![Protein Film Infrared Electrochemistry Demonstrated for Study of H2 Oxidation by a [NiFe] Hydrogenase](/_next/image?url=https%3A%2F%2Fcloudfront.jove.com%2FCDNSource%2Fteasers%2F55858.jpg&w=3840&q=50)
电子沉积Ni-W膜在酸性介质中的进化反应和使用机器学习的性能优化
Roger de Paz-Castany1, Konrad Eiler1, Aliona Nicolenco2
1Physics Department, Universitat Autònoma de Barcelona, Campus de la UAB, 08193, Bellaterra, Cerdanyola del Vallès, Spain.
ChemSusChem
|October 21, 2024
概括
电子沉积的- (Ni-W) 合金薄膜显示出不同的演化反应 (HER) 活性,这是由于表面形态而不是组成. 机器学习优化了沉积,以获得卓越的HER性能.
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
- 表面科学是一门学科.
背景情况:
- - (Ni-W) 合金正在研究催化应用.
- 表面形态显著影响Ni-W薄膜的电催化活性.
- 优化电沉积参数对于提高材料性能至关重要.
研究的目的:
- 为了研究电沉积参数对Ni-W合金薄膜性能的影响.
- 为了将表面形态与演化反应 (HER) 活动相关联.
- 利用机器学习来预测最佳沉积条件以提高 HER 的性能.
主要方法:
- 在不同的电流密度和温度下从葡萄糖酸盐浴中取出Ni-W合金薄膜的电子沉积.
- 在硫酸中使用线性扫描电压测量 (LSV) 进行电化学表征.
- 应用机器学习算法来预测最佳沉积参数.
主要成果:
- Ni-W 薄膜 (~12 at.% W) 呈现出形态依赖的 HER 活性.
- 在 -4.8 mA/cm2 的电流密度和 50°C 达到最佳性能.
- 机器学习预测的条件产生了具有改进的Tafel斜率 (33-45mV/dec) 和低超电位 (0.09-0.10V) 的Ni-W薄膜.
结论:
- 表面形态是Ni-W合金薄膜HER活性的一个关键因素.
- 机器学习有效地预测最佳的电沉积参数,以提高催化性能.
- 优化的Ni-W薄膜在HER应用中表现出卓越的稳定性和效率.
