تم بنجاح فحص 4 محفزات نشطة للغاية لتطور الهيدروجين! فرق بحثية صينية وأمريكية تتعاون لاستخدام التعلم النشط لتحديد 14 ألف أكسيد عالي الإنتروبيا
في السنوات الأخيرة، أظهرت المواد ذات الإنتروبيا العالية (HEMs) إمكانات كبيرة في مجالات تصميم المواد والتحكم الوظيفي. في،تظهر أكاسيد الأنتروبيا العالية (HEOs) آفاق تطبيق واسعة في مجال التحفيز الكيميائي بسبب مواقعها النشطة الوفيرة، ومساحة سطحها النوعية القابلة للتعديل، وبنيتها البلورية المستقرة، وتوافقها الهندسي الفريد، وبنيتها الإلكترونية.
على وجه التحديد، تتكون HEOs من 5 عناصر رئيسية أو أكثر بنسبة متساوية أو بنسبة شبه متساوية. تتطلب عمليات البحث والتطوير الخاصة بـ HEOs التقليدية استكشاف مساحة تركيبية واسعة من ناحية، وتعتمد على التجارب والأخطاء المعملية التي تستغرق وقتًا طويلاً وتتطلب الكثير من العمالة من ناحية أخرى. يمكن للتعلم الآلي استكشاف مساحة المحفزات الشاسعة بكفاءة وتحديد المحفزات ذات الأداء الأفضل من خلال التقاط العلاقات المعقدة بين البنية والأداء.
ومع ذلك، فإن التنبؤ المباشر بالعلاقات بين البنية والملكية يظل تحديًا بسبب قيود قواعد البيانات وذاتية اختيار العينات من قبل الباحثين. في السنوات الأخيرة،لقد تم استخدام التعلم النشط (AL)، كأداة مهمة لاستكشاف الفضاء الكيميائي بكفاءة، على نطاق واسع في مجالات المواد الوظيفية وتطوير الأدوية.
وفي هذا السياق،فريق وانغ شون من قسم الكيمياء بجامعة تسينغهوا، وو ليانغ من قسم الكيمياء بجامعة شنغهاي جياو تونغ، تشو شينغ تشي من معهد فيزياء الطاقة العالية في الأكاديمية الصينية للعلوم، لين قوانغ من قسم الرياضيات بجامعة بيردو، وشيانغ يان من قسم الهندسة الحيوية بجامعة ديوك،تم اقتراح إطار عمل للتعلم النشط لاكتشاف أكاسيد السبينيل عالية الإنتروبيا (HESOs) وتم إثبات كفاءته في استكشاف المساحة التركيبية الشاسعة لأكاسيد السبينيل عالية الإنتروبيا باستخدام بيانات تجريبية محدودة.
بعد تكرارات متعددة، نجح الباحثون في التعرف على HESOs الأكثر واعدة في مجموعة واسعة من الفضاء الكيميائي.ويظهر أداءً ممتازًا لإنتاج الهيدروجين (251 ميكرومول جرام في الدقيقة) في تفاعل تحول الماء والغاز عند 300 درجة مئوية، ويظهر ثباتًا ممتازًا في الاختبارات التي استمرت حتى 120 ساعة. نُشر البحث ذو الصلة في مجلة الجمعية الكيميائية الأمريكية تحت عنوان "التعلم النشط لاكتشاف أكاسيد عالية الإنتروبيا تتميز بإنتاجية عالية من الهيدروجين".
أبرز الأبحاث:
* تقترح هذه الدراسة استراتيجية التعلم النشط (AL) التي تعمل كنظام حلقة مغلقة، وتتكرر من خلال مراحل "التدريب والتنبؤ والتجريب" لاستكشاف مساحة التكوين الشاسعة لـ HEOs بكفاءة
* من خلال تكرارات التعلم النشط المتعددة، نجح الباحثون في فحص أربعة أهداف تعليمية عالية المستوى جديدة من عدد كبير من التركيبات المحتملة. أظهرت هذه المواد الجديدة استقرارًا ممتازًا وأداءً ممتازًا لإنتاج الهيدروجين في تفاعل تحول الماء والغاز.
* تم تحضير محفز CrMnCoNiCu بنجاح، مما يشير إلى أن الطريقة المقترحة تتمتع بإمكانية إعادة إنتاج وتوسعة ممتازة
عنوان الورقة:
https://pubs.acs.org/doi/10.1021/jacs.4c06272
يجمع المشروع المفتوح المصدر "awesome-ai4s" أكثر من مائة تفسير ورقي لـ AI4S ويوفر مجموعات وأدوات ضخمة من البيانات:
https://github.com/hyperai/awesome-ai4s
مجموعة البيانات: مجموعة بيانات أولية متنوعة
يتطلب التعلم الآلي مجموعة بيانات تدريب أولية معينة لبدء العملية، وعندما تكون مجموعة البيانات محدودة، يمكن لنماذج التعلم الآلي الاستفادة من مجموعة بيانات متنوعة.
وفي المرحلة الأولية من الدراسة، قام الباحثون ببناء مكتبة إضافية تحتوي على 14 معدنًا انتقاليًا. من الناحية النظرية، يمكن لمراكز التنسيق الرباعية والثمانية السطوح أن تستوعب من 5 إلى 10 عناصر معدنية ويتم توزيعها بنسب متساوية. وبالتالي، فإن العدد الإجمالي للمرشحين المحتملين لـ HESOs هو 14443، وهو ما يشكل مساحة المحفز لأهداف البحث. استخدم الباحثون خوارزمية كينارد-ستون لأخذ عينات من 305 نقطة بيانات، والتي تم بعد ذلك تصنيعها وتوصيفها وفقًا لمراحلها البلورية، كما هو موضح في الجدول التالي:
بالإضافة إلى ذلك، قام الباحثون بدمج 209 عينة إضافية تم جمعها في العمل التمهيدي، مما أدى إلى مجموعة بيانات أولية متنوعة تضم 514 نقطة بيانات.في هذه المجموعة الأولية من البيانات، هناك 105 عينات فقط أحادية الطور، منها 55 عينة من مجموعة KS و50 عينة من مجموعة Others، وتتراوح درجة حرارتها T90 (درجة الحرارة المطلوبة لتحقيق تحويل 90% لأول أكسيد الكربون في تفاعل تحول الماء إلى غاز) من 334 إلى 800 درجة مئوية.
هندسة النموذج: التعلم النشط لتنفيذ دورة التدريب والتنبؤ والتجريب
تستخدم هذه الدراسة أسلوب التعلم النشط القائم على الاستكشاف لاستكشاف مساحة المحفز لأكاسيد السبينيل عالية الإنتروبيا واستبعاد أكاسيد عالية الإنتروبيا ذات خصائص إنتاج الهيدروجين العالية.يتضمن إطار التعلم النشط دورات متعددة من "التدريب - التنبؤ - التجربة".يظهر سير العمل في الشكل التالي:
في البداية، استخدم الباحثون طريقة أخذ العينات Kennard-Stone لاختيار مجموعة فرعية تمثيلية للتدريب - تضمن طريقة أخذ العينات هذه توزيع المجموعة الفرعية التمثيلية بالتساوي عبر مجموعة البيانات بأكملها. تعتبر هذه العملية بالغة الأهمية لأنها تضمن دقة التنبؤ لنموذج التعلم الآلي عبر مساحة المحفز بأكملها، وإلا فقد يكون التعلم الآلي متحيزًا ويقتصر على استكشاف منطقة ضيقة.
وبعد ذلك، تم تحديد نقاء ونشاط التحفيز للعينات المختارة تجريبيا. تم استخدام اختبار حيود الأشعة السينية (XRD) لتقييم ما إذا كانت العينات تحتوي على بنية أحادية الطور؛ في حين تم تقييم النشاط التحفيزي عن طريق قياس T90.
في كل تكرار، تم التنبؤ بنقاء الطور لـ HESOs باستخدام مصنف XGBoost، وتم النظر فقط في العينات التي تحتوي على احتمال يزيد عن 50% التي تنبأ بها مصنف النقاء، وتم التنبؤ بنشاطها التحفيزي باستخدام مُنحِّل XGBoost. بعد ذلك، تم اختيار العينات المتوقع أن تكون نقية الطور وذات أعلى نشاط تحفيزي (أعلى 5 عينات ذات أدنى قيم T90) للتجارب، وتم دمج البيانات التجريبية في مجموعة التدريب للتكرار التالي.تستمر هذه الدورة التكرارية حتى لا يتم العثور على محفز ذو نشاط تحفيزي مرتفع.
