人人爽人人爽人人片a有剧情,国产欧美在线观看一区二区三区

AI 臨近,？加速電催化劑篩選的高通量納米沉積系統(tǒng)

復納科技 2024-04-03 | 閱讀：950

引言

INTRODUCTION

堿性水電解作為一種重要的電化學反應，可作為大規(guī)模產(chǎn)生氫氣的可行候選方式（僅次于質子交換膜）,。通過對水電解催化劑進行篩選,，可制備與傳統(tǒng)方式相比更為高效的電極材料，從而確定下一步研發(fā)所需的材料體系,。

為此,，Avantium Chemicals BV 與荷蘭 VSParticle 公司合作，基于火花燒蝕納米印刷沉積系統(tǒng)和電化學高通量篩選裝置組合進行了堿性水電解催化劑的篩選實驗,。經(jīng)過驗證,，這一裝置組合能夠在工業(yè)化電流密度下的流體動力學條件下制備和篩選電極材料。這表明該裝置不僅適用于篩選最佳催化劑和穩(wěn)健的催化劑制備,，而且還可用于優(yōu)化更大規(guī)模的實驗,。

用于快速篩選電催化劑的高通量電化學平臺

Part 1 實驗內容介紹

在該實驗中，研究人員利用火花燒蝕技術生成具有催化活性的納米粒子,，并通過惰性載氣將其傳輸并直接沉積到電極上,。這種方法的優(yōu)勢在于納米顆粒的表面不與封端劑或配體發(fā)生反應，因此它們可以輕松地附著在電極襯底上,，而無需使用濕法沉積所需的粘合劑,、后處理或其他流程。

可通過改變 8×8 電極矩陣中的兩個參數(shù)來進行實驗：一是通過調節(jié)火花納米顆粒催化劑發(fā)生器的相對功率來改變 Fe/Ni 比率,，二是通過控制沉積時間來調節(jié) Ni 和 Fe 納米粒子混合膜在鍍鎳基底上的膜厚度,。值得一提的是，火花放電的燒蝕速率與輸入功率成正比,。此外,，火花燒蝕與納米材料打印的結合還使我們能夠以可控、快速,、精準的方式改變其他參數(shù),，例如顆粒尺寸、薄膜形態(tài)以及單個顆粒的成分,。

火花燒蝕技術可以產(chǎn)生 20000K 的高溫放電通道,，使靶材材料跨越液化過程從而實現(xiàn)直接氣化。

電化學裝置

系統(tǒng)由 64 個平行板電化學流通池組成,，陽極室和陰極室之間通過膜隔開,。這些單元可以采用矩陣尋址方法進行順序或批量并行操作，從而最小化成本并實現(xiàn)向更大電極矩陣的擴展,。

串聯(lián)運行：電解液被泵擠入第一個通道,，再從那里進入第二個通道，依此類推,，然后從第八個通道流出,，一次測量一個電池。

并行流運行：其中一個傳入流被分成八個流，并引入每個分通道,。此配置用于半并行操作,，可同時測量八個電池。

火花燒蝕納米印刷沉積系統(tǒng)

催化劑篩選效率受多種因素制約,，其中包括高通量篩選系統(tǒng)和多組分催化劑快速合成的挑戰(zhàn),。傳統(tǒng)化學方法在電催化劑合成方面面臨著困難，因為電催化劑通常涉及多種比例的金屬和氧化物組合,，需要進行多批次的合成,。此外，由于篩選過程中使用的催化劑量較少,，每次合成都會產(chǎn)生大量浪費,。此外，可重復合成多種組分的電催化劑也是一個重要指標,。

采用火花燒蝕技術的方法,，可以快速制備多種納米級金屬、合金和氧化物顆粒催化劑,，催化劑初始粒徑可控制在 0-20nm 范圍內（可參考文章：《閃電也能制備納米材料,，火花簡史Ⅰ》）。結合干法沖壓沉積模塊,，即可在任意平面基底表面實現(xiàn)選區(qū)薄膜打印沉積（可參考文章：《VSPARTICLE 干法納米打印技術,，加速材料研發(fā)進程》）。

在這個方案中,，研究者使用兩臺納米顆粒催化劑發(fā)生器 VSP-G1 分別制備 Ni 和 Fe 催化劑,，并調節(jié)它們的生成比例，然后在 64 個 dots 上沉積了多種組分的催化劑,。

利用兩臺納米顆粒催化劑發(fā)生器混合 Ni/Fe 催化劑后使用氣溶膠沉積打印在 8×8 陣列樣品池中

堿性電解水測試

在堿性水電解實驗中,，電池電位是唯一的輸出變量。通過在八種不同的沉積時間中沉積八種不同比例的鎳和鐵納米粒子,，使用火花燒蝕制備了 64 個不同比例的陽極催化劑（而陰極則使用鎳）,。在電解液（30% KOH）中，陽極和陰極之間通過增強聚苯硫醚（PPS）膜隔開并循環(huán),。當電流密度增加到 200 mA/cm2 后，電池電位通常在兩小時內穩(wěn)定在 2.3 至 2.6 V,。

