CN114613445A - 一种预测二氧化碳电还原铜合金催化剂的方法 - Google Patents
一种预测二氧化碳电还原铜合金催化剂的方法 Download PDFInfo
- Publication number
- CN114613445A CN114613445A CN202210234812.7A CN202210234812A CN114613445A CN 114613445 A CN114613445 A CN 114613445A CN 202210234812 A CN202210234812 A CN 202210234812A CN 114613445 A CN114613445 A CN 114613445A
- Authority
- CN
- China
- Prior art keywords
- carbon dioxide
- adsorption energy
- adsorption
- copper alloy
- reduction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 title claims abstract description 42
- 229910002092 carbon dioxide Inorganic materials 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000003054 catalyst Substances 0.000 title claims abstract description 26
- 239000001569 carbon dioxide Substances 0.000 title claims abstract description 21
- 229910000881 Cu alloy Inorganic materials 0.000 title claims abstract description 18
- 238000001179 sorption measurement Methods 0.000 claims abstract description 47
- 238000010801 machine learning Methods 0.000 claims abstract description 25
- 238000006722 reduction reaction Methods 0.000 claims abstract description 25
- 238000003775 Density Functional Theory Methods 0.000 claims abstract description 24
- 239000000543 intermediate Substances 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 230000009467 reduction Effects 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 11
- 125000000896 monocarboxylic acid group Chemical group 0.000 claims abstract description 10
- 239000000956 alloy Substances 0.000 claims abstract description 8
- 229910045601 alloy Inorganic materials 0.000 claims abstract description 7
- 239000000463 material Substances 0.000 claims abstract description 5
- BDAGIHXWWSANSR-UHFFFAOYSA-N Formic acid Chemical compound OC=O BDAGIHXWWSANSR-UHFFFAOYSA-N 0.000 claims description 15
- 235000019253 formic acid Nutrition 0.000 claims description 15
- 239000013078 crystal Substances 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 229910052739 hydrogen Inorganic materials 0.000 claims description 9
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 7
- 239000007806 chemical reaction intermediate Substances 0.000 claims description 7
- 239000001257 hydrogen Substances 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 5
- 229910018565 CuAl Inorganic materials 0.000 claims description 3
- 229910003336 CuNi Inorganic materials 0.000 claims description 3
- 229910016551 CuPt Inorganic materials 0.000 claims description 3
- 229910016347 CuSn Inorganic materials 0.000 claims description 3
- 229910002535 CuZn Inorganic materials 0.000 claims description 3
