框架组成和NH3对Cu+在Cu-CHA催化剂中的扩散的影响,由机器学习加速分子动力学预测
Reisel Millan1,2, Estefanía Bello-Jurado2, Manuel Moliner2
1Department of Materials Science and Engineering, Massachusetts Institute of Technology, Cambridge, Massachusetts 02139, United States.
ACS central science
|November 30, 2023
概括
机器学习潜力使铜交换热石的大规模模拟成为可能,揭示了配对和氨度影响铜离子的移动性. 这一发现对于优化 NOx 选择性催化降解等反应中的催化剂至关重要.
科学领域:
- 材料科学 材料科学 材料科学
- 催化剂是一种催化剂.
- 计算化学计算化学
背景情况:
- 铜交换的热石是重要的催化剂,其活性取决于移动的Cu+.
- 了解框架构成在离子运输中的作用是有限的.
- 最初的分子动力学是有洞察力的,但对于大规模的计算来说很昂贵.
研究的目的:
- 开发一种机器学习的原子间潜力,用于模拟Cu-zeolite系统.
- 研究框架构成和条件对Cu+流动性的影响.
- 阐明影响Cu+复合物的近距离发生催化作用的因素.
主要方法:
- 开发和验证了一种机器学习的原子间潜力,与初始结果对比.
- 在大型超级细胞上进行了多纳秒分子动力学模拟.
- 利用有偏见和无偏见的模拟技术来研究离子运输.
主要成果:
- 机器学习潜力准确地重现了初始数据,并允许进行大规模模拟.
- 在八个环中的配对加速了当地的Cu+跳跃.
- 氨度的增加增强了远程Cu+扩散.
- +复合体在子中共存的概率随着和含量增加而增加,独立于远程移动性.
结论:
- 机器学习潜力提供了一个计算效率高的途径来研究复杂的石系统.
- 框架成分和氨度是Cu+流动性和聚类的关键调节因素.
- 这些发现为优化Cu-zeolite催化剂用于SCR-NOx等反应提供了原子学的见解.
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
12:05Preparation of Hydrophobic Metal-Organic Frameworks via Plasma Enhanced Chemical Vapor Deposition of Perfluoroalkanes for the Removal of Ammonia
Published on: October 10, 2013
15.5K