وبهذه الطريقة، تمكن الباحثون من فحص فعال لـ HEOs عالية الأداء التي تنتج الهيدروجين بمعدلات أعلى بكثير من المحفزات التقليدية في تفاعل تحول الماء والغاز.
نتائج البحث: تم فحص 4 محفزات HESO ذات الأداء الممتاز
وفي التجربة، استخدم الباحثون أنماط حيود الأشعة السينية (XRD) كوصف، تسمى قيمة Ω، لتقييم نقاء طور السبينيل؛ في تفاعل تحول الماء والغاز، تم استخدام T90 كموصوف لتوصيف النشاط التحفيزي لـ HESOs المحددة. كلما انخفضت قيمة T90، زاد مستوى نشاط HESOs المحددة.
① التحقق من القدرة على اكتشاف HESOs من خلال التعلم النشط
أجرى الباحثون 4 جولات من تكرارات AL، واختاروا 5 عينات في كل جولة. وتظهر النتائج في الشكل التالي:
(أ) تحليل المكونات الرئيسية لمساحة المحفز، وإسقاط البيانات على مستوى ثنائي الأبعاد. تمثل كل نقطة عينة، وتمثل الخلفية الرمادية مساحة البيانات بالكامل، وتمثل النقاط الملونة مجموعة البيانات الأولية أو العينات التي حددها الذكاء الاصطناعي.
(ب) نقاء طور السبينيل للعينات
(ج) قيمة T90 للعينة
(د) تركيب العينة المختارة من قبل AL
ومن بين العينات العشرين التي اختارتها AL، لم يتم العثور على أي منها غير أحادية الطور، مما يدل على معدل شوائب يبلغ 0%. وهذا يتناقض بشكل صارخ مع مجموعة البيانات الأولية، حيث يصل معدل الشوائب إلى 84%. كما هو موضح في الشكل 1 (ب)، فإن انخفاض الشوائب يوضح فعالية طريقة AL المقترحة في تحديد العينات النقية. بالإضافة إلى ذلك، فإن قيمة T90 للعينة المختارة بواسطة AL هي 357 ± 32 درجة مئوية، وهي أقل بكثير من قيمة T90 لمجموعة البيانات الأولية (513 ± 66 درجة مئوية). تشير هذه النتيجة إلى أنيمكن لخوارزمية AL المقترحة العثور بكفاءة على HESOs ذات النشاط التحفيزي الأعلى.
وكما هو موضح في الشكل (ج) أعلاه، وجد AL أيضًا 4 عينات (A1.1، A1.2، A2.4 وA3.2) بقيم T90 تبلغ 311 درجة مئوية، و307 درجة مئوية، و323 درجة مئوية، و312 درجة مئوية، على التوالي، وهي جميعها أقل من أدنى قيمة T90 (334 درجة مئوية) في مجموعة البيانات الأولية. يثبت هذا فعالية سير عمل الذكاء الاصطناعي المقترح في هذه الدراسة، مما يمكّن الباحثين من تحديد محفزات HESO الجديدة ذات الخصائص المثالية بكفاءة.
② التحقق من النشاط التحفيزي للعينات المختارة من AL
تعتبر عملية تحويل الماء إلى غاز (WGS) ذات أهمية صناعية كبيرة وتستخدم بشكل أساسي لإنتاج الهيدروجين عالي النقاء لتلبية متطلبات تطبيق الأمونيا وتخليق الميثانول وخلايا الوقود. قبل اختبار النشاط التحفيزي للعينات المختارة من AL، قام الباحثون بتحليل البنية البلورية للعينات الأربع:
(Cr0.2Mn0.2Co0.2Ni0.2 Cu0.2)Al2O4، يُشار إليه بـ CrMnCoNiCu
(Cr0.2Mn0.2Ni0.2Cu0.2Zn0.2)Al2O4، يُشار إليه بـ CrMnNiCuZn
(Al1/7Cr1/7Mn1/7Co1/7Ni1/7Cu1/7Zn1/7)Al2O4، يُشار إليه بـ AlCrMnCoNiCuZn
(Cr1/7Mn1/7Fe1/7Co1/7Ni1/7Cu1/7Zn1/7)Al2O4، يُشار إليه بـ CrMnFeCoNiCuZn
لتقييم إمكانية التوسع في الأساليب التركيبية الحالية،نجح الباحثون في تصنيع 20 جرامًا من محفز CrMnCoNiCu في دفعة واحدة باستخدام بوتقة تكبير سعة 500 مل وفرن الكتم نفسه. وكما هو موضح في الشكل أدناه، فإن المحفز الذي تم تصنيعه على نطاق واسع لا يزال يحتفظ ببنية سبينيل أحادية الطور جيدة، مما يشير إلى أن الطريقة المعتمدة في هذه الدراسة تتمتع بإمكانات ممتازة للتكرار وقابلية التوسع.
