Regulación de enlaces Ru-N asistida por aprendizaje automático para la síntesis de amoníaco

Área de la Ciencia:

• Ciencias de los materiales
• Catálisis
• Química computacional

Sus antecedentes:

• Los compuestos intermetálicos de rutenio (Ru-IMC) son prometedores para la catálisis de la síntesis de amoníaco.
• Existen desafíos en el diseño de catalizadores Ru-IMC debido al comportamiento de fase complejo y numerosos parámetros.

Objetivo del estudio:

• Aprovechar el aprendizaje automático (ML) y la minería de modelos para un diseño eficiente de catalizadores Ru-IMC.
• Identificar los descriptores clave para optimizar la actividad de síntesis de amoníaco.

Principales métodos:

• Aprendizaje automático combinado y técnicas de minería de modelos.
• Generó un gráfico de actividad volcánica en 2D basado en las energías de adsorción N2 y N.
• Se emplean cálculos de la teoría funcional de la densidad (DFT), la desorción programada a temperatura N2 (TPD) y la espectroscopia infrarroja de la transformación de Fourier (FT-IR).

Principales resultados:

• Identificó el radio del átomo coordinador al rutenio como un parámetro crítico para el rendimiento del catalizador.
• Se ha desarrollado un catalizador altamente activo, Sc1/8Nd7/8Ru2, que alcanza 8,18 mmol m-2 h-1 a 0,1 MPa y 400 °C.
• Se reveló que la interacción Ru-N está gobernada por la hibridación orbital d-p.

Conclusiones:

• El aprendizaje automático ayuda significativamente en la exploración y el diseño de compuestos intermetálicos para la síntesis de amoníaco.
• Los hallazgos destacan el potencial del descubrimiento de materiales guiados por ML para aplicaciones catalíticas.