- 230000000052 comparative effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims 3
- 230000000704 physical effect Effects 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 18
- 239000000047 product Substances 0.000 description 12
- 239000002156 adsorbate Substances 0.000 description 8
- 229910002091 carbon monoxide Inorganic materials 0.000 description 6
- 230000003197 catalytic effect Effects 0.000 description 4
- 238000002844 melting Methods 0.000 description 4
- 230000008018 melting Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000009835 boiling Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 210000002858 crystal cell Anatomy 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000005275 alloying Methods 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- CSJDCSCTVDEHRN-UHFFFAOYSA-N methane;molecular oxygen Chemical compound C.O=O CSJDCSCTVDEHRN-UHFFFAOYSA-N 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
- C25B1/00—Electrolytic production of inorganic compounds or non-metals
- C25B1/01—Products
- C25B1/23—Carbon monoxide or syngas
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
- C25B11/00—Electrodes; Manufacture thereof not otherwise provided for
- C25B11/04—Electrodes; Manufacture thereof not otherwise provided for characterised by the material
- C25B11/051—Electrodes formed of electrocatalysts on a substrate or carrier
- C25B11/073—Electrodes formed of electrocatalysts on a substrate or carrier characterised by the electrocatalyst material
- C25B11/075—Electrodes formed of electrocatalysts on a substrate or carrier characterised by the electrocatalyst material consisting of a single catalytic element or catalytic compound
- C25B11/089—Alloys
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
- C25B3/00—Electrolytic production of organic compounds
- C25B3/01—Products
- C25B3/07—Oxygen containing compounds
-
- C—CHEMISTRY; METALLURGY
- C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
- C25B—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES FOR THE PRODUCTION OF COMPOUNDS OR NON-METALS; APPARATUS THEREFOR
- C25B3/00—Electrolytic production of organic compounds
- C25B3/20—Processes
- C25B3/25—Reduction
- C25B3/26—Reduction of carbon dioxide
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Organic Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Materials Engineering (AREA)
- Metallurgy (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Inorganic Chemistry (AREA)
- Analytical Chemistry (AREA)
- Catalysts (AREA)
Abstract
