深度学习分子动力学模拟揭示油页岩干酪根热解复杂反应机制

为解决油页岩干酪根热解机制研究中实验误差大、非平衡结构解析难的问题，研究人员结合13C-NMR/XPS/FT-IR实验与深度学习分子动力学(DeepMD-kit)，构建了含40,483个结构的干酪根热解数据库，首次开发出高精度KNN势能模型，揭示了原子尺度热解路径，为调控页岩油反应过程提供新范式。

　　

油页岩作为传统化石能源的重要补充，其核心有机质干酪根(Kerogen)的热解效率直接决定页岩油产量。然而，现有研究面临三重困境：实验层面，¹³C-NMR和XPS等仪器的峰解卷积受主观判断影响，导致分子结构解析偏差；数据层面，热解中间体捕获不完整，难以满足深度学习训练需求；计算层面，传统量子化学(DFT)精度高但速度慢，分子动力学(ReaxFF)速度快但精度低。如何突破这些瓶颈，成为计算化学与能源材料交叉领域的关键挑战。

针对上述问题，上海理工大学团队在《Journal of Analytical and Applied Pyrolysis》发表研究，创新性地将多尺度模拟与深度学习融合。研究首先通过¹³C-NMR确定碳骨架、XPS解析元素价态、原位FT-IR追踪键裂变过程，构建了Huadian干酪根分子模型。随后采用ReaxFF力场进行2000K高温热解模拟，生成40,483个非平衡结构，经B3LYP/3-21g*级别DFT计算筛选后，利用DeepMD-kit训练得到Kerogen专属的KNN势能模型。关键技术包括：基于mddatasetbuilder的轨迹处理、300-300-300神经元架构的深度神经网络、8?截断半径的原子环境描述符，以及融合能量/原子力的复合损失函数。

3.1 实验表征结果

¹³C-NMR显示干酪根以脂肪烃为主(77.32%)，20.52ppm处的硫甲基信号与XPS发现的噻吩(164.01eV)互为印证。原位FT-IR在270°C监测到2362cm^-1处C≡C键生成，证实烷烃脱氢反应。

3.3 模型性能

KNN势能模型的力预测MAE仅0.148eV/?，较传统ReaxFF提高3倍。模拟速度介于DFT与ReaxFF之间，100ps内即完成热解-结焦全过程，而ReaxFF仅达初始热解阶段。

3.4 原子尺度机制

氧迁移路径揭示三元杂环先脱氢后开环，最终形成CH₄；硫/氮原子通过[S H]中间体生成H₂S。碳骨架反应呈现双路径：长链断裂直接产气与自由C/H重组路径并存。

该研究开创性地建立了"实验-模拟-深度学习"三位一体的研究范式，其KNN模型克服了传统力场移植导致的精度损失问题。发现的脱氢主导机制为优化页岩油生产工艺提供理论依据，而开发的跨尺度数据库构建方法，更为复杂非平衡体系研究树立了新标准。未来通过算法升级与数据扩充，有望发展出普适性有机质热解力场。