Sélection Réussie De 4 Catalyseurs D'évolution D'hydrogène Hautement Actifs ! Des Équipes De Recherche Chinoises Et Américaines Unissent Leurs Forces Pour Utiliser L'apprentissage Actif Afin D'identifier 14 000 Oxydes À Haute Entropie
Ces dernières années, les matériaux à haute entropie (HEM) ont montré un grand potentiel dans les domaines de la conception des matériaux et du contrôle fonctionnel. dans,Les oxydes à haute entropie (HEO) présentent de larges perspectives d'application dans le domaine de la catalyse chimique en raison de leurs sites actifs abondants, de leur surface spécifique ajustable, de leur structure cristalline stable, de leur compatibilité géométrique unique et de leur structure électronique.
Plus précisément, les HEO sont composés de 5 éléments principaux ou plus dans un rapport équimolaire ou presque équimolaire. La recherche et le développement traditionnels des HEO nécessitent d’une part l’exploration d’un vaste espace de composition et, d’autre part, des essais et des erreurs en laboratoire, chronophages et exigeants en main-d’œuvre. L’apprentissage automatique peut explorer efficacement le vaste espace des catalyseurs et identifier les catalyseurs les plus performants en capturant des relations complexes entre structure et performance.
Cependant, la prédiction directe des relations structure-propriété reste difficile en raison des limites de la base de données et de la subjectivité de la sélection des échantillons par les chercheurs. Au cours des dernières années,L'apprentissage actif (AL), en tant qu'outil important pour explorer efficacement l'espace chimique, a été largement utilisé dans les domaines des matériaux fonctionnels et du développement de médicaments.
Dans ce contexte,L'équipe de Wang Xun du département de chimie de l'université Tsinghua, Wu Liang du département de chimie de l'université Jiao Tong de Shanghai, Chu Shengqi de l'institut de physique des hautes énergies de l'académie chinoise des sciences, Lin Guang du département de mathématiques de l'université Purdue et Xiang Yan du département de bio-ingénierie de l'université Duke,Un cadre d'apprentissage actif pour la découverte d'oxydes de spinelle à haute entropie (HESO) est proposé et son efficacité dans l'exploration du vaste espace de composition des HEO avec des données expérimentales limitées est démontrée.
Après plusieurs itérations, les chercheurs ont réussi à identifier les HESO les plus prometteurs dans un large éventail d’espaces chimiques.Il présente d'excellentes performances de production d'hydrogène (251 μmol gcat⁻¹ min⁻¹) dans la réaction de décalage eau-gaz à 300 °C, et montre une excellente stabilité dans des tests d'une durée allant jusqu'à 120 heures. La recherche connexe a été publiée dans le Journal of the American Chemical Society sous le titre « Active Learning Guided Discovery of High Entropy Oxides Featuring High H2‑production ».
Points saillants de la recherche :
* Cette étude propose une stratégie d'apprentissage actif (AL) qui fonctionne comme un système en boucle fermée, itérant à travers les phases de « formation, prédiction et expérimentation » pour explorer efficacement le vaste espace de composition des HEO
* Grâce à de multiples itérations d’apprentissage actif, les chercheurs ont réussi à sélectionner quatre nouveaux HEO parmi un grand nombre de combinaisons potentielles. Ces nouveaux matériaux ont montré une excellente stabilité et ont démontré d’excellentes performances de production d’hydrogène dans la réaction de décalage eau-gaz.
* Le catalyseur CrMnCoNiCu a été préparé avec succès, ce qui indique que la méthode proposée présente un excellent potentiel de reproductibilité et d'évolutivité
Adresse du document :
https://pubs.acs.org/doi/10.1021/jacs.4c06272
Le projet open source « awesome-ai4s » rassemble plus de 100 interprétations d'articles AI4S et fournit des ensembles de données et des outils massifs :
https://github.com/hyperai/awesome-ai4s
Ensemble de données : Ensemble de données initial diversifié
L'AL nécessite un certain ensemble de données de formation initiales pour démarrer le processus, et lorsque l'ensemble de données est limité, les modèles d'apprentissage automatique peuvent tirer parti d'un ensemble de données diversifié.