一种预测二氧化碳电还原铜合金催化剂的方法属于二氧化碳电化学还原领域,通过应用密度泛函理论计算和机器学习,克服了效率低和选择性差的难题。本方法通过优化不同种类CuM合金的表面结构,应用密度泛函理论计算CO2还原反应的关键中间体(CO、HCOO、COOH、H)在各个表面的吸附能。为了降低特征的空间维度,选择5个材料的特征参数,包括功函数(W)、原子序数(AN)、晶面间距(d)、电负性(EN)和局部电负性(χi),通过机器学习训练,得到预测性能良好的梯度提升回归(GBR)模型,训练结果与包含13个特征的模型的预测性能接近。本方法不仅快速预测二氧化碳电还原铜合金催化剂,而且为设计其他催化剂提供了思路。
Description
技术领域
本发明属于催化材料研发领域,具体而言,涉及一种预测二氧化碳电还原的铜合金催化剂的方法。
背景技术
近年来,为了满足工业发展的需要,人们消耗了大量的化石燃料,大气中的二氧化碳浓度升高,引起了诸多环境问题。为了降低大气中二氧化碳浓度可以通过捕获排放的二氧化碳,利用风能、水能、潮汐能等可再生能源产生的电能将产生的二氧化碳加以利用,转化为燃料或常用化学品等清洁能源。然而,反应过电位高和产物选择性差是二氧化碳电还原存在的主要问题。由于二氧化碳分子化学性质稳定,碳氧双键(C=O)的键能远大于碳氧单键(C-O)和碳氢单键的键能(C-H),因此二氧化碳分子难以转化为含有以上单键的化学物质。尽管铜电极可以获得深度还原产物,但是主产物的生成伴随着大量的副产物,给后续的产物分离造成了困难,催化性能远远无法满足工业应用的要求,所以加速催化剂的开发,实现高效和高选择性的催化剂是目前人们努力攻克的难题。
由于不同金属催化剂对于CO2还原的催化活性不同,因此合金材料往往表现出更好的电化学活性和对产物的选择性。对于金属催化剂,合金化是提高反应活性和选择性的有效方法,可以很好地调节催化剂对中间产物的吸附能力,从而引导CO2还原反应动力学增强,能够得到理想产物并提升多碳醇的选择性。但是由于铜合金种类繁多,实验方法探究每一种合金的催化性能不仅耗时,而且成本较高。因此,急需一种方法来快速高效寻找催化剂。
通过密度泛函理论计算可以研究CO2还原反应的机理,然而精确的理论计算要耗费大量机时。因此,我们将传统的理论计算与机器学习(Machine learning,ML)相结合,建立有针对性或泛化性能良好的模型,有望解决长期以来寻找优质材料和预测反应性能这两大难题,并显著降低计算成本。
发明内容
本发明针对铜合金种类繁多,用传统实验试错的方法寻找理想的催化剂需要耗费大量时间和成本的问题,提供一种结合密度泛函理论计算和机器学习的方法预测CO2还原Cu合金催化剂的方法。
为了实现上述目的,本发明采用的技术方案为:一种预测二氧化碳电还原铜合金催化剂的方法,该方法包括以下步骤:
步骤1.应用密度泛函理论方法将得到的CuAl、CuZn、CuSn、CuGa、CuIn、CuAu、CuPd、CuPt、CuNi、CuFe、CuIr、CuRh合金的晶胞进行结构优化,再用优化好的晶胞构建不同晶面指数的表面结构,晶面指数分别为(111)、(110)、(100)和(211),结构优化过程中能量的收敛标准为10-5eV,力的收敛标准为并进行非自洽计算,得到功函数。
步骤2.由于在CO2还原生成CO的路径中,CO和COOH是关键中间体,HCOO为生成HCOOH的关键体,H为析氢反应的关键中间体,因此,计算这4个中间体的吸附能。将各个中间体放在铜合金表面的顶位(top site)、桥位(bridge site)或者空位(hollow site),进行结构优化,计算各个中间体在相应位点的吸附能,吸附能计算公式为Eadsorption=Eabsorbate/surface-(Esurface+Eadsorbate),其中Eabsorbate/surface是催化剂表面和吸附质整体的能量,Esurface是干净表面的能量,Eadsorbate是单个吸附质的能量。
步骤3.所选取的13个特征包括功函数(W)、原子序数(AN)、周期数(P)、族数(G)、元素比例(rat)、熔化焓(ΔfusH)、离子势(IE)、熔点(m.p.)、沸点(b.p.)、晶面间距(d)、d电子数(d_E_cou)、电负性(EN)和局部电负性(χi),其中功函数(W)是由密度泛函理论计算(DFT)得到,局部电负性(χi)计算公式为 是原子j的电负性,N是吸附位点i第一近邻的原子总数。用皮尔逊相关系数(P)评价13个特征的相关性,计算公式为:其中fi和Fi分别为两个比较的特征,P的范围为-1到1。分别以CO、H、HCOO、COOH的吸附能为目标值,建立相应的吸附能数据集。
步骤4.将吸附能数据集按9:1的比例随机划分训练集和测试集,训练集占90%,测试集占10%。
步骤5.应用不同的机器学习模型包括梯度提升回归算法(GBR)、随机森林回归算法(RFR)、支持向量回归算法(SVR)和K近邻回归算法(KNR)对4个吸附能数据集进行训练。
步骤6.评价指标为准确率R2、均方误差(MSE)。R2越接近1,MSE越接近0,说明预测模型的精确度越好。
准确率R2的计算公式为:
均方误差(MSE)的计算公式为:
步骤7.通过比较4个机器学习算法的评价指标,选出最佳的机器学习算,其中梯度提升回归算法(GBR)的预测性能优于其他三种,因此之后的结果都基于GBR算法。对选出的4个最佳吸附能模型进行特征重要性分析,挑选出5个特征分别都位于前4的特征,如图2所示,功函数(W)、局部电负性(χi)、晶面间距(d)都位于前4个,另外原子序数(AN)在前4个出现的次数较多,电负性(EN)是预测吸附能常用的描述符,因此选用以上5个特征,重新对数据集训练,通过超参数调整,使其达到最优的预测性能。应用5个特征的机器学习模型性能(图3)与应用13个特征的机器学习模型的预测性能(图1)接近,由此可以说明,这5个特征足以建立预测模型。预测集为训练集和测试集以外的数据,用训练好的包含5个特征的GBR模型预测,并用DFT计算结果与ML预测结果进行比较。
步骤8.CO2还原产物为CO时涉及的反应中间体有COOH、CO,还原产物为HCOOH时涉及的反应中间体有HCOO,析氢反应的相关中间体为H。产物为CO时,CO的吸附能需满足的范围为(ECO>0.5eV),H吸附能范围为(EH=0.2±0.1eV);CO2还原产物为HCOOH时,需满足的HCOO的吸附能范围为(EHCOO=3.2±0.1eV),H吸附能范围为(EH=0.2±0.1eV)。根据产CO和产HCOOH的相关中间体的范围,筛选出最有希望的产CO和产HCOOH的催化剂。。
