• Home
  • Química
  • Astronomia
  • Energia
  • Natureza
  • Biologia
  • Física
  • Eletrônicos
  •  Science >> Ciência >  >> Química
    Novo banco de dados visa acelerar o desenvolvimento de eletrocatalisadores por meio de insights em escala atômica
    A geração de combustíveis e produtos químicos a partir de dióxido de carbono, água, nitrogênio e outras matérias-primas é de importância crucial para a descarbonização dessas indústrias. BEAST DB facilita a compreensão atomística do que impulsiona essas reações eletrocatalíticas. Crédito:Alfred Hicks, NREL

    A busca por catalisadores mais produtivos para a criação de combustíveis sustentáveis ​​e produtos químicos básicos através de reações eletroquímicas acaba de se tornar mais fácil.



    Alimentados por eletricidade renovável, os eletrocatalisadores que produzem combustíveis e produtos químicos a partir de água, dióxido de carbono ou nitrogênio têm o potencial de descarbonizar os transportes pesados ​​e as indústrias químicas. Esta descarbonização pode ser alcançada através da substituição direta de combustíveis fósseis ou da produção de combustíveis e produtos químicos com menor consumo de energia.

    Um novo banco de dados de eletrocatálise de código aberto, desenvolvido pelo Laboratório Nacional de Energia Renovável (NREL) e seus parceiros, fornece aos pesquisadores uma visão abrangente da conversão de energia eletroquímica. Os extensos dados permitem uma visão dos fatores fundamentais que governam as mudanças no desempenho do catalisador e podem agilizar o projeto de eletrocatalisadores.

    O novo banco de dados foi desenvolvido pela equipe Beyond-Density Functional Theory Electrochemistry with Accelerated and Solvated Techniques (BEAST). O consórcio BEAST, liderado por Ravishankar Sundararaman do Rensselaer Polytechnic Institute, inclui colaboradores do NREL, do Laboratório Nacional Lawrence Berkeley, da Universidade do Colorado Boulder e da Universidade da Carolina do Sul.

    Um banco de dados para insights atomísticos em eletroquímica


    O banco de dados BEAST, ou BEAST DB, permite que eletroquímicos experimentais e teóricos explorem reações catalíticas em escala atômica e visualizem inúmeras propriedades no desempenho do catalisador.

    Exemplos de reações eletroquímicas críticas incluem a conversão de água, dióxido de carbono ou nitrogênio em hidrogênio, ácido fórmico ou outras moléculas à base de carbono reduzido e amônia, respectivamente, usando eletrocatalisadores. Compreender as propriedades fundamentais durante a eletrocatálise pode levar a avanços na eficiência e produtividade do catalisador.

    Derek Vigil-Fowler, pesquisador de ciência computacional do NREL que conceituou o BEAST DB, acredita que esses dados podem permitir uma compreensão holística desses catalisadores.

    “Ter resultados de linha de base padronizados para as reações eletrocatalíticas mais amplamente estudadas em um só lugar permite que os pesquisadores tenham um balcão único para adquirir uma compreensão básica de como seu catalisador funciona em escala atômica.

    "Eles podem visualizar a adsorção molecular na superfície e a transferência de carga que impulsiona as reações eletrocatalíticas e entender como isso varia entre os catalisadores e as faixas de potencial aplicadas. Outros podem aproveitar esses cálculos com novos cálculos e experimentos e fazer avanços no campo", Vigil- Fowler disse.

    "O objetivo final do BEAST DB é facilitar a exploração do desempenho do catalisador e o desenvolvimento de novos catalisadores para diferentes reações químicas."

    A diversidade de condições em experimentos eletroquímicos publicados e cálculos teóricos dificulta uma compreensão completa dos sistemas eletroquímicos. Embora a teoria do funcional da densidade (DFT) possa prever o comportamento catalítico, os métodos DFT representam inadequadamente a duração e as escalas de tempo nas reações eletroquímicas, especialmente na interface dinâmica eletrodo-eletrólito.

    O BEAST DB emprega uma estrutura sistemática que supera as deficiências de DFT e modela com precisão sistemas eletroquímicos, fornecendo linhas de base claras para o desempenho do eletrocatalisador e servindo como um alicerce para futuros desenvolvimentos teóricos.

