Acelerando el ritmo de la evolución del oxígeno Descubrimiento de catalizadores de reacción a través de...

Área de la Ciencia:

• Ciencias de los materiales
• La electroquímica
• Catálisis

Sus antecedentes:

• Los catalizadores de iridio (Ir) son críticos para la reacción de evolución del oxígeno (OER) en los electrolizadores de agua de membrana de intercambio de protones (PEMWEs).
• El alto costo, la escasez y las lentas tasas de descubrimiento de alternativas de IR dificultan la adopción generalizada de PEMWE.
• El vasto espacio de diseño para los catalizadores hace que la identificación de alternativas que no sean de IR sea un desafío.

Objetivo del estudio:

• Acelerar el descubrimiento de catalizadores no de iridio para la reacción de evolución del oxígeno ácido (OER).
• Explorar un enfoque de cribado de alto rendimiento utilizando una "megalibrería" de nanoestructuras.
• Identificar catalizadores alternativos prometedores para los electrolizadores de agua de membrana de intercambio de protones (PEMWE).

Principales métodos:

• Se sintetizó y examinó una "megalibrería" de aproximadamente 156 millones de nanoestructuras distintas compuestas de Ru, Co, Mn y Cr.
• Se seleccionaron más de 40 candidatos a óxido de RuCoMnCr, se amplió su escala y se evaluó su rendimiento catalítico.
• Se evaluó la correlación entre el cribado megabibliotecal y el rendimiento de la muestra macroscópica (r = 0,84).

Principales resultados:

• Un nuevo catalizador de óxido Ru52Co33Mn9Cr6 demostró una alta actividad para el OER.
• En un PEMWE, este catalizador alcanzó 1,58 V a 1 A/cm2 y 1,77 V a 3 A/cm2.
• El catalizador exhibió una excelente estabilidad, funcionando durante 1000 horas a 1 A/cm2 con un aumento mínimo de voltaje (57 μV/h).

Conclusiones:

• Este estudio presenta una estrategia exitosa para el descubrimiento rápido de catalizadores utilizando una plataforma de cribado de alto rendimiento.
• El catalizador de óxido de RuCoMnCr desarrollado es una alternativa prometedora y rentable al iridio para las PEME.
• La plataforma genera grandes conjuntos de datos para facilitar la IA y el aprendizaje automático en el diseño de catalizadores para la conversión de energía.