本发明基于密度泛函理论和机器学习,通过密度泛函理论建立吸附能数据集,数据集仅用5个特征,这些特征除功函数需由DFT计算得到外,其余特征都是简单易得,对其进行训练,得到了预测性能良好的机器学习模型,用其预测新材料的催化性能。与传统的理论计算相比,节约了大量的计时。本方法模型简单且泛化能力良好,不仅可用于预测CO2电还原材料,而且适用于其他电化学领域。
附图说明
图1为本方法中的应用13个特征的机器学习模型的预测性能图。
图2为本方法中的应用13个特征的机器学习模型的特征重要性排序。
图3为本方法中应用5个特征的机器学习模型的预测性能图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细说明,但本发明的实施方式不限于此。
以下以一种实施方式为例,说明该方法的应用。具体地说,包括以下步骤:
步骤1.应用密度泛函理论方法将得到的CuAl、CuZn、CuSn、CuGa、CuIn、CuAu、CuPd、CuPt、CuNi、CuFe、CuIr、CuRh合金的晶胞进行结构优化,再用优化好的晶胞构建不同晶面指数的表面结构,晶面指数分别为(111)、(110)、(100)和(211),结构优化过程中能量的收敛标准为10-5eV,力的收敛标准为并进行非自洽计算,得到功函数。
步骤2.由于在CO2还原生成CO的路径中,CO和COOH是关键中间体,HCOO为生成HCOOH的关键体,H为析氢反应(HER)的关键中间体,因此,计算这4个中间体的吸附能。将各个中间体放在铜合金表面的顶位(top site)、桥位(bridge site)或者空位(hollowsite),进行结构优化,计算各个中间体在相应位点的吸附能,吸附能计算公式为Eadsorption=Eabsorbate/surface-(Esurface+Eadsorbate),其中Eabsorbate/surface是催化剂表面和吸附质整体的能量,Esurface是干净表面的能量,Eadsorbate是单个吸附质的能量。
步骤3.所选取的13个特征包括功函数(W)、原子序数(AN)、周期数(P)、族数(G)、元素比例(rat)、熔化焓(ΔfusH)、离子势(IE)、熔点(m.p.)、沸点(b.p.)、晶面间距(d)、d电子数(d_E_cou)、电负性(EN)和局部电负性(χi),其中功函数(W)是由密度泛函理论计算(DFT)得到,局部电负性(χi)计算公式为 是原子j的电负性,N是吸附位点i第一近邻的原子总数。用皮尔逊相关系数(P)评价13个特征的相关性,计算公式为:其中fi和Fi分别为两个比较的特征,P的范围为-1到1。分别以CO、H、HCOO、COOH的吸附能为目标值,建立相应的吸附能数据集。
步骤4.将吸附能数据集按9:1的比例随机划分训练集和测试集,训练集占90%,测试集占10%。
步骤5.应用不同的机器学习模型包括梯度提升回归算法(GBR)、随机森林回归算法(RFR)、支持向量回归算法(SVR)和K近邻回归算法(KNR)对4个吸附能数据集进行训练。
步骤6.评价指标为准确率R2、均方误差(MSE)。R2越接近1,MSE越接近0,说明预测模型的精确度越好。
准确率R2的计算公式为:
均方误差(MSE)的计算公式为:
步骤7.通过比较4个机器学习算法的评价指标,选出最佳的机器学习算法,其中梯度提升回归算法(GBR)的预测性能优于其他三种,因此之后的结果都基于GBR算法。对选出的4个最佳吸附能模型进行特征重要性分析,挑选出5个特征分别都位于前4的特征,如图2所示,功函数(W)、局部电负性(χi)、晶面间距(d)都位于前4个,另外原子序数(AN)在前4个出现的次数较多,电负性(EN)是预测吸附能常用的描述符,因此选用以上5个特征,重新对数据集训练,通过超参数调整,使其达到最优的预测性能。应用5个特征的机器学习模型性能(图3)与应用13个特征的机器学习模型的预测性能(图1)接近,由此可以说明,这5个特征足以建立预测模型。预测集为训练集和测试集以外的数据,用训练好的包含5个特征的GBR模型预测,并用DFT计算结果与ML预测结果进行比较。
步骤8.CO2还原产物为CO时涉及的反应中间体有COOH、CO,还原产物为HCOOH时涉及的反应中间体有HCOO,析氢反应的相关中间体为H。产物为CO时,CO的吸附能需满足的范围为(ECO>0.5eV),H吸附能范围为(EH=0.2±0.1eV);CO2还原产物为HCOOH时,需满足的HCOO的吸附能范围为(EHCOO=3.2±0.1eV),H吸附能范围为(EH=0.2±0.1eV)。根据产CO和产HCOOH的相关中间体的范围,筛选出最有希望的产CO和产HCOOH的催化剂。
Claims (6)
1.一种预测二氧化碳电还原铜合金催化剂的方法,其特征在于,包括:
步骤1.应用密度泛函理论方法将得到的不同种类的CuM合金的晶胞进行结构优化,再用优化好的晶胞构建不同晶面指数的表面结构;
步骤2.在二氧化碳电化学还原反应中,COOH、CO和HCOO是关键中间体,同时考虑析氢反应为二氧化碳电化学还原反应的竞争反应,H为析氢反应的关键中间体,设置这4种吸附中间体,计算它们在不同表面上的不同位点的吸附能;
步骤3.以吸附能为目标值,选取5个化学性质和物理性质作为特征,即功函数(W)、原子序数(AN)、晶面间距(d)、电负性(EN)和局部电负性(χi),用皮尔逊相关系数(P)评价特征的相关性,分别构建CO吸附能数据集、H吸附能数据集、COOH吸附能数据集、HCOO吸附能数据集;
步骤4.对数据集进行初筛,划分训练集和测试集;
步骤5.应用机器学习模型,进行训练,以评价指标评价不同模型的预测性能;
步骤6.选取预测性能最佳的模型,用其预测潜在新材料;
步骤7.根据每种中间体吸附能的范围,筛选出产CO或HCOOH的Cu合金催化剂;