Dans la phase initiale de l’étude, les chercheurs ont construit une bibliothèque supplémentaire contenant 14 métaux de transition. En théorie, les positions des centres de coordination tétraédriques et octaédriques peuvent accueillir de 5 à 10 éléments métalliques et sont réparties dans des proportions équimolaires. Par conséquent, le nombre total de candidats potentiels au titre d’HESO est de 14 443, ce qui constitue l’espace catalyseur pour les cibles de recherche. Les chercheurs ont utilisé l'algorithme Kennard-Stone pour échantillonner 305 points de données, qui ont ensuite été synthétisés et caractérisés pour leurs phases cristallines, comme indiqué dans le tableau suivant :
De plus, les chercheurs ont combiné 209 échantillons supplémentaires collectés au cours des travaux préliminaires, ce qui a donné lieu à un ensemble de données initial diversifié de 514 points de données.Seuls 105 échantillons de cet ensemble de données initial sont monophasés, dont 55 échantillons proviennent de l'ensemble KS et 50 échantillons de l'ensemble Autres, et leur T90 (la température requise pour obtenir la conversion 90% du monoxyde de carbone dans la réaction de décalage du gaz à l'eau) varie de 334 à 800 °C.
Architecture du modèle : apprentissage actif pour mettre en œuvre le cycle formation-prédiction-expérimentation
Cette étude utilise une méthode d'apprentissage actif basée sur l'exploration pour explorer l'espace catalytique des oxydes de spinelle à haute entropie et éliminer les oxydes à haute entropie présentant des caractéristiques de production d'hydrogène élevées.Le cadre d’apprentissage actif comprend plusieurs cycles « Formation-Prédiction-Expérience ».Le flux de travail est illustré dans la figure suivante :
Au départ, les chercheurs ont utilisé la méthode d’échantillonnage Kennard-Stone pour sélectionner un sous-ensemble représentatif pour la formation. Cette méthode d’échantillonnage garantit que le sous-ensemble représentatif est réparti uniformément sur l’ensemble des données. Ce processus est crucial car il garantit la précision prédictive du modèle d’apprentissage automatique sur l’ensemble de l’espace catalyseur, sinon l’AL peut être biaisé et limité à l’exploration d’une zone étroite.
Par la suite, la pureté et l’activité catalytique des échantillons sélectionnés ont été déterminées expérimentalement. Le test de diffraction des rayons X (DRX) a été utilisé pour évaluer si les échantillons avaient une structure monophasée ; tandis que l'activité catalytique a été évaluée en mesurant T90.
À chaque itération, la pureté de phase des HESO a été prédite à l'aide du classificateur XGBoost, et seuls les échantillons avec une probabilité de plus de 50% prédite par le classificateur de pureté ont été pris en compte, et leur activité catalytique a été prédite à l'aide du régresseur XGBoost. Ensuite, les échantillons prévus comme étant purs en phase et avec l'activité catalytique la plus élevée (les 5 premiers échantillons avec les valeurs T90 les plus basses) ont été sélectionnés pour les expériences, et les données expérimentales ont été intégrées dans l'ensemble d'apprentissage de l'itération suivante.Ce cycle itératif se poursuit jusqu’à ce qu’aucun catalyseur à activité catalytique élevée ne puisse être trouvé.
De cette manière, les chercheurs ont pu sélectionner efficacement des HEO à haute performance qui produisent de l’hydrogène à des taux significativement plus élevés que les catalyseurs conventionnels dans la réaction de conversion eau-gaz.
Résultats de la recherche : 4 catalyseurs HESOs présentant d'excellentes performances ont été sélectionnés
Dans l’expérience, les chercheurs ont utilisé les diagrammes de diffraction des rayons X (DRX) comme descripteur, appelé valeur Ω, pour évaluer la pureté de la phase spinelle ; dans la réaction de décalage eau-gaz, T90 a été utilisé comme descripteur pour caractériser l'activité catalytique des HESO sélectionnés. Plus la valeur T90 est basse, plus le niveau d’activité des HESO sélectionnés est élevé.
1 Vérifier la capacité à découvrir les HESO grâce à l'apprentissage actif
Les chercheurs ont mené 4 séries d’itérations AL, en sélectionnant 5 échantillons à chaque série. Les résultats sont présentés dans la figure ci-dessous :
(a) Analyse en composantes principales de l'espace catalyseur, projetant les données sur un plan bidimensionnel. Chaque point représente un échantillon, l'arrière-plan gris représente l'ensemble de l'espace de données et les points colorés représentent l'ensemble de données initial ou les échantillons sélectionnés par AL.
