机器学习辅助的DFT选氧化二原子烯催化剂,用于降解反应
Xiulin Wang1,2, Suofu Nie1,2, Huichao Yao1,2
1CNOOC Key Laboratory of Liquefied Natural Gas and Low-Carbon Technology, Beijing 100028, China.
机器学习和DFT计算确定了在化石墨烯上的双过渡金属催化剂,以实现高效的降解过程 (NRR). Ti-Co@N6G显示了自发氨合成潜力,加速了催化剂的发现.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 催化剂是一种催化剂.
背景情况:
- 降解过程 (NRR) 对氨合成至关重要,但受到低效的催化剂的阻碍.
- 在化学研究中,开发高活性和选择性NRR催化剂仍然是一个重大挑战.
研究的目的:
- 通过使用机器学习 (ML) 辅助密度函数理论 (DFT) 对高效的降低过程 (NRR) 进行新型双过渡金属催化剂 (TM1-TM2@N6G) 的研究.
- 为了确定能够克服中间限制并促进N2激活和吸附以合成氨的催化剂.
主要方法:
- 密度函数理论 (DFT) 的计算被用来研究在六边形配合石墨烯 (TM1-TM2@N6G) 上定的双过渡金属原子.
- 机器学习 (ML) 算法与DFT集成,以快速选各种过渡金属组合的催化活性.
主要成果:
- 在TM1-TM2@N6G催化剂中的双过渡金属的协同作用增强了N2的激活和吸附.
- 四个经过ML/DFT选的催化剂显示出出色的稳定性,选择性和N2激活.
- Ti-Co@N6G表现出最小的反应能量 (<0.05 eV),表明自发NRR和有效氨合成的潜力.
结论:
- ML辅助的DFT是一种强大的工具,可以加速NRR催化剂的发现和优化.
- 在化石墨烯上使用双重过渡金属催化剂,为高效的氨生产提供了一个有前途的途径.
- Ti-Co@N6G催化剂为自发缩提供了突破性技术,为可持续的氨合成铺平了道路.
更多相关视频
10:57Synthesis and Performance Characterizations of Transition Metal Single Atom Catalyst for Electrochemical CO2 Reduction
Published on: April 10, 2018
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
相关概念视频
¹³C NMR: Distortionless Enhancement by Polarization Transfer (DEPT)
Redox Titration: Other Oxidizing and Reducing Agents
Tandem Mass Spectrometry
Atomic Fluorescence Spectroscopy
Double Resonance Techniques: Overview
Spin decoupling is usually achieved by...