步骤7中,CO2还原产物为CO时涉及的反应中间体有COOH、CO,还原产物为HCOOH时涉及的反应中间体有HCOO,析氢反应的相关中间体为H;产物为CO时,CO的吸附能需满足的范围为ECO>0.5eV,且H吸附能范围为EH=0.2±0.1eV;CO2还原产物为HCOOH时,需满足的HCOO的吸附能范围为EHCOO=3.2±0.1eV且H吸附能范围为EH=0.2±0.1eV;根据产CO和产HCOOH的相关中间体的范围,筛选产CO或产HCOOH的催化剂。
3.根据权利要求1所述一种预测二氧化碳电还原铜合金催化剂的方法,其特征在于,步骤2中,将各个中间体放在铜合金表面的顶位(top site)、桥位(bridge site)或者空位(hollow site),进行结构优化。
6.根据权利要求5所述一种预测二氧化碳电还原铜合金催化剂的方法,其特征在于,步骤6中,R2越接近1,MSE越接近0,说明预测模型的精确度越好,即预测性能越好,选出梯度提升回归模型GBR为机器学习模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210234812.7A CN114613445A (zh) | 2022-02-18 | 2022-02-18 | 一种预测二氧化碳电还原铜合金催化剂的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210234812.7A CN114613445A (zh) | 2022-02-18 | 2022-02-18 | 一种预测二氧化碳电还原铜合金催化剂的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114613445A true CN114613445A (zh) | 2022-06-10 |
Family
ID=81863759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210234812.7A Pending CN114613445A (zh) | 2022-02-18 | 2022-02-18 | 一种预测二氧化碳电还原铜合金催化剂的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114613445A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115713974A (zh) * | 2022-11-15 | 2023-02-24 | 内蒙古工业大学 | 二维金属-全硫醇化的六苯并苯框架催化剂上二氧化碳电化学还原的计算方法 |
EP4401083A3 (en) * | 2023-01-11 | 2024-07-24 | Tata Consultancy Services Limited | Systems and methods for identifying multi component alloy catalysts for a target chemical reaction |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111177915A (zh) * | 2019-12-25 | 2020-05-19 | 北京化工大学 | 一种催化材料高通量计算方法和系统 |
CN111841601A (zh) * | 2020-07-03 | 2020-10-30 | 江南大学 | 一种CuZn双单原子电化学催化CO2还原材料及其制备方法 |
CN112347697A (zh) * | 2020-11-10 | 2021-02-09 | 上海交通大学 | 基于机器学习筛选锂硫电池中最佳载体材料的方法及系统 |
CN113223628A (zh) * | 2021-04-19 | 2021-08-06 | 浙江大学 | 一种基于机器学习技术辅助金属氧化物scr催化剂快速筛选的方法 |
CN113862715A (zh) * | 2021-07-28 | 2021-12-31 | 王荔 | 一种多价态铜纳米材料、其制备方法及其作为电催化剂在碳捕获技术中的应用 |
-
2022
- 2022-02-18 CN CN202210234812.7A patent/CN114613445A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111177915A (zh) * | 2019-12-25 | 2020-05-19 | 北京化工大学 | 一种催化材料高通量计算方法和系统 |
CN111841601A (zh) * | 2020-07-03 | 2020-10-30 | 江南大学 | 一种CuZn双单原子电化学催化CO2还原材料及其制备方法 |
CN112347697A (zh) * | 2020-11-10 | 2021-02-09 | 上海交通大学 | 基于机器学习筛选锂硫电池中最佳载体材料的方法及系统 |
CN113223628A (zh) * | 2021-04-19 | 2021-08-06 | 浙江大学 | 一种基于机器学习技术辅助金属氧化物scr催化剂快速筛选的方法 |
CN113862715A (zh) * | 2021-07-28 | 2021-12-31 | 王荔 | 一种多价态铜纳米材料、其制备方法及其作为电催化剂在碳捕获技术中的应用 |
Non-Patent Citations (1)
Title |
---|
YUHANG WANG等: "Designing Copper-Based Catalysts for Efficient Carbon Dioxide Electroreduction", AADVANCED MATERIALS, 29 April 2021 (2021-04-29), pages 1 - 26 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115713974A (zh) * | 2022-11-15 | 2023-02-24 | 内蒙古工业大学 | 二维金属-全硫醇化的六苯并苯框架催化剂上二氧化碳电化学还原的计算方法 |
