Nat. Commun. | 机器学习加速高性能铂材料燃料电池催化剂设计

521次阅读
没有评论

点击蓝字 关注我们

AItellU

编者 | 刹那芳华

制版 | 戈戈

Nat. Commun. | 机器学习加速高性能铂材料燃料电池催化剂设计

第一作者:Peng Yin

通讯作者:梁海伟

第一单位:中国科学技术大学

DOI:10.1038/s41467-023-44674-1

1

全文一句话速览

在巨大的构型空间中进行机器学习虚拟筛选,统计量化化学有序对热力学稳定性的影响,发现在PtCo中引入Cu/Ni可以通过诱导Co-Cu/Ni无序来提供额外的稳定能,从而促进有序化过程,在材料比活性和活性表面积之间实现更好的权衡,并用湿实验制备该材料。

2

研究背景

昂贵的铂基电催化剂在氧气还原反应在染料电池中使用广泛,但铂金属的使用成本高昂。结合碳载体的铂基金属间化合物(IMC)纳米粒子可大幅降低铂用量,已成为潜在的提高质子交换膜燃料电池ORR的低铂催化剂。然而,促进有序化所需的高温退火会导致烧结,从而减少电化学表面积(ECSA)。虽可以制备小尺寸铂基金属间化合物催化剂抵消烧结,但由于无序到有序转变的热力学驱动力不足,往往导致有序度较低。本研究探讨了二元PtCo IMC催化剂合成中ECSA和比活性(SA)之间的矛盾,并提出了一种基于机器学习的方法来预测Pt2CoM组合的相对能量,从而解决了在IMC催化剂中实现高有序度和小颗粒的挑战。

3

全文亮点

使用机器学习解决了铂基电催化剂化学表面积和比活性二者不可兼得的问题

4

图文解析

1.三元Pt2CoM合金的计算筛选

为了减少实验试验和错误,这项研究从理论上筛选了Pt2CoM三元体系,从16个潜在元素的初始池中筛选出第三个元素(M)。筛选考虑了M在PtCo合金中的溶解度。与二元PtCo相比,三元Pt2CoM促进材料无序到有序的转变,以及更高的氧还原反应(ORR)活性的可能性。这一方法缩小了Pt2CoCu和Pt2CoNi的潜在三元候选者的范围,然后进行了实验验证。根据相对能量和结构形变评价了M在PtCo合金中的溶解度。利用Warren-Cowley短程有序对无序到有序转变的可行性评估,并采用主动学习策略训练机器学习模型来预测相对能量(图1)。研究发现,Pt2CoCu和Pt2CoNi表现出与全有序PtCo相似的ORR活性,为实现比活性和电化学活性表面积之间的有利折衷提供了创新的设计视角(图2)。

Nat. Commun. | 机器学习加速高性能铂材料燃料电池催化剂设计

图1 机器学习模型的开发

Nat. Commun. | 机器学习加速高性能铂材料燃料电池催化剂设计

图2 机器学习模型的结果反馈

2. Pt2CoCu/Pt2CoNi催化剂的合成与表征

将H_2PtCl6和相应的非贵金属盐湿法浸渍到碳载体上,然后进行高温热处理,合成了Pt2CoCu和Pt2CoNi催化剂。粉末X射线衍射(XRD)表征证实了L10型金属间化合物结构的形成,具有特征的超晶格特征峰,区别于无序的PtCo合金(图3)。Rietveld精修和Debai-Scherer方程计算表明,Pt2CoCu和Pt2CoNi的金属间化合物相均匀,晶体尺寸较小。高角度环状暗场扫描电子显微镜(HAADF-STEM)显示,纳米粒子在碳基质上均匀分布,尺寸范围较窄。能谱(EDS)元素图谱表明,铂和其他元素分布均匀,没有偏析(图4)。经原子分辨像差校正的HAADF-STEM证实了Pt2CoCu/Pt2CoNi催化剂的有序结构,显示出铂和非贵金属柱交替的亮暗堆积,与面心四方有序结构的理论预测一致。

Nat. Commun. | 机器学习加速高性能铂材料燃料电池催化剂设计

图3 Pt2CoCu/Pt2CoNi IMC催化剂的合成

3.电化学性能

用旋转圆盘电极(RDE)技术评价了Pt2CoCu和Pt2CoNi催化剂以及二元PtCo催化剂的ORR活性。二元PtCo催化剂表现出比活性和电化学活性表面积之间的平衡,限制了它们的质量活性。相反,Pt2CoCu/Pt2CoNi催化剂打破了这一平衡,表现出高的SA和ECSA,导致了较大的MA(图5)。经过加速耐久性试验,Pt2CoCu/Pt2CoNi催化剂的MA和SA均有所下降。Pt2CoCuIMCs催化剂的PEMFC性能,经过酸浸和低温氢气退火形成活性的铂-IMCs@铂核壳结构,在几乎两倍于铂负载量的情况下,表现出与铂/碳阴极相当的高功率密度。Pt2CoCuIMC催化剂由于其高的ECSA,在高电流密度区也表现出更好的功率性能。耐久性评估表明,与铂/碳阴极相比,Pt2CoCu阴极在0.8A cm−2时具有更低的电压损失和更高的MA保持率,超过了能源部的耐久性目标。

Nat. Commun. | 机器学习加速高性能铂材料燃料电池催化剂设计

图4 结构表征

Nat. Commun. | 机器学习加速高性能铂材料燃料电池催化剂设计

图5 RDE性能

5

通讯作者介绍

梁海伟,中国科学技术大学化学系教授。研究方向:原子有序合金(金属间化合物)燃料电池催化剂的设计和制备。

6

编者有话说

在机器学习加速计算筛选的辅助下,作者建立了小型化、高序化的燃料电池IMC催化剂的实验-理论-协同设计策略。计算发现,由于Co-Cu/Co-Ni无序引入的附加稳定能,合金化促进了IMC的形成。实验结果表明,Pt2CoCu/Pt2CoNi三元IMC催化剂可以实现小尺寸(高ECSA)和高有序度(高SA)的相容性,最终在实际燃料电池中实现质量归一化性能的改善

转载须知

原创文章】AItellU原创文章,欢迎个人转发分享,未经允许禁止转载,所刊登的所有作品的著作权均为AItellU所有。AItellU保留所有法定权利,违者必究。

Nat. Commun. | 机器学习加速高性能铂材料燃料电池催化剂设计

投稿、转载及合作邮箱:

zjhuangjunjie@163.com

原文链接:

https://www.nature.com/articles/s41467-023-44674-1

点击下方蓝字阅读原文

 

Read More 

正文完
可以使用微信扫码关注公众号(ID:xzluomor)
post-qrcode
 
评论(没有评论)
Generated by Feedzy