Estabilización de Ru en aleaciones multicomponentes como catalizadores de evolución de oxígeno ácido con...

Área de la Ciencia:

• Ciencias de los materiales
• La electroquímica
• Catálisis

Sus antecedentes:

• El desarrollo de catalizadores activos, estables y rentables para la reacción de evolución del oxígeno ácido (OER) es esencial para la división electroquímica del agua y la producción de hidrógeno a gran escala.
• El rutenio (Ru) es un catalizador OER muy activo, pero sufre de mala durabilidad a largo plazo en medios ácidos.

Objetivo del estudio:

• Para estabilizar los sitios activos de rutenio dentro de una aleación multicomponente (Ru,Fe,Co,Ni) para mejorar la actividad y la durabilidad de OER.
• Investigar la formación de fase, el rendimiento de la OER y la reconstrucción superficial de estas aleaciones en condiciones ácidas de OER.

Principales métodos:

• Síntesis y caracterización de las aleaciones multicomponentes de Ru, Fe, Co, Ni.
• Pruebas electroquímicas para evaluar la actividad y la estabilidad del OER.
• Potencial interatómico aprendido por máquina (MLIP) junto con la dinámica molecular de intercambio de réplicas para modelar la mezcla atómica y el comportamiento de fase.
• Simulaciones de alto rendimiento aceleradas por el aprendizaje automático para examinar posibles aleaciones quinarias.

Principales resultados:

• El catalizador optimizado Ru_0.20 ((Ir,Fe,Co,Ni) _0.80 demostró una excelente actividad OER (~237 mV de sobrepotencial a 10 mA cm^-2) y una mayor estabilidad (~1.1 mV h^-1 tasa de degradación durante 24 h).
• La aleación exhibió una estructura multifase (fcc y hcp) con fases a granel bien mezcladas, apoyadas por simulaciones MLIP.
• Las condiciones ácidas de OER condujeron a la formación de una cáscara de óxido rica en RuIr, estabilizando Ru cerca de la superficie de las nanopartículas.

Conclusiones:

• La estabilización del rutenio en una matriz de aleación multicomponente mejora significativamente su actividad y durabilidad para el OER ácido.
• La aleación desarrollada presenta una estrategia prometedora para la producción de hidrógeno rentable y eficiente a través de la división del agua.
• Los enfoques de aprendizaje automático aceleran el descubrimiento y la optimización de materiales electrocatalizadores avanzados.