CN115713974B (zh) * | 2022-11-15 | 2023-09-19 | 内蒙古工业大学 | 二维金属-全硫醇化的六苯并苯框架催化剂上二氧化碳电化学还原的计算方法 |
EP4401083A3 (en) * | 2023-01-11 | 2024-07-24 | Tata Consultancy Services Limited | Systems and methods for identifying multi component alloy catalysts for a target chemical reaction |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Rational design of electrocatalytic carbon dioxide reduction for a zero-carbon network | |
CN114613445A (zh) | 一种预测二氧化碳电还原铜合金催化剂的方法 | |
Zhang et al. | Adsorption energy in oxygen electrocatalysis | |
Feng et al. | A direct grain-boundary-activity correlation for CO electroreduction on Cu nanoparticles | |
Eslamibidgoli et al. | How theory and simulation can drive fuel cell electrocatalysis | |
CN109086564B (zh) | 一种提高二硫化钼催化析氢性能的方法 | |
CN109300510B (zh) | 一种基于高通量计算筛选金属有机骨架催化材料的方法 | |
Wang et al. | A descriptor for the design of 2D MXene hydrogen evolution reaction electrocatalysts | |
Kou et al. | Fundamentals, on-going advances and challenges of electrochemical carbon dioxide reduction | |
Yan et al. | Hierarchically porous CuAg via 3D printing/dealloying for tunable CO2 reduction to syngas | |
Du et al. | Elastic strain controlling the activity and selectivity of CO 2 electroreduction on Cu overlayers | |
US7704484B2 (en) | Method for producing hydrogen by using different metals | |
Meng et al. | Theoretical modelling of the hydrogen evolution reaction on MXenes: A critical review | |
He et al. | Accelerating net-zero carbon emissions by electrochemical reduction of carbon dioxide | |
Guo et al. | Electrocatalytic CO2 reduction to C2H4: From lab to fab | |
Mert et al. | Design and performance analysis of a PV-assisted alkaline electrolysis for hydrogen production: An experimental and theoretical study | |
Zhou et al. | Data-driven rational design of single-atom materials for hydrogen evolution and sensing | |
US11959183B2 (en) | Dilute alloy catalysts for electrochemical CO2 reduction | |
Shi et al. | Non-membrane electrolysis cell for CO2 reduction to CO in propylene carbonate/tetrabutylammonium perchlorate | |
Zhang et al. | Efficient nitrite-to-ammonia electroreduction over Zr-Ni frustrated Lewis acid-base pairs | |
Ai et al. | High‐throughput Compositional Screening of PdxTi1‐xHy and PdxNb1‐xHy Hydrides for CO2 Reduction | |
CN108228951A (zh) | 一种三元合金析氢电极成分的筛选方法 | |
CN109671471A (zh) | 一种金属有机骨架材料电催化性能描述符的方法 | |
CN118380058A (zh) | 数据驱动对TM-M′2M″CNO2MXenes析氢催化剂的预测方法 | |
Ou et al. | Mechanistic insights into the effect of halide anions on electroreduction pathways of CO 2 to C 1 product at Cu/H 2 O electrochemical interfaces |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |