高效光催化制氢的设计策略：形貌工程、助催化剂协同、机器学习辅助优化与燃料电池集成

《International Journal of Hydrogen Energy》：Design strategies for efficient photocatalytic hydrogen production: Morphology engineering, cocatalyst synergy, machine-learning-assisted optimization, and fuel cell integration

　　

**多维纳米复合材料形态工程在光催化产氢中的作用**
**双重助催化剂系统协同效应的重点探讨**
**机器学习方法在光催化剂优化中的作用**
**燃料电池作为能源装置的概述**

**引言**

全球近80%的能源需求由化石燃料满足，由此导致的环境污染严重威胁着人类生命。此外，化石燃料无法满足全球不断增长的能源需求，因为它们是不可再生能源。因此，研究可再生能源已成为一项优先任务[1]。氢（H?）能源是可再生能源中极为出色的能源，具有高能量密度，并表现出碳中性[2]。然而，由于其体积能量密度极低，H?的储存和运输成本高昂，且其生产过程与大量能源消耗相关联。目前，蒸汽甲烷重整、部分氧化、煤气化和天然气分解是生产H?的主要工业过程[3]。然而，由于这些方法依赖于不可再生能源，它们不被认为是优势方法[4]。在此情况下，利用半导体通过太阳能进行水分解生产无碳H?（无论是否使用牺牲剂）是一种可再生能源过程，是实现社会和经济可持续发展的可行选择，以满足不断增长的能源需求[5]。

在众多克服高载流子复合、缓慢电荷转移和低可见光光活性的技术中，异质结形成、掺杂、助催化剂负载和光敏化是突出的技术[6]。异质结的形成通过增加比表面积、增加活性位点数量和加速载流子运动来增强光活性[7]。由于其在半导体光催化剂表面负载助催化剂的有效性和易用性，引起了研究人员的关注[8]。尽管单助催化剂改性半导体的研究已广泛开展，但其性能仍不足以满足需求。然而，在半导体上添加第二种助催化剂可进一步增强性能[9]。Kawai等人开创性的工作使用了TiO?/Pt、Pd、RuO?或Rh络合物进行光催化水分解[10]，此后双助催化剂负载得到了广泛探索。在具有双助催化剂的三元纳米复合材料中，半导体、助催化剂I和助催化剂II形成了三相界面，促进了界面间的高效电荷转移[11]，并实现了两种助催化剂之间的协同效应[12]。与单助催化剂相比，双助催化剂系统提供了协同效应，实现了电荷的快速转移和传输、改善了动力学、增强了稳定性并抑制了可逆反应[13]。此外，除这些技术外，光催化剂的形态特征也起着至关重要的作用，特别是在规模化和商业化方面，光催化剂的形态和表面积被认为是影响光催化活性的重要因素[14]。根据电子限制，光催化剂可按维度分类：零维光催化剂（0D）中的电子在所有方向上受到限制。二维（2D）光催化剂在两个方向上限制电子，而一维（1D）光催化剂仅在一个方向上限制电子。因此，不同形态可按限制程度排序为0D > 1D > 2D > 3D。随着限制程度增加，激发载流子需要更大的驱动力，导致带隙增大。因此，可以通过改变光催化剂的形态特征来调整带隙，从而提供更大的太阳光吸收和更好的催化性能[15]。多维光催化剂利用0D、1D和2D等低维结构设计，由于界面接触产生的协同效应而增强了光活性。例如，低维材料与2D材料的异质结在创建接触区域方面非常有效，揭示了额外的活性位点。这为低维光催化剂和2D光催化剂之间电荷转移提供了有效路径，减少了电子到达光催化剂表面所需的距离，最终增加了光活性[16]。特别是，由于3D材料具有出色的比表面积、孔隙率和优良的物理化学特性，更多的研究工作致力于探索3D材料[17]。由于催化活性反应位点的协同效应，导致照射后收集，激发后进行光化学过程，使3D材料具有高度可调性，尤其适用于光化学过程[18]。

尽管光催化产氢取得了重大进展，但构建光催化系统仍然具有挑战性。此外，由于潜在催化剂数量庞大，在实验室中测试所有可能的催化剂在理论上是不可行的。密度泛函理论（DFT）和其他第一性原理计算化学技术已被用于加速催化剂开发[19]、[20]。特别是，DFT计算的发展使得催化剂筛选和新材料探索成为可能；然而，昂贵且耗时的DFT模拟由于催化材料的复杂性而难以完全表征催化剂的详细组成。同样，DFT无法可靠地预测某些高度复杂系统的特征，例如具有强非共价相互作用的体系[21]。因此，作为替代方案，机器学习（ML）模型可以扩展到大规模系统，其计算要求低于DFT，使其在新型材料的快速、低成本预测中高度可行[22]。作为人工智能的关键组成部分，ML采用数据驱动算法来识别模式和预测结果。ML模型通过分析大量、复杂的数据集来识别模式、得出结论和预测未来事件[23]、[24]。