(b) La pureté de la phase spinelle de l'échantillon
(c) Valeur T90 de l'échantillon
(d) Composition de l'échantillon sélectionné par AL
Parmi les 20 échantillons sélectionnés par AL, aucun n'a été trouvé comme étant non monophasé, présentant un taux d'impuretés de 0%. Cela contraste fortement avec l’ensemble de données initial, où le taux d’impureté est aussi élevé que 84%. Comme le montre la figure 1(b), la réduction des impuretés démontre l’efficacité de la méthode AL proposée pour identifier les échantillons purs. De plus, la valeur T90 de l'échantillon sélectionné par AL est de 357 ± 32 °C, ce qui est significativement inférieur à la valeur T90 de l'ensemble de données initial (513 ± 66 °C). Ce résultat indique queL'algorithme AL proposé peut trouver efficacement des HESO avec une activité catalytique plus élevée.
Comme le montre la figure (c) ci-dessus, AL a également trouvé 4 échantillons (A1.1, A1.2, A2.4 et A3.2) avec des valeurs T90 de 311 °C, 307 °C, 323 °C et 312 °C, respectivement, qui sont toutes inférieures à la valeur T90 la plus basse (334 °C) dans l'ensemble de données initial. Cela prouve l’efficacité du flux de travail AL proposé dans cette étude, permettant aux chercheurs d’identifier efficacement de nouveaux catalyseurs HESO aux propriétés idéales.
2. Vérifier l'activité catalytique des échantillons sélectionnés AL
La réaction de décalage du gaz à l'eau (WGS) est d'une grande importance industrielle et est principalement utilisée pour produire de l'hydrogène de haute pureté afin de répondre aux exigences d'application de l'ammoniac, de la synthèse du méthanol et des piles à combustible. Avant de tester l'activité catalytique des échantillons sélectionnés par AL, les chercheurs ont analysé les structures cristallines des quatre échantillons :
(Cr0,2Mn0,2Co0,2Ni0,2 Cu0,2)Al2O4, noté CrMnCoNiCu
(Cr0,2Mn0,2Ni0,2Cu0,2Zn0,2)Al2O4, noté CrMnNiCuZn
(Al1/7Cr1/7Mn1/7Co1/7Ni1/7Cu1/7Zn1/7)Al2O4, noté AlCrMnCoNiCuZn
(Cr1/7Mn1/7Fe1/7Co1/7Ni1/7Cu1/7Zn1/7)Al2O4, noté CrMnFeCoNiCuZn
Pour évaluer le potentiel d'évolutivité des méthodes synthétiques existantes,Les chercheurs ont réussi à synthétiser 20 g de catalyseur CrMnCoNiCu en un seul lot en utilisant un creuset de 500 ml et le même four à moufle. Comme le montre la figure ci-dessous, le catalyseur synthétisé à grande échelle conserve toujours une bonne structure spinelle monophasée, ce qui indique que la méthode adoptée dans cette étude présente un excellent potentiel de reproductibilité et d'évolutivité.
Dans le test XRD, la vitesse de balayage du catalyseur à grande échelle CrMnCoNiCu était de 0,02° et le temps de comptage par étape était de 2 s.
Les chercheurs ont ensuite testé l'activité catalytique des quatre catalyseurs HESO sélectionnés par AL, comme indiqué ci-dessous :
(a) Taux de conversion du CO ;
(b) Taux de production de H2
Conditions de réaction : vitesse spatiale (WHSV) = 200 000 mL/(h·gcat) ; gaz d'alimentation : 1,8% CO et 2,5% H2O, le gaz inerte est Ar
Comme le montre la figure (a) ci-dessus, les activités catalytiques de tous les échantillons correspondaient non seulement aux valeurs T90 prévues, mais présentaient également la meilleure activité de criblage. Par exemple, ML prédit que la T90 de l'échantillon CrMnCoNiCu est de 311 °C, alors que la T90 réellement mesurée est de 310 °C.
Plus important encore,Comparés aux catalyseurs CZA et Fe/Cr conçus traditionnellement, les échantillons criblés par ML ont montré une activité catalytique plus élevée.Par exemple, dans les mêmes conditions de réaction, le rendement en hydrogène de l'échantillon CrMnCoNiCu est de 135 μmol gcat⁻¹ min⁻¹, ce qui est significativement supérieur à 15 μmol gcat⁻¹ min⁻¹ de Fe/Cr et 81 μmol gcat⁻¹ min⁻¹ de CZA, comme le montre la figure ci-dessous.De plus, d'autres tests de stabilité ont montré que dans des conditions T90, les échantillons de CrMnCoNiCu et CrMnFeCoNiCuZn présentaient une bonne stabilité et maintenaient une activité élevée dans la production d'hydrogène.
Après plusieurs itérations, les chercheurs ont identifié avec succès les HESO les plus prometteurs dans une large gamme d'espaces chimiques, qui ont montré d'excellentes performances de production d'hydrogène (251 μmol gcat⁻¹ min⁻¹) dans la réaction de décalage eau-gaz à 300 °C, tout en montrant une excellente stabilité dans des tests d'une durée allant jusqu'à 120 heures.
