机器学习辅助考察 OER 催化剂中前驱体用量效应

《Journal of Alloys and Compounds》:Machine learning-assisted examination of precursor-dosage effects in OER catalysts

【字体: 大 中 小 】 时间:2026年09月20日 来源:Journal of Alloys and Compounds 6.7

编辑推荐:

   •机器学习辅助分析优先考虑前驱体比例以进行受控实验检查。•受控剂量变化伴随结构、表面和拉曼特性的改变。•在CoOx/C-D0–D4系列中,平均iR校正后的η??从630 mV降至183 mV。引言可充电锌空气电池作为电化学储能系统备受关注,因其具有高理论能量密度、固有安全性以

  
  • •
    机器学习辅助分析优先考虑前驱体比例以进行受控实验检查。
  • •
    受控剂量变化伴随结构、表面和拉曼特性的改变。
  • •
    在CoOx/C-D0–D4系列中,平均iR校正后的η??从630 mV降至183 mV。

引言

可充电锌空气电池作为电化学储能系统备受关注,因其具有高理论能量密度、固有安全性以及使用地壳中丰富的反应物[1]。然而,锌空气电池的实际可充电性受到空气电极上缓慢的氧析出反应(OER)的限制,导致充电极化增加和往返效率降低[2]。在各种OER电催化剂中,碳负载的过渡金属氧化物通过将氧化还原活性氧化物组分与电子导电且结构可调节的碳骨架耦合,成为一种多功能平台[3]、[4]。在含钴体系中,异质结构构建、氧化物/碳界面相互作用以及局部电子调控可以改变微观结构特征、电荷分布和电化学响应[5]、[6]、[7]、[8]。同时,测量的OER行为会随活性分量的数量、相发展、表面化学态、碳结构响应、形貌、孔隙率和测试条件而变化。最近的研究进一步表明,钴配位环境和表面态可以在OER条件下演变,突出了电催化过程中催化剂结构的动态特性[9]、[10]。此外,缺陷工程通过改变局部碳构型和表面环境为结构调控提供了另一条途径[11]、[12]。金属-碳架构进一步证明了金属物种与碳载体之间的相互作用在电催化剂设计中的重要性[13]、[14],而异质结构界面则突出了界面耦合在提高催化性能方面的重要性[15]。综上所述,这些相互关联的因素展示了合成-结构-性质关系的复杂性,并突出了系统识别实验可控合成变量及其相应材料和电化学响应的必要性。仅通过经验优化很难建立这种关系。
机器学习(ML)日益支持电催化中的描述符分析、关系识别和数据辅助研究[16]、[17]。最近的研究进一步将ML辅助催化剂筛选或描述符分析与实验评估相结合,展示了数据辅助策略在OER电催化中的更广泛实用性[18]、[19]、[20]、[21]。除预测准确性本身外,可解释和基于物理的方法使具有化学意义的关系能够被检查[22]。同时,DFT辅助的ML和可解释AI框架将此类分析扩展到氧析出和水氧化催化剂[23]、[24]。文献衍生的电催化数据集整合了涵盖多种合成路线、材料特性、电极制备程序、催化剂负载量、扫描速率、电解质条件和iR处理的信息。这种跨研究的数据为识别支持假设生成和变量优先排序的统计关联提供了基础。然而,将文献衍生的变量优先排序转化为实验可访问合成变量的受控检查仍然相对未被充分探索。
在电催化中催化剂结构、界面和反应环境的协同调控方面已取得了相当大的进展。局部配位环境,包括活性中心周围的配位水分子,为调控OER路径和动力学提供了额外策略[25]。双位点机制和强耦合的团簇-团簇异质结构说明了互补活性位点和界面电子相互作用如何影响催化反应路径[26]、[27]。分层工程界面使工业相关电流密度下的碱性水电解成为可能,而重构的催化剂表面揭示了OER过程中制备态和工作态结构之间的差异[28]、[29]。应变调控和空间分化的活性位点提供了修改局部催化环境的额外策略[30]、[31]。串联架构和相变过程进一步证明了反应路径和结构演变如何协同增强电催化性能[32]、[33]。双金属团簇相互作用和基于碳的催化剂架构展示了电催化中的组成和结构调控[34]、[35]。关于ZIF-67衍生空气电极和ML辅助催化剂筛选的最新研究进一步扩展了材料设计空间[36]、[37]。除单一反应系统外,配对电解和多反应物转化展示了整合互补阳极和阴极反应的潜力[38]、[39]。关于生物质增值和电化学微环境调控的研究进一步强调了反应耦合、传质和局部化学环境的作用[40]、[41]。受限纳米反应器提供了控制分子传输和反应环境的另一种方法,而金属负载研究表明活性分量的数量可以影响负载催化剂的测量结构和催化响应[42]、[43]。总体而言,这些进展展示了结构、界面和配方层面调控的重要性,并进一步推动了数据衍生的变量优先排序与受控实验检查的整合。
为满足这一需求,我们开发了一种两阶段ML辅助关联工作流程,用于识别文献衍生的关联并为受控调查优先排序实验可访问的合成变量。在第一阶段,评估了材料特性、电化学测试因素和报告的η??值之间的关联,其中拉曼ID/IG成为突出的材料描述符之一。在第二阶段,进一步检查了与拉曼响应相关的合成变量,并将金属前驱体比例优先排序为后续实验调查。选择含钴碳负载系统进行受控实验调查,因为含钴催化剂在文献衍生数据集中占最大比例。具体而言,在110条催化剂记录中,68条含有Co(约62%),44条含有Fe(40%),36条含有Ni(约33%)。这种基于数据集的选择得到了实验可访问性的进一步支持,因为Co(NO?)?·6H?O的剂量可以在五级系列中系统地调整,同时XC-72R量、NH?F含量、溶剂体积、水热条件、干燥条件和热处理条件基本保持不变。因此,受控的五级前驱体剂量系列(CoOx/C-D0–D4)用于检查前驱体剂量相关的碳结构响应、形貌、电化学可及性和OER性能变化,以及Co氧化物相关的结构特征和表面环境变化。在D0–D4系列中,平均iR校正后的η??从630 mV降至183 mV,伴随着这些材料特性的变化。定性DFT分析为所检查模型中局部电子和吸附环境的观察到的变化提供了互补背景,而锌空气和混合系统评估作为器件和系统层面的概念验证演示。总体而言,本研究提供了一个实用框架,将文献衍生的变量优先排序与合成变量相关的材料演变和OER性能的受控实验检查联系起来。

