4 Hochaktive Wasserstoffentwicklungskatalysatoren Erfolgreich Gescreent! Chinesische Und Amerikanische Forschungsteams Bündeln Ihre Kräfte, Um Mithilfe Von Aktivem Lernen 14.000 Oxide Mit Hoher Entropie Zu Identifizieren
In den letzten Jahren haben Hochentropiematerialien (HEMs) großes Potenzial in den Bereichen Materialdesign und Funktionskontrolle gezeigt. In,Hochentropieoxide (HEOs) bieten aufgrund ihrer zahlreichen aktiven Zentren, ihrer einstellbaren spezifischen Oberfläche, ihrer stabilen Kristallstruktur, ihrer einzigartigen geometrischen Kompatibilität und elektronischen Struktur breite Anwendungsaussichten im Bereich der chemischen Katalyse.
Genauer gesagt bestehen HEOs aus fünf oder mehr Hauptelementen in einem äquimolaren oder nahezu äquimolaren Verhältnis. Die traditionelle Forschung und Entwicklung von HEOs erfordert einerseits die Erforschung eines riesigen Kompositionsraums und beruht andererseits auf zeit- und arbeitsintensiven Versuchen und Irrtümern im Labor. Durch maschinelles Lernen kann der riesige Katalysatorraum effizient erkundet und durch die Erfassung komplexer Struktur-Leistungs-Beziehungen die Katalysatoren mit der besten Leistung ermittelt werden.
Aufgrund der Datenbankbeschränkungen und der Subjektivität der Probenauswahl durch die Forscher bleibt die direkte Vorhersage von Struktur-Eigenschafts-Beziehungen jedoch eine Herausforderung. In den letzten JahrenAktives Lernen (AL) ist ein wichtiges Instrument zur effizienten Erforschung des chemischen Raums und wird in den Bereichen Funktionsmaterialien und Arzneimittelentwicklung häufig eingesetzt.
In diesem ZusammenhangWang Xuns Team vom Institut für Chemie der Tsinghua-Universität, Wu Liang vom Institut für Chemie der Shanghai Jiao Tong-Universität, Chu Shengqi vom Institut für Hochenergiephysik der Chinesischen Akademie der Wissenschaften, Lin Guang vom Institut für Mathematik der Purdue University und Xiang Yan vom Institut für Bioingenieurwesen der Duke University,Es wird ein Rahmenkonzept für aktives Lernen zur Entdeckung von Spinelloxiden mit hoher Entropie (HESOs) vorgeschlagen und dessen Effizienz bei der Erforschung des riesigen Zusammensetzungsraums von HEOs mit begrenzten experimentellen Daten demonstriert.
Nach mehreren Iterationen konnten die Forscher erfolgreich die vielversprechendsten HESOs in einem breiten Spektrum chemischer Bereiche identifizieren.Es weist eine hervorragende Wasserstoffproduktionsleistung (251 μmol gcat⁻¹ min⁻¹) in der Wassergas-Shift-Reaktion bei 300 °C auf und zeigt in Tests mit einer Dauer von bis zu 120 Stunden eine ausgezeichnete Stabilität. Die entsprechende Forschung wurde im Journal of the American Chemical Society unter dem Titel „Active Learning Guided Discovery of High Entropy Oxides Featuring High H2‑production“ veröffentlicht.
Forschungshighlights:
* Diese Studie schlägt eine Strategie des aktiven Lernens (AL) vor, die als geschlossenes System funktioniert und die Phasen „Training, Vorhersage und Experimentieren“ durchläuft, um den riesigen Kompositionsraum von HEOs effizient zu erkunden
* Durch mehrere Iterationen des aktiven Lernens konnten die Forscher erfolgreich vier neue HEOs aus einer großen Anzahl potenzieller Kombinationen herausfiltern. Diese neuen Materialien zeigten eine ausgezeichnete Stabilität und zeigten eine hervorragende Leistung bei der Wasserstoffproduktion in der Wassergas-Shift-Reaktion.