في اختبار XRD، كان معدل مسح محفز CrMnCoNiCu واسع النطاق 0.02 درجة وكان وقت العد لكل خطوة 2 ثانية.
ثم قام الباحثون باختبار النشاط التحفيزي لأربعة محفزات HESO المختارة بواسطة AL، كما هو موضح أدناه:
(أ) معدل تحويل ثاني أكسيد الكربون؛
(ب) معدل توليد الهيدروجين
شروط التفاعل: السرعة الفضائية (WHSV) = 200000 مل/(h·gcat)؛ غاز التغذية: 1.8% CO و2.5% H2O، الغاز الخامل هو Ar
وكما هو موضح في الشكل (أ) أعلاه، فإن الأنشطة التحفيزية لجميع العينات لم تتطابق فقط مع قيم T90 المتوقعة، بل أظهرت أيضًا أفضل نشاط فحص. على سبيل المثال، يتنبأ ML بأن T90 لعينة CrMnCoNiCu ستكون 311 درجة مئوية، في حين أن T90 المقاسة فعليًا هي 310 درجة مئوية.
والأهم من ذلك،وبالمقارنة مع المحفزات المصممة تقليديا CZA و Fe/Cr، أظهرت العينات التي تم فحصها بواسطة ML نشاطا تحفيزيا أعلى.على سبيل المثال، في ظل نفس ظروف التفاعل، يكون إنتاج الهيدروجين لعينة CrMnCoNiCu هو 135 ميكرومول gcat⁻¹ min⁻¹، وهو أعلى بشكل ملحوظ من 15 ميكرومول gcat⁻¹ min⁻¹ من Fe/Cr و81 ميكرومول gcat⁻¹ min⁻¹ من CZA، كما هو موضح في الشكل أدناه.وعلاوة على ذلك، أظهرت اختبارات الاستقرار الإضافية أنه في ظل ظروف T90، كانت عينات CrMnCoNiCu وCrMnFeCoNiCuZn تتمتع بثبات جيد وتحافظ على نشاط مرتفع في إنتاج الهيدروجين.
بعد تكرارات متعددة، نجح الباحثون في التعرف على HESO4 الأكثر واعدة في مجموعة واسعة من الفضاء الكيميائي، والتي أظهرت أداءً ممتازًا لإنتاج الهيدروجين (251 ميكرومول gcat⁻¹ min⁻¹) في تفاعل تحول الماء والغاز عند 300 درجة مئوية، في حين أظهرت استقرارًا ممتازًا في الاختبارات التي استمرت حتى 120 ساعة.
باختصار، قام الباحثون بفحص 4 من MgAl2O4 عالية الكفاءة وعالية الإنتروبيا من 14443 عينة مرشحة. نوع محفز السبينيل.
تضخ الذكاء الاصطناعي قوة ابتكارية قوية في البحث والتطوير للمواد عالية الإنتروبيا
إذا سألت من هي المادة الأكثر سخونة في القرن الحادي والعشرين؟ ثم يجب على المواد ذات الإنتروبيا العالية أن تشغل مكانًا، يتم تمثيله بشكل أساسي بفئتين: HEA (سبائك الإنتروبيا العالية) و HEO (أكاسيد الإنتروبيا العالية).
من بينها، تتمتع السبائك ذات الإنتروبيا العالية بمزايا القوة العالية، والصلابة العالية، ومقاومة التآكل، ومقاومة التآكل، ومقاومة درجات الحرارة العالية، ومقاومة الإشعاع، والمغناطيسية الناعمة، ولها آفاق تطبيق واسعة. على سبيل المثال، فإن قدرتها الجيدة على مقاومة الحرارة تجعلها مناسبة للاستخدام كمواد لشفرات التوربينات، ومواد اللحام، ومواد المبادلات الحرارية، والمواد المقاومة للحرارة للأفران ذات درجات الحرارة العالية، ومواد الطيران والفضاء، وما إلى ذلك.