堿性水電解實驗中使用的納米顆粒沉積物的參數(shù)水平,。通過調節(jié)兩臺發(fā)生器的相對功率來改變沉積物中的 Ni / Fe 比，保持總功率恒定

實驗采用半平行配置,，同時測量 8 個電極,。陽極電解液和陰極電解液流道中的八個流是通過使用 1-8 歧管和八個毛細管產(chǎn)生的，以產(chǎn)生 0.6 bar 的壓降，從而在所有八個通道中產(chǎn)生相等的流量,。在去除異常值后,，繪制了穩(wěn)定電池電勢與兩個不同參數(shù)的關系圖（見下圖 A 和 B）。從圖中可以看出,，電勢隨著納米顆粒催化劑組合物中的鎳含量（即產(chǎn)鎳發(fā)生器的輸出功率）線性增加,，同時隨著沉積時間的增加呈對數(shù)減少，直至達到 160 秒后再次開始增加,。圖 C 中的等值線圖更清楚地顯示了這種現(xiàn)象,，可以發(fā)現(xiàn)在電池電位為 2.35V 的最佳催化劑沉積條件區(qū)域（鎳含量為 0% 時，即鐵含量為 100%）的沉積時間約為 100 秒,。

A,B 去除異常值后的電位變量圖,。C 等高線圖顯示電池電位隨 Ni / Fe 發(fā)生器功率比和沉積時間的變化。

小結

測試數(shù)據(jù)顯示,，Ni / Fe 比率和沉積時間對電池電位有顯著影響,。隨著鎳納米粒子的百分比增加，電勢增加,，但性能下降得越明顯,。此外，較長的沉積時間導致較低的電池電位,，但在一定的沉積時間范圍內,，電池電位會再次增加。結果表明,，隨著鐵含量的增加,，鐵納米顆粒覆蓋了鎳層，改善了催化作用,，但過多的鐵會導致催化效率下降,。

總的來說，結合電化學篩選平臺和火花燒蝕沉積技術,，可以有效地對電解水制氫催化劑進行篩選,。這一方法不僅能夠優(yōu)化催化劑的性能，還能為催化劑的生產(chǎn)和更大規(guī)模的測試提供重要支持,。

Part 2 材料的 AI 時代已經(jīng)來臨

人工智能正在引發(fā)材料研發(fā)的新革命,。谷歌旗下的 Graph Networks for Materials Exploration（GNoME）在 2023 年年底發(fā)布了一項研究，成功尋找到了 38 萬余個熱力學穩(wěn)定的晶體材料,。這一成果相當于為人類增加了 800 年的智力積累,，極大地加快了發(fā)現(xiàn)新材料的研究速度。

科技巨頭們已經(jīng)看準了相同的技術路線：（1）首先,，他們通過理論計算獲取材料科學數(shù)據(jù),；（2）然后,，利用高通量計算生產(chǎn)海量數(shù)據(jù)；（3）接著,，將這些數(shù)據(jù)輸入到人工智能模型中進行訓練,；（4）最后，利用這些訓練有素的模型推理未知材料的性能,。這種整合了理論計算,、高通量計算和人工智能的方法極大地加速了材料研發(fā)過程，為新材料的發(fā)現(xiàn)和應用提供了更廣闊的可能性,。

GNoME 數(shù)據(jù)集宣稱找到了 384781 種熱力學穩(wěn)定的無機材料,，大部分來自人類很少涉足的元素組合，且大部分是金屬化合物,。

電催化劑的開發(fā)越來越依賴于低成本材料體系開發(fā)和合成技術的進步,。因此，利用高通量方法實現(xiàn)材料的自動化,、可重復生成,，可以進一步幫助大模型的訓練和學習。在宏觀尺度上,，金屬存在不互溶的現(xiàn)象,，但在更小的納米及原子尺度上，存在著更多可能的合金材料,。VSParticle 采用的火花燒蝕放電技術能夠實現(xiàn)原子及納米尺度的材料混合,，而且在僅更換靶材的情況下就能夠實現(xiàn)多種材料體系的合成。這種方法也有效地解決了傳統(tǒng)化學合成效率低,、可重復性差的問題,，從而進一步推動了大數(shù)據(jù)模型的自主學習效率。

火花燒蝕技術可以產(chǎn)生多種組分納米顆粒,，是無機納米材料大數(shù)據(jù)模型建立的重要參考技術之一

同時 VSParticle-P1 納米印刷沉積系統(tǒng),，可以實現(xiàn)具有獨特性能的無機納米結構材料的打印直寫或沉積，并可提供打印不同成分和厚度的納米多孔層的選項,，可廣泛應用于電催化,，傳感器，線路互聯(lián),，增強拉曼等領域,。

如果您想獲取更多產(chǎn)品詳情和應用案例，歡迎隨時聯(lián)系我們 400 857 8882,。您也可以通過下方的二維碼填寫快速填寫您的需求,，我們將盡快聯(lián)系您。

微信圖片_20240403144027.png

識別二維碼即可快速填寫需求

參考文獻

【1】 Becker R, Weber K, Pfeiffer T V, et al. A scalable high-throughput deposition and screening setup relevant to industrial electrocatalysis[J]. Catalysts, 2020, 10(10): 1165.

【2】 A. Merchant, S. Batzner, S. S. Schoenholz, M. Aykol, G. Cheon, and E. D. Cubuk, “Scaling deep learning for materials discovery,” Nature, vol. 624, no. 7990, pp. 80–85, Dec. 2023, doi: 10.1038/s41586-023-06735-9.

相關產(chǎn)品