机器学习辅助优化多金属氧化物电催化剂,用于整体水分解
Carina Yi Jing Lim1, Riko I Made1, Zi Hui Jonathan Khoo1,2
1Institute of Materials Research and Engineering (IMRE), Agency for Science, Technology and Research (A*STAR), 2 Fusionopolis Way, Innovis #08-03, Singapore 138634, Republic of Singapore.
Materials horizons
|August 30, 2023
概括
机器学习优化了地球上丰富的催化剂,通过水分裂生产绿色. 这种方法加速了有效和可扩展的电催化剂的开发,这对于替代化石燃料至关重要.
科学领域:
- 电化学 电化学 电化学
- 材料科学 材料科学 材料科学
- 催化剂是一种催化剂.
背景情况:
- 通过电化学水分的绿色生产是取代碳密集型燃料的关键.
- 广泛采用需要负担得起的,地球上丰富的催化剂.
- 目前的催化剂开发往往是耗时和劳动密集的.
研究的目的:
- 使用机器学习优化氧化基电催化剂的前体比率.
- 为了提高整体水分的电催化性能.
- 为了加速发现绿色的高效电催化剂.
主要方法:
- 利用在实验数据上训练的机器学习模型,特别是神经网络.
- 优化了氧化基电催化剂的前体比率.
- 描述了优化的催化剂 (酸盐间接的CoFe LDH) 并测试了其性能.
主要成果:
- 神经网络模型在两个代内有效地预测和最小化催化剂过量的潜力.
- 优化的 CoFe LDH 催化剂显示出低超电位 (266 mV OER, 272 mV HER 在 10 mA cm−2).
- 在性电解质中,在50个小时内对整体水分离表现出极好的稳定性.
结论:
- 与传统方法相比,机器学习显著加快了电催化剂优化.
- 开发的合成程序是可扩展的,适合工业实施.
- 优化的催化剂显示出经济高效的绿色生产的前景.
更多相关视频
10:52Multiscale Sampling of a Heterogeneous Water/Metal Catalyst Interface using Density Functional Theory and Force-Field Molecular Dynamics
Published on: April 12, 2019
12.8K
10:57Synthesis and Performance Characterizations of Transition Metal Single Atom Catalyst for Electrochemical CO2 Reduction
Published on: April 10, 2018
18.3K
