对于二金属合金催化剂的高通量选和DFT特性,用于降解反应
Mehdi Shamekhi1,2, Arash Toghraei3, Daniel Guay2
1Department of Physics, Concordia University, Montreal, Quebec, Canada.
Physical chemistry chemical physics : PCCP
|July 8, 2025
概括
开发用于电化学降解反应 (NRR) 的新催化剂对于可持续的氨生产至关重要. 机器学习有效选双金属合金,识别具有增强催化活性和选择性的有希望的候选物.
科学领域:
- 材料科学 材料科学 材料科学
- 电化学 电化学 电化学
- 计算化学计算化学
背景情况:
- 电化学降解反应 (NRR) 为氨合成提供了一个可持续的途径.
- 积极和选择性电催化剂的开发对于高效的NRR至关重要.
研究的目的:
- 设计和选新的双金属合金,以提高NRR电催化活性和选择性.
- 利用机器学习加速发现NRR电催化剂.
主要方法:
- 密度函数理论 (DFT) 计算来生成合金数据集.
- 人工神经网络 (ANN) 训练使用电子d状态特征.
- 预测电化学的限制潜力和特征能量配置文件.
- 调查电荷转移和吸附能量的选择性分析.
主要成果:
- ANN准确地预测了约350种表面合金 (MAE为0.23 eV) 的限制潜力.
- Au@Au3Re和Au@Au3Mo被确定为有前途的NRR电催化剂.
- 通过电荷转移和修改的电子结构,允许增强的催化活性.
- 高的理论法拉达效率表明了对NRR的优秀选择性.
结论:
- 合金是一种有效的策略,可以提高NRR的过渡金属催化活性.
- 机器学习加速了用于电催化剂设计的双金属合金选.
- 这种方法降低了计算成本,并促进了电催化材料的发现.
更多相关视频
08:40Synthesis of Metal Nanoparticles Supported on Carbon Nanotube with Doped Co and N Atoms and its Catalytic Applications in Hydrogen Production
Published on: December 6, 2021
3.7K
10:19Synthesis and Testing of Supported Pt-Cu Solid Solution Nanoparticle Catalysts for Propane Dehydrogenation
Published on: July 18, 2017
12.1K
