使用快速X射线吸收光谱和机器学习解读氧化催化剂在氧化反应中的结构和化学转变

科学领域:

• 材料科学
• 电化学
• 催化剂

背景情况:

• 双金属过渡金属氧化物,特别是类似于螺旋体的CoFe_3-O₄,是性介质中氧化演化反应 (OER) 的有希望的电催化剂.
• 在这些复杂的催化剂中识别真正的活性位点及其状态是具有挑战性的,因为它们具有混合价值状态,多样化的化学环境和无形相.
• 传统的操作技术在反应条件下难以解决这些复杂性.

研究的目的:

• 克服OER期间Co_{Fe3-O4催化剂中活性物种和状态的局限性.}
• 阐明在激活和OER条件下发生的结构演变和阶段过渡.
• 将结构动态与催化活性相关联,以确定活性物种和机制.

主要方法:

• 运用快速X射线吸收细结构 (XAFS) 谱法在现场探测催化剂的演变.
• 使用无监督机器学习 (主要组件分析) 来分析X射线吸收近边结构 (XANES) 频谱.
• 使用监督机器学习 (人工神经网络) 来解释扩展的X射线吸收细结构 (EXAFS) 光谱.

主要成果:

• 机器学习方法成功追踪了四面体和八面体协调的金属物种的演变.
• 解的化学变化揭示了从无序氧化物到螺旋结构的相变,以及螺旋到活性氧化物.
• 在激活和OER过程中观察到旋转逆转度和表面变化.

结论:

• 该研究成功确定了活性物种,并阐明了Co_{Fe3-O4催化剂中的OER机制.}
• 运行XAFS和机器学习的结合为研究复杂的催化系统提供了强大的方法.
• 了解这些结构动态对于设计高效的OER电催化剂至关重要.