• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  •  Science >> Vetenskap >  >> Kemi
    AI-teknik främjar produktion av grönt väte med hjälp av mer rikliga kemiska element
    Forskargruppen utvecklade en AI-teknik som kan förutsäga sammansättningen av material med önskvärda egenskaper genom att byta prediktionsmodeller beroende på storleken på de datauppsättningar som är tillgängliga för analys. Kredit:National Institute for Materials Science

    Ett NIMS-forskarlag har utvecklat en AI-teknik som kan påskynda identifieringen av material med önskvärda egenskaper. Med den här tekniken kunde teamet upptäcka högpresterande vattenelektrolyserelektrodmaterial fria från platinagruppelement - ämnen som tidigare ansågs vara oumbärliga vid vattenelektrolys. Dessa material kan användas för att minska kostnaderna för storskalig produktion av grönt väte – en nästa generations energikälla. Forskningen publicerades i ACS Central Science .



    Storskalig produktion av grönt väte med hjälp av vattenelektrolysatorer är ett hållbart sätt att uppnå koldioxidneutralitet. För närvarande tillgängliga vattenelektrolysatorer förlitar sig på dyra, knappa platinagruppelement som deras huvudsakliga elektrokatalysatorkomponenter för att accelerera den långsamma syreutvecklingsreaktionen (OER) – en elektrolytisk vattenreaktion som kan producera väte.

    För att ta itu med denna fråga pågår forskning för att utveckla platinagruppfria, billigare OER-elektrokatalysatorer som består av relativt rikliga kemiska element som är kompatibla med storskalig produktion av grönt väte. Att identifiera de optimala kemiska sammansättningarna av sådana elektrokatalysatorer från ett oändligt stort antal möjliga kombinationer hade emellertid visat sig vara oerhört kostsamt, tidskrävande och arbetskrävande.

    Detta NIMS-forskarteam utvecklade nyligen en AI-teknik som kan förutsäga sammansättningen av material med önskvärda egenskaper genom att byta prediktionsmodell beroende på storleken på de datauppsättningar som är tillgängliga för analys.

    Ramen för samarbete mellan människa och maskin för accelererad upptäckt av OER-elektrokatalysatorer. Kredit:ACS Central Science (2023). DOI:10.1021/acscentsci.3c01009

    Med hjälp av denna AI kunde teamet identifiera nya, effektiva OER-elektrokatalytiska material från cirka 3 000 kandidatmaterial på bara en enda månad. Som referens beräknades en manuell, omfattande utvärdering av dessa 3 000 material ta nästan sex år.

    Dessa nyupptäckta elektrokatalytiska material kan syntetiseras med endast relativt billiga och rikliga metalliska element:mangan (Mn), järn (Fe), nickel (Ni), zink (Zn) och silver (Ag). Experiment visade att under vissa förhållanden uppvisar dessa elektrokatalytiska material överlägsna elektrokemiska egenskaper jämfört med rutenium (Ru)-oxider – de befintliga elektrokatalytiska materialen med den högsta kända OER-aktiviteten.

    I jordskorpan är Ag det minst förekommande elementet bland de som utgör de nyupptäckta elektrokatalytiska materialen. Dess jordskorpans överflöd är dock nästan 100 gånger större än Ru, vilket indikerar att dessa nya elektrokatalytiska material kan syntetiseras i tillräckligt stora mängder för att möjliggöra massproduktion av väte med vattenelektrolysatorer.

    Dessa resultat visade att denna AI-teknik kunde användas för att utöka gränserna för mänsklig intelligens och dramatiskt påskynda sökandet efter material med högre prestanda. Med hjälp av tekniken planerar teamet att påskynda sina ansträngningar för att utveckla nya material – främst material för elektrolyser för vattenelektrod – för att förbättra effektiviteten hos olika elektrokemiska enheter som bidrar till kolneutralitet.

    Detta projekt genomfördes av ett NIMS-forskarteam ledd av Ken Sakaushi (huvudforskare) och Ryo Tamura (teamledare). Detta arbete utfördes i samband med ett annat projekt med titeln "Sökning med hög genomströmning av havsvattenelektrolyskatalysatorer genom att kombinera automatiserade experiment med datavetenskap" under JST-Mirai-programmets uppdragsområde, "lågt koldioxidsamhälle."

    Mer information: Ken Sakaushi et al, Human–Machine Collaboration for Accelerated Discovery of Promising Oxygen Evolution Electrocatalysts with On-Demand Elements, ACS Central Science (2023). DOI:10.1021/acscentsci.3c01009

    Tillhandahålls av National Institute for Materials Science




    © Vetenskap https://sv.scienceaq.com