* Der CrMnCoNiCu-Katalysator wurde erfolgreich hergestellt, was darauf hindeutet, dass die vorgeschlagene Methode ein ausgezeichnetes Reproduzierbarkeits- und Skalierbarkeitspotenzial aufweist
Papieradresse:
https://pubs.acs.org/doi/10.1021/jacs.4c06272
Das Open-Source-Projekt „awesome-ai4s“ vereint mehr als 100 AI4S-Papierinterpretationen und stellt umfangreiche Datensätze und Tools bereit:
https://github.com/hyperai/awesome-ai4s
Datensatz: Vielfältiger Ausgangsdatensatz
AL erfordert einen bestimmten anfänglichen Trainingsdatensatz, um den Prozess zu starten, und wenn der Datensatz begrenzt ist, können Modelle des maschinellen Lernens von einem vielfältigen Datensatz profitieren.
In der Anfangsphase der Studie erstellten die Forscher eine zusätzliche Bibliothek mit 14 Übergangsmetallen. Theoretisch können die tetraedrischen und oktaedrischen Koordinationszentren 5 bis 10 Metallelemente aufnehmen und sind in äquimolaren Anteilen verteilt. Daher beträgt die Gesamtzahl potenzieller HESO-Kandidaten 14.443, was den Katalysatorraum für Forschungsziele darstellt. Die Forscher verwendeten den Kennard-Stone-Algorithmus, um 305 Datenpunkte zu erfassen, die dann synthetisiert und hinsichtlich ihrer kristallinen Phasen charakterisiert wurden, wie in der folgenden Tabelle dargestellt:
Darüber hinaus kombinierten die Forscher weitere 209 Proben, die in Vorarbeiten gesammelt wurden, woraus ein vielfältiger erster Datensatz mit 514 Datenpunkten entstand.Nur 105 Proben in diesem ersten Datensatz sind einphasig, davon 55 Proben aus dem KS-Satz und 50 Proben aus dem Sonstige-Satz, und ihr T90 (die Temperatur, die erforderlich ist, um die 90%-Umwandlung von Kohlenmonoxid in der Wassergas-Shift-Reaktion zu erreichen) liegt zwischen 334 und 800 °C.
Modellarchitektur: Aktives Lernen zur Implementierung des Trainings-Vorhersage-Experimentierzyklus
In dieser Studie wird eine auf Exploration basierende Methode des aktiven Lernens verwendet, um den Katalysatorraum von Spinelloxiden mit hoher Entropie zu erkunden und Oxide mit hoher Entropie und hohen Wasserstoffproduktionseigenschaften auszusortieren.Das Framework für aktives Lernen umfasst mehrere „Training-Vorhersage-Experiment“-Zyklen.Der Arbeitsablauf ist in der folgenden Abbildung dargestellt:
Zunächst verwendeten die Forscher die Kennard-Stone-Stichprobenmethode, um eine repräsentative Teilmenge für das Training auszuwählen. Diese Stichprobenmethode stellt sicher, dass die repräsentative Teilmenge gleichmäßig über den gesamten Datensatz verteilt ist. Dieser Prozess ist von entscheidender Bedeutung, da er die Vorhersagegenauigkeit des maschinellen Lernmodells über den gesamten Katalysatorraum hinweg gewährleistet. Andernfalls könnte AL verzerrt sein und sich auf die Untersuchung eines engen Bereichs beschränken.
Anschließend wurden die Reinheit und katalytische Aktivität der ausgewählten Proben experimentell bestimmt. Mithilfe eines Röntgenbeugungstests (XRD) wurde ermittelt, ob die Proben eine einphasige Struktur aufwiesen. während die katalytische Aktivität durch Messung von T90 bewertet wurde.
In jeder Iteration wurde die Phasenreinheit von HESOs mithilfe des XGBoost-Klassifikators vorhergesagt. Dabei wurden nur Proben berücksichtigt, deren Wahrscheinlichkeit über 50% lag und deren katalytische Aktivität mithilfe des XGBoost-Regressors vorhergesagt wurde. Anschließend wurden die Proben, die voraussichtlich phasenrein sind und die höchste katalytische Aktivität aufweisen (die fünf besten Proben mit den niedrigsten T90-Werten), für die Experimente ausgewählt und die experimentellen Daten in den Trainingssatz der nächsten Iteration integriert.Dieser iterative Zyklus wird fortgesetzt, bis kein Katalysator mit hoher katalytischer Aktivität mehr gefunden werden kann.
