机器学习提升了CuCo纳米固体溶液合金的透工程合成,用于近100%的酸盐-氨选择性
Yao Hu1, Bo Hu2, Haihui Lan3
1Key Laboratory of Synthetic and Biological Colloids, Ministry of Education, School of Chemical and Material Engineering, Jiangnan University, 214122 Jiangsu, China.
ACS applied materials & interfaces
|December 28, 2024
概括
本研究介绍了一种工程铜 (CuCo) 合金,用于高效的氨合成. 这种新型合金表现出高稳定性和性能,克服了合成不同金属合金的挑战.
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.
- 化学工程是化学工程的重要组成部分.
背景情况:
- 纳米级固体溶液合金对于催化,储能和传感器至关重要.
- 合成具有不同元素的合金是具有挑战性的,因为原子大小,点和化学亲和力的差异.
- 数据驱动的方法可以增强合金合成的实验参数优化.
研究的目的:
- 开发一个稳定的,纳米铜- (CuCo) 固溶液合金.
- 用数据驱动方法提高合金合成实验参数优化的效率.
- 研究CuCo合金在氨生产中的催化性能和协同机制.
主要方法:
- 使用数据驱动的方法,采用样本平衡和多层感知子 (MLP) 算法.
- 开发了CuCo固体溶液合金的工程合成策略.
- 在现场使用拉曼光谱和密度函数理论 (DFT) 计算来研究机制.
主要成果:
- 实现了近100%的法拉第效率 (FE) 和232.17毫克h-1毫克-1的高氨生产率在-0.425V (vs RHE).
- 证明了催化剂稳定性,超过80%的FE和>170毫克h-1毫克-1氨产量超过120小时.
- 铜和之间的协同电子和能量相互作用得到证实.
结论:
- 通过工程设计的CuCo合金表现出对氨合成的特殊催化性能.
- 数据驱动的框架有效地优化了具有挑战性的合金合成的实验参数.
- 了解金属与金属的相互作用是设计先进的催化材料的关键.