光催化产氢为将太阳能转化为化学燃料提供了一条可持续的途径。相比之下，燃料电池能够高效地将H?转化为电能，水是唯一副产品。通过将这两种技术相结合，建立了互补的太阳能到能源循环，利用H?作为清洁、可储存的能源载体来解决可再生能源的间歇性问题。在这方面，光催化剂设计的改进，特别是通过形态工程、助催化剂协同和数据驱动优化，对于确保与下游燃料电池系统的兼容性以及提高H?析出效率至关重要。这种耦合突显了闭环、碳中性能量框架在未来能源应用中的前景。此外，对于下一代能源系统，H?也被认为是一种必不可少的能源载体，特别是在允许高效、低排放发电的燃料电池技术中。像燃料电池这样的可再生能源生产和转化系统的应用已被公认为克服与化石燃料使用相关问题的关键[25]。高效能源利用、无温室气体排放以及在发电、交通和便携式电子产品中的广泛应用是H?燃料电池的主要优势。燃料电池适用于移动和城市应用，因为它们可以静音运行且仅产生水作为副产品。然而，高生产成本、缺乏H?基础设施以及大多数H?提取需要化石燃料等障碍阻碍了燃料电池的广泛应用。尽管如此，绿色H?生成的进展和政府可再生能源项目的资金支持正推动世界走向更清洁的未来。通过进一步的研究和开发，H?燃料电池可以显著减少碳排放并改善全球能源韧性[26]。

尽管光催化产氢研究引起了广泛关注，但大多数研究在材料设计、催化活性提升、计算优化和系统级应用方面是碎片化的。然而，本综述提供了一个统一的展望，将所有方面整合到一个综合框架中。本综述包括从设计到应用的路径，其中形态工程和助催化剂协同作用增强了光利用、电荷分离和动力学。通过ML辅助优化，这些实验驱动的方法得到了进一步加速和合理化，能够识别关键属性和高性能材料组合。此外，这些进展被整合到燃料电池技术中，其中H?作为能源。因此，本综述将材料、建模概念和系统应用的进展联系起来，提供了从基本设计原则到实际H?能源应用的完整路线图。如图1所示，本综述在分层、互联的框架内组织。

本文系统考察了光催化产氢的新兴前沿领域，强调了光催化材料形态工程和维度控制的关键作用，特别关注多维异质结以增强光催化产氢，包括0D/1D、2D、3D；1D/0D、2D、3D；2D/0D、1D、3D和3D/0D、1D、2D纳米复合材料。此外，本文考察了双助催化剂系统的发展，重点强调了其增强H?析出效率的协同效应。此外，本文全面讨论了ML方法在光催化剂设计和性能评估中的作用，以发现和优化光催化剂。在基于H?的能源技术的更广泛背景下，本综述包括对燃料电池作为能源装置的概述。最后，本综述包括详细的结论和未来展望。总体而言，本综述通过提供关于新兴材料创新（特别是多维纳米复合材料和用于光催化产氢的双助催化剂光催化剂）以及材料科学中ML创新的详细、最新综述，填补了文献中的一个关键空白，随后整合了基于H?的能源-燃料电池技术。

**章节摘要**

**多维纳米复合材料**

合理构建结合不同结构维度材料的多维纳米复合材料，包括0D纳米粒子、1D纳米棒、2D纳米片和3D分级框架，是一种通过优化光致活性和电荷传输来改善光催化产氢的有效策略。通过结合每个维度组件的优势，这些异质结构提供了有效的电荷转移路径，更多的催化活性表面位点，

**机器学习在光催化剂开发中的作用**

高效的光催化产氢过程需要高性能的光催化剂，但传统先进材料的制造主要依赖于试错法，这取决于科学家的经验。这种方法通常具有效率低下、成本高以及研发周期长等缺点。因此，随着大数据技术和人工智能获得更多关注，它们也成为进行研究的一种有用手段

**燃料电池作为能源转换装置**

气转电转换，一个释放能量的过程，经常用于将H?转化为电能并连接到电网。在燃料电池中，化学物质经历电化学反应产生电能。燃料电池以水为唯一副产品，有效将H?转化为可用能量，并以70-80%的效率立即将其化学储存能转化为电能。某些内燃机和涡轮机可以直接使用H?

**结论和未来建议**

图23（a）总结了本综述的结论和未来建议。0D、1D、2D和3D基纳米复合材料的发展提供了独特的物理化学优势，有利于改善光活性，如1）0D光催化剂提供量子限制和丰富的活性位点，2）快速电荷转移是1D光催化剂的亮点，3）2D光催化剂提供大的比表面积和强大的光-物质相互作用，4）3D框架显示出a

**CRediT作者贡献声明**

Sehar Tasleem：撰写—审阅与编辑，撰写—原创草稿，可视化，软件，方法学，数据管理，概念构思。Chandra Sekhar Bongu：撰写—审阅与编辑，撰写—原创草稿，方法学。Yousef Alyousef：撰写—审阅与编辑，撰写—原创草稿，验证。Edreese H. Alsharaeh：撰写—审阅与编辑，监督，资源，项目管理，资金获取。

**利益冲突声明**

作者声明他们没有已知的可能影响本论文所报告工作的竞争性财务利益或个人关系。

**致谢**

本研究是PIF 726174研究项目的一部分。作者感谢Alfaisal大学及其研究与创新办公室在整个研究过程中的持续支持。

Sehar Tasleem | Chandra Sekhar Bongu | Yousef Alyousef | Edreese H. Alsharaeh