Auge, T. & Legendre, O. Platingruppenelementoxide aus der ophiolitischen Mineralisierung von Pirogues, Neukaledonien: Ursprung und Bedeutung. Wirtschaft. Geol. 89, 1454–1468 (1994).

Artikel CAS Google Scholar

Garuti, G., Zaccarini, F. & Economou-Eliopoulos, M. Paragenese und Zusammensetzung von Laurit aus Chromititen von Othrys (Griechenland): Auswirkungen auf die Os-Ru-Fraktionierung im ophiolitischen oberen Mantel der Balkanhalbinsel. Bergmann. Einlagen. 34, 312–319 (1999).

Artikel ADS CAS Google Scholar

González-Jiménez, JM et al. Chromitite in Ophiolithen: Wie, wo, wann, warum?. Teil IA – Rückblick und neue Ideen zur Herkunft und Bedeutung von Mineralien der Platingruppe. Lithos 189, 127–139 (2014).

Artikel ADS Google Scholar

Aitchison, J. Ein prägnanter Leitfaden zur Analyse kompositorischer Daten. CDA Workshop Girona 24, 73–81 (2002).

Google Scholar

Egozcue, JJ, Pawlowsky-Glahn, V., Mateu-Figueras, G. & Barceló-Vidal, C. Isometrische Logverhältnistransformationen für die Analyse kompositorischer Daten. Mathematik. Geol. 35, 279-300 (2003).

Artikel MathSciNet MATH Google Scholar

van der Maaten, L. & Hinton, G. Visualisieren von Daten mit t-{SNE}. J. Mach. Lernen. Res. 9, 2579–2605 (2008).

MATH Google Scholar

Tsikouras, B., Ifandi, E., Karipi, S., Grammatikopoulos, TA & Hatzipanagiotou, K. Untersuchung von Platingruppenmineralien (PGM) aus Othrys-Chromititen (Griechenland) unter Verwendung von Superpanning-Konzentraten. Mineralien 6, 94 (2016).

Artikel ADS Google Scholar

González-Jiménez, JM, Gervilla, F., Kerestedjian, T. & Proenza, JA Alteration von Mineralgruppen der Platingruppe und unedler Metalle in Ophiolith-Chromititen aus dem Dobromirtsi-Massiv, Rhodopen (Bulgarien). Ressource. Geol. 60, 315–334 (2010).

Artikel Google Scholar

Proenza, JA et al. Zusammensetzung und Texturen von Chromit und Mineralien der Platingruppe in Chromititen des westlichen Ophiolitgürtels aus den Pampean Ranges von Córdoba, Argentinien. Erzgeol. Rev. 33, 32–48 (2008).

Artikel Google Scholar

Zaccarini, F., Proenza, JA, Ortega-Gutiérrez, F. & Garuti, G. Mineralien der Platingruppe in ophiolithischen Chromititen aus Tehuitzingo (Acatlán-Komplex, Südmexiko): Auswirkungen auf die postmagmatische Modifikation. Mineral. Benzin. 84, 147–168 (2005).

Artikel ADS CAS Google Scholar

Klein, F., Bach, W. & McCollom, TM Zusammensetzungskontrollen der Wasserstofferzeugung während der Serpentinisierung ultramafischer Gesteine. Lithos 178, 55–69 (2013).

Artikel ADS CAS Google Scholar

Chamberlain, JA, McLeod, CR, Traill, RJ & Lachance, GR Einheimische Metalle in der Moschusochsen-Intrusion. Dürfen. J. Earth Sci. 2, 188–215 (1965).

Artikel ADS CAS Google Scholar

Frost, BR Zur Stabilität von Sulfiden, Oxiden und nativen Metallen in Serpentinit. J. Benzin. 26, 31–63 (1985).

Artikel ADS CAS Google Scholar

Foustoukos, DI, Bizimis, M., Frisby, C. & Shirey, SB Redoxkontrollen der Ni-Fe-PGE-Mineralisierung und Re/Os-Fraktionierung während der Serpentinisierung von Tiefseeperidotit. Geochim. Kosmochim. Acta 150, 11–25 (2015).

Artikel ADS CAS Google Scholar

Klein, F. & Bach, W. Fe-Ni-Co-O-S-Phasenbeziehungen in Peridotit-Meerwasser-Wechselwirkungen. J. Benzin. 50, 37–59 (2009).

