Catálisis heterogénea centrada en los datos: identificación de las reglas y los genes de los materiales de la...

Área de la Ciencia:

• Catálisis y Ciencias de los Materiales
• Química computacional y inteligencia artificial

Sus antecedentes:

• La inteligencia artificial (IA) ofrece el potencial para acelerar el diseño de catalizadores mediante la identificación de parámetros físico-químicos clave relacionados con el rendimiento.
• Los métodos actuales de IA intensivos en datos se enfrentan a limitaciones debido a la escasez de datos experimentales de alta calidad requeridos para una IA eficiente en datos.
• Comprender la compleja interacción de los factores que rigen las reacciones catalíticas es crucial para el diseño de catalizadores eficientes.

Objetivo del estudio:

• Identificar los parámetros fisicoquímicos críticos y sus relaciones con el rendimiento catalítico en la catálisis heterogénea.
• Desarrollar un enfoque centrado en los datos para el diseño de catalizadores, superando las limitaciones de los requisitos de big data en IA.
• Establecer directrices para ajustar las propiedades del catalizador para lograr el rendimiento deseado en las reacciones de oxidación.

Principales métodos:

• Se emplearon rigurosos procedimientos experimentales para medir 55 parámetros fisicoquímicos y la reactividad catalítica de 12 catalizadores.
• Los catalizadores basados en vanadio o manganeso se probaron para las reacciones de oxidación de etano, propano y n-butano.
• Se aplicó el enfoque de regresión simbólica de selección de independencia segura y operador de dispersión (SIS-S) a un conjunto de datos consistente.

Principales resultados:

• Se identificaron relaciones no lineales de propiedad-función, revelando parámetros clave que rigen el rendimiento catalítico.
• El estudio destaca la importancia del transporte local, el aislamiento del sitio, la actividad redox superficial, la adsorción y la reestructuración dinámica.
• Los parámetros relevantes se derivaron de la adsorción de N2, la espectroscopia de fotoelectrones de rayos X (XPS) y el XPS in situ.

Conclusiones:

• El enfoque centrado en los datos identificó con éxito parámetros cruciales para el diseño de catalizadores, que actúan como "genes de materiales".
• Este método indica las técnicas de caracterización más relevantes para optimizar el rendimiento del catalizador.
• Los hallazgos proporcionan "reglas" aplicables para ajustar las propiedades del catalizador para mejorar la formación de olefinas y oxigenados.