    O banco de dados também utiliza configurações de cálculo uniformes, uma peça crucial que falta na literatura que permitirá uma comparação mais fácil da atividade catalítica e da produtividade em diferentes eletrocatalisadores e sob diferentes condições.
    O BEAST DB permite aos pesquisadores explorar a energética de reações em mais de 20.000 combinações molécula-catalisador. A imagem acima mostra o gráfico 3D interativo usado para ajudar a visualizar a estrutura física e os gráficos da carga na molécula e no sítio ativo do catalisador. Crédito:NREL

    Uma janela detalhada de milhares de reações catalíticas

    O BEAST DB utiliza métodos canônicos para modelar a solvatação eletroquímica ab initio para eletrólitos para gerar dados de desempenho em mais de 24.000 combinações molécula-catalisador, onde os pesquisadores podem explorar a energética da reação para diferentes transformações em superfícies catalíticas.

    O banco de dados inclui eletrocatalisadores promissores para a reação de redução de dióxido de carbono, reação de redução de oxigênio, reação de evolução de oxigênio, reação de redução de nitrogênio e reação de evolução de hidrogênio. Os usuários podem classificar e visualizar por tipos de cálculo, incluindo fórmula de absorção, composição do catalisador e faceta do catalisador.

    Cada tipo de reação está vinculado a uma página de cálculo dedicada que fornece mais dados de reação, incluindo um gráfico 3D interativo do cálculo para visualizar a estrutura física e gráficos da carga na molécula e no sítio ativo do catalisador.

    Os usuários também podem baixar um arquivo de estrutura POSCAR para facilitar o uso com outras ferramentas de visualização e análise padrão para as comunidades de materiais e catálise.

    A equipe do BEAST fornece scripts de conversão para o formato necessário para os pacotes de software que alimentam o BEAST DB — JDFTx e BerkeleyGW — para reproduzir os resultados do banco de dados e realizar cálculos adicionais para fornecer informações científicas adicionais.

    Cada uma das propriedades do banco de dados acima pode ajudar os pesquisadores a racionalizar por que os catalisadores são tão eficazes durante a eletrocatálise, enquanto os próprios dados e a capacidade de desenvolvê-los permitem a criação de modelos de aprendizado de máquina que ajudam a informar a construção de novos catalisadores.

    Acelerando um futuro descarbonizado com eletrocatálise


    Jacob Clary, pesquisador aplicado do NREL que trabalha na equipe BEAST e foi fundamental no desenvolvimento do BEAST DB, espera que o banco de dados se torne uma ferramenta importante para a comunidade de pesquisa em eletrocatálise.

    "Acho que o consórcio BEAST em geral é empolgante porque estamos desenvolvendo ferramentas de última geração para modelar sistemas eletrocatalíticos com maior fidelidade e menor custo computacional do que as abordagens existentes", disse Clary.

    Taylor Aubry, pesquisador de ciências computacionais do NREL e colaborador de dados do BEAST DB, também está ansioso pelo valor que o banco de dados trará.

    "Prevejo que os estudos possibilitados pelo BEAST DB fornecerão insights inestimáveis ​​sobre a miríade de processos necessários para concretizar um futuro sustentável e descarbonizado, onde a catálise eletroquímica assume um papel central", disse Aubry.

    Bill Tumas, diretor associado de laboratório da diretoria de Materiais, Química e Ciência Computacional do NREL, disse:"A versatilidade e a quantidade de dados no BEAST DB contribuirão muito para ajudar os pesquisadores a compreender, prever e controlar o projeto de eletrocatalisadores.

    "A descoberta de eletrocatalisadores inovadores que permitem a produção de combustíveis sustentáveis ​​e commodities químicas acaba de se tornar mais fácil com esta valiosa ferramenta."

    A equipe BEAST colaborará com pesquisadores de eletrocatálise na próxima rodada de geração de dados e incentivará contribuições e colaborações dos usuários do banco de dados. A próxima versão incluirá representações mais complexas de superfícies e reações de catalisadores, por exemplo, defeitos, cobertura de superfície e mecanismos de rede de oxigênio.

    Fornecido pelo Laboratório Nacional de Energia Renovável



    © Ciência https://pt.scienceaq.com