社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

麦吉尔大学/美国西北大学JMCA:机器学习/第一性原理预测二维过渡金属二硫族化物合金基面位点的HER催化性质

科学材料站 • 1 年前 • 265 次点击  


文 章 信 息

机器学习/第一性原理预测二维过渡金属二硫族化物合金基面位点的HER催化性质

第一作者:陈艺青

通讯作者:欧鹏飞 *, 宋俊 *

单位:加拿大麦吉尔大学,美国西北大学


研 究 背 景

氢能是最清洁的能源之一,对于实现双碳目标和解决能源危机至关重要。二维过渡金属二硫族化物(2D TMDC)是一类有前途的析氢反应(HER)电催化剂。然而,2D TMDC上HER反应的活性位点通常只分布在边缘,而占据大部分面积的材料基面往往是惰性的,这限制了2D TMDC催化性能的提高。

先前实验表明,合金化可以提升2D TMDC的HER催化性能,但其机理尚不清楚。另外,2D TMDC合金存在多种可能的组合,可能导致不同的稳定性和催化性能,这增加了研究的难度并限制了传统试错方法的适用性。因此,采用合适的方法筛选2D TMDC合金以催化HER并研究其基面活化机理具有重要的意义。


文 章 简 介

基于此,来自加拿大麦吉尔大学的博士生陈艺青(导师为宋俊教授)与美国西北大学的欧鹏飞博士在国际期刊Journal of Materials Chemistry A上发表题为“Basal plane activation of two-dimensional transition metal dichalcogenides via alloying for hydrogen evolution reaction: first-principles calculations and machine learning prediction”的研究论文。

该工作建立了一个基于密度泛函理论(DFT)计算的机器学习工作流程,以预测一系列不同组成的2D TMDC三元合金的HER活性和稳定性。结果表明,合金化能够显著降低基面氢吸附的吉布斯自由能(ΔGH),证明了合金化是活化基面以催化HER的可行途径。同时,对这些2D TMDC合金的稳定性预测进一步显示了它们在实验中合成的潜力。通过进一步分析发现,合金化诱导的基面活化机制源于电子效应,即由化学成分变化导致的吸附位点p带位移。这些发现有望为2D TMDC合金催化应用的合理设计提供指导。


本 文 要 点

要点一:机器学习流程预测2D TMDC三元合金的HER活性和稳定性

我们使用机器学习流程预测一系列不同浓度的2H-MX2三元合金(M = Cr、Mo、W、V、Nb、Ta、Ti、Zr、Hf;X = S、Se)的稳定性和基面HER活性(图1),数据集包括1140个基于DFT计算的合金吸附构型(图2a,c)。合金的HER活性由氢吸附的吉布斯自由能(ΔGH)描述,合金热力学稳定性的判定标准为完全混溶的临界温度TCM < 1000 K。我们选择原子序数(Z)、Pauling电负性(χ)和原始MX2上氢吸附的吉布斯自由能(ΔGH-MX2)作为每个TMDC合金构型的特征向量。训练的模型准确预测了多达8400个不同的合金吸附构型的的稳定性和基面HER活性。HER活性测试集的平均绝对误差为0.1 eV,稳定性测试集的精度为89.3%。

图1. a. 2D TMDC吸附构型示意图,其中过渡金属、硫族元素、氢原子分别用青、黄和白球表示。b. 机器学习预测ΔGH和热力学稳定性的工作流程。


图2 a. MS2和MSe2上氢吸附的DFT计算ΔGH的归一化分布。b. ΔGH预测的训练集和测试集的性能。c. MS2和MSe2的DFT计算稳定和不稳定合金的比例。d. 稳定性预测的训练集和测试集的性能。


要点二:合金化是激活基面以催化HER的可行途径

机器学习预测了每种合金ΔGH随浓度的变化(图3)。结果表明合金化后某些构型的ΔGH值显著降低,低于对其原始结构进行线性插值所得到的ΔGH值。而其中一些MS2合金,如Mo(1-x)VxS2,W(1-x)HfxS2和Ti(1-x)ZrxS2,在广泛浓度范围内更是具有理想的ΔGH值。这些结果表明,合金化可以有效激活基面以催化HER。

