从发现到优化:通过实验和DFT验证的NH3传感材料的数据驱动开发.
Zhisheng Zhao1, Yiwei Jiang1, Wenhao Lin2
1State Key Laboratory of Clean Energy Utilization, State Environment Protection Engineering Center for Coal-Fired Air Pollution Control, Zhejiang University, Hangzhou 310027, China.
Journal of hazardous materials
|July 10, 2025
概括
一个新的机器学习框架加速了氨 (NH3) 气体传感器的发现. 这种方法确定了一种具有创纪录低的检测极限的新型装载二氧化 (SnO2) 传感器,改善了环境监测.
科学领域:
- 材料科学 材料科学 材料科学
- 环境科学 环境科学
- 化学工程是化学工程的重要组成部分.
背景情况:
- 氨 (NH3) 是一种危险的空气污染物,具有重要的农业和工业来源.
- NH3加剧雾形成,对人类健康构成风险,需要敏感监测.
- 目前的气体传感器开发效率低下,现有的机器学习 (ML) 方法缺乏实际重点.
研究的目的:
- 开发一个综合框架,加速发现NH3气体传感材料.
- 在实际的传感器开发中利用ML,文献挖掘,实验验证和DFT分析.
- 为了识别新的基于SnO2的NH3传感器,以提高性能.
主要方法:
- 使用堆叠ML模型来预测基于SnO2的材料的NH3传感性能.
- 文献挖掘和ML被结合在一起,以指导实验设计和参数选择.
- 密度函数理论 (DFT) 的计算被用来阐明传感机制.
- 实验验证证了ML预测和传感器性能.
主要成果:
- 堆叠模型在预测NH3传感方面取得了很高的准确性 (RMSE为0.389ppm-1和R2为0.874).
- 对于修饰剂,负载和温度的ML预测显示,与实验结果的偏差小于20%.
- 装有的SnO2被确定为一种新的NH3传感器,其检测极限为9.7ppb,创纪录的低.
- 据DFT揭示,通过电子状态再分配和增加电荷转移来增强NH3吸附.
结论:
- 综合框架有效地加速了气体传感材料的发现和开发.
- 装有的SnO2是高度敏感的NH3检测的有希望的材料.
- 这项研究提供了通过结合计算和实验方法来推进气体传感器技术的实际策略.
