El marco de aprendizaje automático Pourbaix identifica catalizadores de oxidación de agua ácida que exhiben...

Área de la Ciencia:

• Ciencias de los materiales
• La electroquímica
• Química computacional

Sus antecedentes:

• La producción de hidrógeno verde se basa en catalizadores de reacción de evolución de oxígeno (OER, por sus siglas en inglés).
• El iridio, un componente crítico del catalizador OER, se enfrenta a problemas de suministro.
• El desarrollo de catalizadores OER libres de iridio estables y activos es crucial.

Objetivo del estudio:

• Identificar nuevos catalizadores de REA estables y activos utilizando un enfoque computacional asistido por aprendizaje automático.
• Para examinar una gran base de datos de óxidos metálicos mezclados en busca de posibles aplicaciones de REA.
• Para validar experimentalmente los candidatos al catalizador prometedores.

Principales métodos:

• La tubería de aprendizaje automático se entrenó en más de 36.000 óxidos metálicos mezclados para predecir la energía de descomposición de Pourbaix.
• Cribado de 2070 nuevos óxidos metálicos para su estabilidad en condiciones ácidas.
• Caracterización experimental de Ru$_{0.6}$Cr$_{0.2}$Ti$_{0.2}$O$_{2}$ incluyendo pruebas de sobrepotencialidad, durabilidad y espectroscopia in situ/ex situ.

Principales resultados:

• Se identificó a Ru$_{0.6}$Cr$_{0.2}$Ti$_{0.2}$O$_{2}$ como un candidato prometedor para el catalizador de REA.
• Se obtiene un exceso de potencial de 267 mV a 100 mA cm^{-2}$ con un funcionamiento sostenido durante > 200 h.
• Se ha demostrado una reducción de la disolución de Ru (20 ×) y una supresión de la participación de oxígeno en la celosía (> 60%) en comparación con RuO$_{2}$.

Conclusiones:

• El aprendizaje automático detecta eficazmente los catalizadores OER estables y activos.
• Ru$_{0.6}$Cr$_{0.2}$Ti$_{0.2}$O$_{2}$ ofrece una mayor actividad y durabilidad para la producción de hidrógeno verde.
• La incorporación de Ti mejora la estabilidad, mientras que Cr mejora la actividad catalítica.