Auf diese Weise konnten die Forscher effizient nach leistungsstarken HEOs suchen, die Wasserstoff mit deutlich höheren Raten produzieren als herkömmliche Katalysatoren in der Wassergas-Shift-Reaktion.
Forschungsergebnisse: 4 HESO-Katalysatoren mit hervorragender Leistung wurden herausgefiltert
Im Experiment verwendeten die Forscher Röntgenbeugungsmuster (XRD) als Deskriptor, den sogenannten Ω-Wert, um die Reinheit der Spinellphase zu beurteilen. In der Wassergas-Shift-Reaktion wurde T90 als Deskriptor verwendet, um die katalytische Aktivität der ausgewählten HESOs zu charakterisieren. Je niedriger der T90-Wert, desto höher ist das Aktivitätsniveau der ausgewählten HESOs.
① Überprüfen Sie die Fähigkeit, HESOs durch aktives Lernen zu entdecken
Die Forscher führten 4 Runden AL-Iterationen durch und wählten in jeder Runde 5 Proben aus. Die Ergebnisse sind in der folgenden Abbildung dargestellt:
(a) Hauptkomponentenanalyse des Katalysatorraums, Projektion der Daten auf eine zweidimensionale Ebene. Jeder Punkt stellt eine Stichprobe dar, der graue Hintergrund stellt den gesamten Datenraum dar und die farbigen Punkte stellen den ursprünglichen Datensatz oder die von AL ausgewählten Stichproben dar.
(b) Die Spinellphasenreinheit der Proben
(c) T90-Wert der Probe
(d) Zusammensetzung der von AL ausgewählten Probe
Unter den 20 von AL ausgewählten Proben war keine nicht einphasig und wies eine Verunreinigungsrate von 0% auf. Dies steht in starkem Kontrast zum ursprünglichen Datensatz, in dem die Verunreinigungsrate bis zu 84% beträgt. Wie in Abbildung 1(b) dargestellt, zeigt die Verringerung der Verunreinigung die Wirksamkeit der vorgeschlagenen AL-Methode bei der Identifizierung reiner Proben. Darüber hinaus beträgt der T90-Wert der von AL ausgewählten Probe 357 ± 32 °C, was deutlich niedriger ist als der T90-Wert des ursprünglichen Datensatzes (513 ± 66 °C). Dieses Ergebnis zeigt, dassDer vorgeschlagene AL-Algorithmus kann HESOs mit höherer katalytischer Aktivität effizient finden.
Wie in Abbildung (c) oben gezeigt, fand AL außerdem 4 Proben (A1.1, A1.2, A2.4 und A3.2) mit T90-Werten von 311 °C, 307 °C, 323 °C bzw. 312 °C, die alle niedriger sind als der niedrigste T90-Wert (334 °C) im ursprünglichen Datensatz. Dies beweist die Wirksamkeit des in dieser Studie vorgeschlagenen AL-Workflows und ermöglicht es Forschern, effizient neue HESO-Katalysatoren mit idealen Eigenschaften zu identifizieren.
② Überprüfen Sie die katalytische Aktivität der ausgewählten AL-Proben
Die Wassergas-Shift-Reaktion (WGS) ist von großer industrieller Bedeutung und wird hauptsächlich zur Herstellung von hochreinem Wasserstoff verwendet, um die Anwendungsanforderungen von Ammoniak, Methanolsynthese und Brennstoffzellen zu erfüllen. Bevor die Forscher die katalytische Aktivität der AL-ausgewählten Proben testeten, analysierten sie die Kristallstrukturen der vier Proben:
(Cr0,2Mn0,2Co0,2Ni0,2 Cu0,2)Al2O4, bezeichnet als CrMnCoNiCu
(Cr0,2Mn0,2Ni0,2Cu0,2Zn0,2)Al2O4, bezeichnet als CrMnNiCuZn
(Al1/7Cr1/7Mn1/7Co1/7Ni1/7Cu1/7Zn1/7)Al2O4, bezeichnet als AlCrMnCoNiCuZn
(Cr1/7Mn1/7Fe1/7Co1/7Ni1/7Cu1/7Zn1/7)Al2O4, bezeichnet als CrMnFeCoNiCuZn
Um das Skalierbarkeitspotenzial bestehender synthetischer Methoden zu bewerten,Den Forschern gelang die Synthese von 20 g CrMnCoNiCu-Katalysator in einer einzigen Charge unter Verwendung eines 500-ml-Tiegels im Scale-up-Verfahren und desselben Muffelofens. Wie in der Abbildung unten gezeigt, weist der im großen Maßstab synthetisierte Katalysator immer noch eine gute einphasige Spinellstruktur auf, was darauf hindeutet, dass die in dieser Studie angewandte Methode über ein ausgezeichnetes Reproduzierbarkeits- und Skalierbarkeitspotenzial verfügt.