部分片段

实验和计算方法

整体工作流程整合了数据集构建、ML辅助分析、材料实验、定性DFT分析和概念验证器件演示。首先,收集2016年至2025年间发表的OER相关记录并进行系统整理,从70篇出版物中提取了110条催化剂-测试条件记录用于后续分析。然后评估了五种回归方法来识别模型学习到的关联之间

第一阶段机器学习:描述符-性能相关性分析(用于报告的OER过电位)

为了在源感知验证下评估描述符-性能关联,在出版物分组的交叉验证框架下使用15个第一阶段描述符评估了五种回归算法。这些描述符在2.3节中定义。来自同一出版物的记录通过Literature_ID分组,并在出版物分组交叉验证期间保持在同一折中。在每种模型的25次出版物分组留出评估中,该框架提供了

结论

在本工作中,两阶段ML辅助关联分析识别了文献衍生的OER关联用于假设生成和变量优先排序。分析识别了拉曼ID/IG与报告的η??值之间的关联。它还将金属前驱体比例优先排序为实验可访问的合成变量以进行受控检查。五级受控前驱体剂量系列(CoOx/C-D0–D4)提供了主要实验证据。在该系列中

CRediT作者贡献声明

Su Zhan:撰写 - 审阅与编辑。Yunqi Guo:撰写 - 审阅与编辑。Xiaoling Zeng:撰写 - 审阅与编辑。Xingyu Yao:撰写 - 审阅与编辑。Gaopan Li:撰写 - 审阅与编辑。Naibao Huang:撰写 - 审阅与编辑。Chuanlong Zhu:撰写 - 审阅与编辑。Gangjin Huang:撰写 - 审阅与编辑。Xu Peng:撰写 - 审阅与编辑。Yuxuan Yang:撰写 - 审阅与编辑。Wuguo Wei:撰写 - 审阅与编辑。Xinyu Liu:撰写 - 审阅与编辑。Junjie Zhang:

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系,这些可能影响本论文中报告的工作。

致谢

本工作得到了中央高校基本科研业务费专项资金(编号26CAFUC04013、26CAFUC01002和J2022-005)、国家自然科学基金(编号52205238和12304258)、四川省自然科学基金(编号2022NSFSC1894和2022NSFSC1885)以及国家自然科学基金和中国民用航空局联合基金(编号U2133209)的支持。
Junjie Zhang|Yanjun Chen|Xu Peng|Wuguo Wei|Gaopan Li|Chuanlong Zhu|Yunqi Guo|Xiaoling Zeng|Yunbing Tu|Xupeng Wang|Zhuo Feng|Xinyu Liu|Huaizhou Liu|Gangjin Huang|Yuxuan Yang|Xingyu Yao|Naibao Huang|Su Zhan|Qiuchen He|Chenyang Zhang|Yin Sun
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号