En résumé, les chercheurs ont sélectionné 4 MgAl2O4 à haute entropie très efficaces parmi 14 443 échantillons candidats. Catalyseur de type spinelle.
L'IA injecte une forte puissance d'innovation dans la recherche et le développement de matériaux à haute entropie
Si vous deviez demander quel est le matériau le plus en vogue du 21e siècle ? Ensuite, les matériaux à haute entropie doivent occuper une place, principalement représentée par deux catégories : les HEA (alliages à haute entropie) et les HEO (oxydes à haute entropie).
Parmi eux, les alliages à haute entropie présentent les avantages d'une résistance élevée, d'une dureté élevée, d'une résistance à la corrosion, d'une résistance à l'usure, d'une résistance aux températures élevées, d'une résistance aux radiations et d'un magnétisme doux, etc., et ont de larges perspectives d'application. Par exemple, leur bonne réfractarité les rend adaptés à une utilisation comme matériaux pour aubes de turbine, matériaux de soudage, matériaux d'échangeurs de chaleur, matériaux réfractaires pour fours à haute température et matériaux aérospatiaux, etc.
Bien que les alliages à haute entropie présentent d’excellentes caractéristiques, la découverte de nouveaux composants d’alliages à haute entropie reste une tâche de recherche ardue. La composition élémentaire des alliages à haute entropie doit être contrôlée dans une certaine plage. Des éléments excessifs ou insuffisants peuvent entraîner une diminution des performances de l'alliage. Dans le même temps, les différentes compositions élémentaires des alliages à haute entropie peuvent produire des effets non linéaires, et il est difficile de prédire avec précision leurs performances par des méthodes expérimentales traditionnelles. Dans ce contexte, l’utilisation de technologies d’IA telles que l’apprentissage automatique peut mener à bien la recherche et le développement d’alliages à haute entropie plus rapidement et plus facilement.
Il n'y a pas longtemps, l'équipe de Su Yanjing à l'Université des sciences et technologies de Pékin a conçu un cadre d'optimisation multi-objectifs (MOO) qui combine ML, recherche génétique, analyse de cluster et retour d'information expérimental.Et en ciblant l'espace de composition des alliages réfractaires à haute entropie (RHEA), nous recherchons des alliages avec une résistance optimale à haute température et une ductilité à température ambiante. Plus précisément, l’équipe de recherche a synthétisé 24 RHEA et déterminé que l’alliage ZrNbMoHfTa a un potentiel pour des applications à haute température. Parmi eux, l'alliage Zr0,13Nb0,27Mo0,26Hf0,13Ta0,21 a présenté une excellente résistance mécanique, avec une limite d'élasticité de près de 940 MPa à 1200°C et une déformation à la rupture à température ambiante de 17,2%. La remarquable résistance à la chaleur et la bonne stabilité structurelle de l'alliage indiquent son potentiel pour des applications structurelles à haute température, tandis que sa ductilité à température ambiante améliore les propriétés de traitement de l'alliage.
Examinons maintenant les oxydes à haute entropie. En raison des innombrables compositions élémentaires, il est extrêmement difficile de découvrir des catalyseurs HEO par essais et erreurs. Cet octobreLe groupe de recherche de Zhang Pengfei à l'École de chimie et de génie chimique de l'Université du Ningxia a fait des progrès dans la recherche sur le criblage par apprentissage automatique des catalyseurs à base d'oxydes à haute entropie.L’équipe a établi un modèle de régression de haute qualité en recherchant des données négatives et en sélectionnant des données de formation appropriées pour rechercher des catalyseurs offrant de meilleures performances. Finalement, le catalyseur non conventionnel Ni0,04Co0,48Zn0,36V0,12Cr2Ox a été éliminé, qui présente une excellente résistance au soufre et à l'eau et une stabilité à long terme (> 7 000 heures, T(90) = 345 °C).
La recherche connexe a été publiée dans JACS sous le titre « Découverte accélérée par apprentissage automatique de catalyseurs à oxyde stabilisés par entropie pour l'oxydation catalytique ».
De toute évidence, la technologie de l’intelligence artificielle a injecté une puissante impulsion innovante dans le développement d’alliages à haute entropie, et elle devrait être plus largement utilisée dans des domaines tels que l’énergie, la protection de l’environnement et les nouveaux matériaux à l’avenir.
Références :
1.https://pubs.acs.org/doi/10.1021/jacs.4c06272
2.https://www.mip1953.com/newsinfo/6451538.html