Im XRD-Test betrug die Scanrate des CrMnCoNiCu-Großkatalysators 0,02° und die Zählzeit pro Schritt 2 s.
Anschließend testeten die Forscher die katalytische Aktivität der vier AL-ausgewählten HESO-Katalysatoren, wie unten gezeigt:
a) CO-Umwandlungsrate;
(b) H2-Erzeugungsrate
Reaktionsbedingungen: Raumgeschwindigkeit (WHSV) = 200.000 ml/(h·gKat); Ausgangsgas: 1,8% CO und 2,5% H2O, Inertgas ist Ar
Wie in Abbildung (a) oben gezeigt, entsprachen die katalytischen Aktivitäten aller Proben nicht nur den vorhergesagten T90-Werten, sondern zeigten auch die beste Screening-Aktivität. Beispielsweise sagt ML für die CrMnCoNiCu-Probe einen T90-Wert von 311 °C voraus, während der tatsächlich gemessene T90-Wert 310 °C beträgt.
Und was noch wichtiger ist:Im Vergleich zu den herkömmlich entwickelten Katalysatoren CZA und Fe/Cr zeigten die von ML untersuchten Proben eine höhere katalytische Aktivität.Beispielsweise beträgt unter denselben Reaktionsbedingungen die Wasserstoffausbeute der CrMnCoNiCu-Probe 135 μmol gcat⁻¹ min⁻¹, was deutlich höher ist als 15 μmol gcat⁻¹ min⁻¹ von Fe/Cr und 81 μmol gcat⁻¹ min⁻¹ von CZA, wie in der folgenden Abbildung gezeigt.Darüber hinaus zeigten weitere Stabilitätstests, dass die CrMnCoNiCu- und CrMnFeCoNiCuZn-Proben unter T90-Bedingungen eine gute Stabilität aufwiesen und eine hohe Aktivität bei der Wasserstoffproduktion beibehielten.
Nach mehreren Iterationen konnten die Forscher erfolgreich die vielversprechendsten HESOs in einem breiten Spektrum chemischer Räume identifizieren, die eine hervorragende Wasserstoffproduktionsleistung (251 μmol gcat⁻¹ min⁻¹) in der Wassergas-Shift-Reaktion bei 300 °C zeigten und gleichzeitig in Tests mit einer Dauer von bis zu 120 Stunden eine ausgezeichnete Stabilität zeigten.
Zusammenfassend haben die Forscher aus 14.443 Kandidatenproben vier hocheffiziente MgAl2O4-Moleküle mit hoher Entropie herausgefiltert. Katalysator vom Typ Spinell.
KI verleiht der Forschung und Entwicklung von Hochentropiematerialien starke Innovationskraft
Wenn Sie fragen würden, wer das angesagteste Material im 21. Jahrhundert ist? Dann müssen Materialien mit hoher Entropie einen Platz einnehmen, die hauptsächlich durch zwei Kategorien repräsentiert werden: HEA (Legierungen mit hoher Entropie) und HEO (Oxide mit hoher Entropie).
Unter diesen weisen Hochentropielegierungen die Vorteile hoher Festigkeit, hoher Härte, Korrosionsbeständigkeit, Verschleißfestigkeit, Hochtemperaturbeständigkeit, Strahlungsbeständigkeit und Weichmagnetismus auf und haben breite Anwendungsaussichten. Aufgrund ihrer guten Feuerfestigkeit eignen sie sich beispielsweise als Werkstoffe für Turbinenschaufeln, Schweißmaterialien, Wärmetauschermaterialien, feuerfeste Materialien für Hochtemperaturöfen und Materialien für die Luft- und Raumfahrt usw.