此外我们还观察到,当相应原始TMDCs的ΔGH值差异较大时,合金化效应往往更为显著,这可能是因为在这些合金中原子之间的电荷重新分布更加明显。我们还计算了每种合金中理想吸附位点所占的比例,考虑了只考虑活性和同时考虑活性与稳定性两种情况,展示在图4中。上述结果为实验合理设计2D TMDC合金催化剂提供了重要信息。

图3. 8种代表性TMDC三元合金在不同浓度下的ΔGH。黑色虚线表示ΔGH的理想值。


图4. HER活性热力图分别展示了MS2合金吸附位点的:a)ΔGH在(-0.1, 0.1) eV理想范围内的比例;和b)稳定性和理想ΔGH所占的比例。方框内数字表示比例数值,该值也在图中用颜色深浅反映。


要点三:合金化激活2D TMDC基面的机理研究

为了探索合金化在增强2D TMDC基面HER活性的潜在机制,我们进一步分析2D TMDC合金的电子结构。如图5a所示,合金的ΔGH 和硫族原子的p带中心(εp)之间存在良好的线性相关性。我们还发现,TMDC合金中化学成分变化可以显著改变硫族原子的p带位置(图5b)。合金化导致硫族元素的p带向费米能级移动,这增强了氢原子在硫族原子上的吸附,从而提高了合金的HER活性。研究进一步探索了合金的形成过程,结果显示原子之间的电荷交换(CEX)对εp的变化起到了关键的作用(图6)。

图5. a. MS2和MSe2的εp与ΔGH之间的关系。b. Mo(1-x)VxS2和W(1-x)VxSe2合金中最佳(最低)ΔGH的吸附位点的εp随化学成分变化的趋势。


图6. a. 体积变形(VD)、电荷交换(CEX)和结构弛豫(SR)步骤组分加权平均εp的演变。b. 两种代表性合金上氢吸附位点附近的金属原子电荷密度差分布图。


文 章 链 接

Basal plane activation of two-dimensional transition metal dichalcogenides via alloying for hydrogen evolution reaction: first-principles calculations and machine learning prediction

https://pubs.rsc.org/en/Content/ArticleLanding/2023/TA/D3TA01361H


主 要 作 者 简 介

欧鹏飞博士(通讯作者):2020年在加拿大麦吉尔大学获得博士学位,2020-2022年在加拿大多伦多大学从事博士后研究;现为美国西北大学化学系Research Associate,合作导师为Edward H. Sargent教授。长期从事计算电化学和数据驱动催化材料的研究和开发。以第一作者和通讯作者(含共同)在Nat. Energy,Nat. Catal.,Nat. Commun.,J. Am. Chem. Soc.,Sci. Adv.和Proc. Natl. Acad. Sci.等学术期刊发表多篇论文。至今已发表论文60余篇,被引用1300余次,H因子为20。


陈艺青(第一作者):加拿大麦吉尔大学博士研究生,主要研究方向为催化材料理论设计,以第一作者(含共同)在Proc. Natl. Acad. Sci., J. Mater. Chem. A, Commun. Chem.和Green Chem.等学术期刊上发表多篇论文。


添加官方微信 进群交流

SCI二氧化碳互助群

SCI催化材料交流群

SCI钠离子电池交流群

SCI离子交换膜经验交流群

SCI燃料电池交流群

SCI超级电容器交流群

SCI水系锌电池交流群

SCI水电解互助群

SCI气体扩散层经验交流群

备注【姓名-机构-研究方向】

说明

🔹本文内容若存在版权问题,请联系我们及时处理。

🔹欢迎广大读者对本文进行转发宣传。

🔹《科学材料站》会不断提升自身水平,为读者分享更加优质的材料咨询,欢迎关注我们。

投稿请联系contact@scimaterials.cn

致谢

感谢本文作者对该报道的大力支持。

点分享

点赞支持

点在看


Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/153961
 
265 次点击