塑料污染现已成为全球面临的关键环境挑战之一。将废弃塑料催化裂解为高品质液态燃料或可用于合成新塑料的C5-C12烃类原料，是推动塑料循环经济的有效策略。分子筛由于其出色的固体酸性质和择形催化能力，在催化裂解废塑料以生产液态燃料方面展现了独特的优势。然而，全面理解这一催化转化过程，并根据不同废塑料来源设计匹配的分子筛及制定最优催化条件以提高产品产量与质量，仍然存在一定的挑战。
中国科学院城市环境研究所汪印研究团队借助机器学习算法，系统地研究了在分子筛催化废塑料热解过程中各因素对目标产物的重要性及其相互关系，并建立了一个基于机器学习的解释和逆向设计方案，可以有效筛选分子筛并优化工艺条件，从而提升油品的产量和质量。实验结果显示，在三种基于决策树的算法中，极限梯度提升模型在预测液态油和汽油（C5-C12）烃类产率方面表现最为优异（测试R²分别为0.85和0.87）。
通过机器学习的因素分析发现，塑料原料中的聚乙烯比例、反应温度、分子筛的比表面积以及硅铝比是影响产出最重要的四个因素，并深入讨论了它们对液态油和C5-C12烃类产率的影响。根据逆向设计理念指导的实验表明，经过分子筛筛选及同步优化转换工艺后，液态油品的产率达到了87.82%，甚至超过了模型预测的产量（计算误差为-7.93%）。这项研究表明，利用机器学习进行预测、分析及反向设计的方法，有助于深化对分子筛催化废塑料裂解过程的理解，并加速废塑料向高品质液态燃料的高效转化，促进可持续能源的发展。
相关研究成果以Zeolite-catalytic pyrolysis of waste plastics: Machine learning prediction, interpretation, and optimization为题发表在能源领域知名期刊Applied Energy上。特别研究助理李杰博士为论文第一作者，同时和汪印研究员为共同通讯作者。该研究得到中国科学院特别研究助理项目、煤燃烧国家重点实验室开放基金项目、厦门市留学人员科研项目等资助。