Artikel ADS CAS Google Scholar

Zaccarini, F. et al. Tsikourasit, Mo3Ni2P1+x (X < 0,25), ein neues Phosphid aus dem Chromitit des Othrys-Ophioliths Griechenland. Mineralien 9, 1–12 (2019).

Artikel Google Scholar

Bindi, L. et al. NiVP, ein neues Phosphid aus dem Chromitit des Othrys-Ophioliths, Griechenland. Mineralien 10, 1–12 (2020).

ADS Google Scholar

Ifandi, E. et al. Erste Vorkommen von Ni-V-Co-Phosphiden in Chromitit aus der Agios Stefanos-Mine, Othrys Ophiolith Griechenland. Ofioliti 43, 131–145 (2018).

Google Scholar

Bindi, L. et al. Eliopoulosit, V7S8, ein neues Sulfid aus dem podiformen Chromitit des Othrys-Ophiolithen Griechenland. Mineralien 10, 1–13 (2020).

ADS Google Scholar

Bindi, L. et al. Podiformer Chromitit des Othrys-Ophioliths, Griechenland. 846, 1–13.

Zaccarini, F. et al. Vorkommen neuer Phosphide und Sulfide von Ni Co, V und Mo aus Chromitit des Othrys-Ophiolith-Komplexes (Zentral). Zeitraum. Mineral. 4, 29–43 (2019).

Google Scholar

Fan, WK & Tahir, M. Aktuelle Trends bei der Entwicklung aktiver Metalle und heterogener Materialien für die katalytische CO2-Hydrierung zu erneuerbarem Methan: ein Überblick. J. Umgebung. Chem. Ing. 9, 105460 (2021).

Artikel CAS Google Scholar

Shao, S., Cui, C., Tang, Z. & Li, G. Jüngste Fortschritte bei metallorganischen Gerüsten für die katalytische CO2-Hydrierung zu verschiedenen Produkten. Nano Res. https://doi.org/10.1007/s12274-022-4576-z (2022).

Artikel Google Scholar

Ja, RP et al. CO2-Hydrierung zu hochwertigen Produkten mittels heterogener Katalyse. Nat. Komm. 10, 5698 (2019).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Sanz-Navarro, S. et al. Teile pro Million Ruthenium katalysieren die selektive Kettenlaufreaktion terminaler Alkene. Nat. Komm. 13, 2831 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Ludwig, JR & Schindler, CS Catalyst: Nachhaltige Katalyse.

Yfanti, E. Petrologische Faktoren, die die abiotische Methanbildung in mafisch-ultramafischen Gesteinen steuern. (2020).

Pawlowsky-glahn, V. & Egozcue, JJ Erkunden von Kompositionsdaten mit der 1 Einleitung 2 einem Kompositionsdatensatz. Österreichischer J. Statist. 40, 103–113 (2011).

Google Scholar

Comas-Cufí, M. & Thió-Henestrosa, S. CoDaPack 2.0: eine eigenständige, plattformübergreifende Kompositionssoftware. in CoDaWork'11: 4. Internationaler Workshop zur Analyse von Kompositionsdaten (Hrsg. Egozcue, JJ, Tolosana-Delgado, R. & Ortego, MI) (2011).

Breiman, L., Friedman, JH, Olshen, RA & Stone, CJ Klassifizierungs- und Regressionsbäume. Klassifizierungs- und Regressionsbäume 1–358 https://doi.org/10.1201/9781315139470. (2017).

Negussie, E. et al. Integration heterogener länderübergreifender Daten für eine Proxy-basierte zufällige Waldvorhersage von enterischem Methan bei Milchvieh. J. Dairy Sci. 105, 5124–5140 (2022).

Artikel CAS PubMed Google Scholar

Kuhn, M. Erstellen von Vorhersagemodellen in R mithilfe des Caret-Pakets. J. Stat. Softw. 28, 1–26 (2008).

Artikel Google Scholar

Krijthe, JH Rtsne: T-verteilte stochastische Nachbareinbettung unter Verwendung der Barnes-Hut-Implementierung. R-Paketversion 0.13 (2015).

Scrucca, L., Fop, M., Murphy, TB & Raftery, AE Mclust 5: Clusterbildung, Klassifizierung und Dichteschätzung unter Verwendung von Gaußschen Modellen endlicher Mischungen. RJ 8, 289–317 (2016).