Obwohl Hochentropielegierungen über hervorragende Eigenschaften verfügen, bleibt die Entdeckung neuer Hochentropielegierungskomponenten eine gewaltige Forschungsaufgabe. Die Elementzusammensetzung in Hochentropielegierungen muss innerhalb eines bestimmten Bereichs kontrolliert werden. Zu viele oder zu wenige Elemente können zu einer Verschlechterung der Legierungsleistung führen. Gleichzeitig können die verschiedenen Elementzusammensetzungen von Hochentropielegierungen nichtlineare Effekte erzeugen und es ist schwierig, ihre Leistung mit herkömmlichen experimentellen Methoden genau vorherzusagen. In diesem Zusammenhang kann der Einsatz von KI-Technologien wie maschinellem Lernen die Forschung und Entwicklung von Hochentropielegierungen schneller und bequemer abschließen.
Vor nicht allzu langer Zeit hat das Team von Su Yanjing an der University of Science and Technology Beijing ein Framework zur mehrzieligen Optimierung (MOO) entwickelt, das ML, genetische Suche, Clusteranalyse und experimentelles Feedback kombiniert.Und indem wir uns auf den Zusammensetzungsbereich feuerfester Hochentropielegierungen (RHEAs) konzentrieren, suchen wir nach Legierungen mit optimaler Hochtemperaturfestigkeit und Duktilität bei Raumtemperatur. Konkret synthetisierte das Forschungsteam 24 RHEAs und stellte fest, dass die ZrNbMoHfTa-Legierung Potenzial für Hochtemperaturanwendungen hat. Unter diesen wies die Legierung Zr0,13Nb0,27Mo0,26Hf0,13Ta0,21 eine ausgezeichnete mechanische Festigkeit auf, mit einer Streckgrenze von fast 940 MPa bei 1200 °C und einer Bruchdehnung bei Raumtemperatur von 17,2%. Die bemerkenswerte Hitzebeständigkeit und gute strukturelle Stabilität der Legierung weisen auf ihr Potenzial für strukturelle Anwendungen bei hohen Temperaturen hin, während ihre Duktilität bei Raumtemperatur die Verarbeitungseigenschaften der Legierung verbessert.
Schauen wir uns nun Oxide mit hoher Entropie an. Aufgrund der unzähligen Elementzusammensetzungen ist es äußerst schwierig, HEO-Katalysatoren durch Versuch und Irrtum zu entdecken. Diesen OktoberDie Forschungsgruppe von Zhang Pengfei an der Fakultät für Chemie und Chemieingenieurwesen der Universität Ningxia hat Fortschritte bei der Erforschung des maschinellen Lernens zum Screening von Oxidkatalysatoren mit hoher Entropie gemacht.Das Team erstellte ein hochwertiges Regressionsmodell, indem es nach negativen Daten suchte und geeignete Trainingsdaten auswählte, um nach Katalysatoren mit besserer Leistung zu suchen. Letztendlich wurde der unkonventionelle Katalysator Ni0,04Co0,48Zn0,36V0,12Cr2Ox ausgesondert, der eine ausgezeichnete Schwefel- und Wasserbeständigkeit sowie Langzeitstabilität (>7000 Stunden, T(90)=345°C) aufweist.
Die entsprechende Forschung wurde in JACS unter dem Titel „Machine Learning Accelerated Discovery of Entropy-Stabilized Oxide Catalysts for Catalytic Oxidation“ veröffentlicht.
Offensichtlich hat die Technologie der künstlichen Intelligenz der Entwicklung von Hochentropielegierungen einen starken innovativen Impuls verliehen und man geht davon aus, dass sie in Zukunft in Bereichen wie Energie, Umweltschutz und neue Materialien eine breitere Anwendung finden wird.
Quellen:
1.https://pubs.acs.org/doi/10.1021/jacs.4c06272
2.https://www.mip1953.com/newsinfo/6451538.html