على الرغم من أن السبائك ذات الإنتروبيا العالية تتمتع بخصائص ممتازة، إلا أن اكتشاف مكونات جديدة للسبائك ذات الإنتروبيا العالية يظل مهمة بحثية شاقة. يجب التحكم في التركيب العنصري في السبائك ذات الإنتروبيا العالية ضمن نطاق معين. قد تؤدي العناصر الزائدة أو غير الكافية إلى انخفاض أداء السبائك. وفي الوقت نفسه، قد تنتج التركيبات العنصرية المختلفة للسبائك ذات الإنتروبيا العالية تأثيرات غير خطية، ومن الصعب التنبؤ بأدائها بدقة من خلال الأساليب التجريبية التقليدية. وفي هذا السياق، يمكن أن يؤدي استخدام تقنيات الذكاء الاصطناعي مثل التعلم الآلي إلى استكمال البحث والتطوير للسبائك ذات الإنتروبيا العالية بشكل أسرع وأكثر ملاءمة.
منذ وقت ليس ببعيد، قام فريق Su Yanjing في جامعة العلوم والتكنولوجيا في بكين بتصميم إطار عمل متعدد الأهداف (MOO) يجمع بين التعلم الآلي والبحث الجيني وتحليل المجموعات والتغذية الراجعة التجريبية.وباستهداف مساحة تكوين السبائك العالية الإنتروبيا المقاومة للحرارة (RHEAs)، فإننا نبحث عن سبائك ذات قوة مثالية في درجات الحرارة العالية ومرونة في درجة حرارة الغرفة. وعلى وجه التحديد، قام فريق البحث بتصنيع 24 RHEAs وقرر أن سبيكة ZrNbMoHfTa لديها إمكانات للتطبيقات ذات درجات الحرارة العالية. ومن بينها، أظهر سبيكة Zr0.13Nb0.27Mo0.26Hf0.13Ta0.21 قوة ميكانيكية ممتازة، مع قوة خضوع تبلغ حوالي 940 ميجا باسكال عند 1200 درجة مئوية وإجهاد كسر في درجة حرارة الغرفة يبلغ 17.2%. تشير مقاومة السبائك للحرارة بشكل ملحوظ والاستقرار الهيكلي الجيد إلى إمكاناتها للتطبيقات الهيكلية في درجات الحرارة العالية، في حين تعمل قابليتها للسحب في درجة حرارة الغرفة على تعزيز خصائص معالجة السبائك.
الآن دعونا نلقي نظرة على أكاسيد ذات الإنتروبيا العالية. بسبب التركيبات العنصرية العديدة، من الصعب للغاية اكتشاف محفزات HEOs من خلال التجربة والخطأ. في شهر أكتوبر هذاحققت مجموعة أبحاث Zhang Pengfei في كلية الكيمياء والهندسة الكيميائية بجامعة نينغشيا تقدماً في أبحاث فحص التعلم الآلي لمحفزات أكسيد عالية الإنتروبيا.قام الفريق بإنشاء نموذج انحدار عالي الجودة من خلال البحث عن البيانات السلبية واختيار بيانات التدريب المناسبة للبحث عن المحفزات ذات الأداء الأفضل. في النهاية، تم غربلة المحفز غير التقليدي Ni0.04Co0.48Zn0.36V0.12Cr2Ox، والذي يتمتع بمقاومة ممتازة للكبريت والماء واستقرار طويل الأمد (>7000 ساعة، T(90)=345°C).
نُشر البحث ذو الصلة في مجلة JACS تحت عنوان "التعلم الآلي يسرع اكتشاف محفزات أكسيد مستقرة الإنتروبيا للأكسدة التحفيزية".
من الواضح أن تكنولوجيا الذكاء الاصطناعي قد ضخت زخمًا ابتكاريًا قويًا في تطوير السبائك عالية الإنتروبيا، ومن المتوقع أن يتم استخدامها على نطاق أوسع في مجالات مثل الطاقة وحماية البيئة والمواد الجديدة في المستقبل.
مراجع:
1.https://pubs.acs.org/doi/10.1021/jacs.4c06272
2.https://www.mip1953.com/newsinfo/6451538.html