Artikel PubMed PubMed Central Google Scholar

Meyer, D., Zeilis, A., Hornik, K., Gerber, F. & Friendly, M. Paket „vcd“. Vorabdruck bei (2022).

Referenzen herunterladen

Die Autoren danken Herrn Nikolaos Tsikouras herzlich für den Vorschlag zur Verwendung der Random-Forest-Regression und für die konstruktiven Diskussionen während der persönlichen Kommunikation. Wir danken Dr. Giuseppe Etiope für die fruchtbaren Diskussionen über den Ursprung des abiotischen Methans und für seinen Beitrag zur Erteilung der Genehmigung von Petrobras zur Veröffentlichung der chemischen Analysen des gesamten Gesteins. Die Autoren danken Dr. Sofia Karipi für ihre Unterstützung bei der Probenahme und Herrn Mohammad Yameany bin Hj Rosli für seine Unterstützung während der SEM-Operation in UBD. BT dankt UBD für den finanziellen Beitrag zu den Forschungs- und Veröffentlichungskosten. Ein Teil dieser Arbeit wurde während des Doktoratsstudiums über EI durchgeführt, und wir danken der Mentzelopoulos-Stiftung für die finanzielle Unterstützung für die Jahre (2013–2015) herzlich.

Die Universiti Brunei Darussalam (UBD) hat diese Forschung teilweise im Rahmen des „University Research Grant: UBD/PNC2/2/RG/1(314)“ gesponsert. Die Open-Access-Finanzierung wurde durch den freundlichen Beitrag des Büros des stellvertretenden Vizekanzlers (Forschung) der Universiti Brunei Darussalam ermöglicht. Die Kosten für die Gesamtgesteinsanalysen dieser Forschung wurden von „Petrobras/CENPES, Fördernummer: 0050.0089799.14.2) übernommen und werden unter deren Genehmigung veröffentlicht.

Geowissenschaftliches Programm, Fakultät für Naturwissenschaften, Universiti Brunei Darussalam, Gadong, BE1410, Brunei Darussalam

Elena Ifandi & Basilios Tsikouras

School of Digital Science, Universität Brunei Darussalam, Gadong, BE1410, Brunei Darussalam

Daphne Teck Ching Lai

Abteilung für Geologie, Universität Patras, 26504, Rio-Patras, Griechenland

Stavros Kalaitzidis

Fakultät für integrierte Technologien, Universität Brunei Darussalam, Jalan Tungku Link, BE1410, Brunei Darussalam

Muhammad Saifullah Abu Bakr

SGS Canada Inc., 185 Concession Street, Lakefield, ON, K0L 2H0, Kanada

Tassos Grammatikopoulos

Fortescue Metals Group Ltd., 87 Adelaide Terrace, East Perth, WA, 6004, Australien

Chun Kit Lai

Sie können diesen Autor auch in PubMed Google Scholar suchen

EI und BT konzipierten die Forschung und EI und DL entwickelten die Methodik. DL führte die Codierung für maschinelles Lernen durch. Die mineralogischen und geochemischen Analysen wurden von EI, BT und TG durchgeführt und verarbeitet. Das Schreiben und die Vorbereitung des ursprünglichen Entwurfs wurden von EI, SK, MSAB, DL und BT durchgeführt, während TG und CKL zur Überprüfung und Interpretation der mineralogischen und geochemischen Analysen beitrugen bzw. Gasanalysedaten. Alle Autoren trugen zum Verfassen des Manuskripts und zur Interpretation der Ergebnisse bei. Alle Autoren haben die endgültige Fassung des Manuskripts gelesen und ihr zugestimmt.

Korrespondenz mit Elena Ifandi.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Ifandi, E., Lai, DTC, Kalaitzidis, S. et al. Erkennung von Edelmetallkatalysatoren in Gesteinen mithilfe maschinellen Lernens: Die Zukunft kostengünstiger, umweltfreundlicher Energiematerialien? Sci Rep 13, 3765 (2023). https://doi.org/10.1038/s41598-023-30822-6

Zitat herunterladen

Eingegangen: 01. November 2022

Angenommen: 02. März 2023

Veröffentlicht: 07. März 2023

DOI: https://doi.org/10.1038/s41598-023-30822-6

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.