由机器学习和DFT计算引导的高效CO2光还原
发布时间：2023-12-13 16:40:48来源：
将CO2光催化还原为高价值碳基燃料在解决日益严重的能源危机方面具有巨大潜力。然而，CO 2分子的高C=O键能(750 kJ·mol -1 )使得CO 2 的活化和还原具有挑战性。因此，构建具有新型电子传递途径的光催化剂具有重要意义。与传统的单一电子传输通道相比，基于层状材料的多电子通道的发展在载流子传输的改善方面具有明显的优势。然而，合理设计具有优化参数的理想多电子通道光催化模型是相当具有挑战性的。
近日，武汉工程大学姜继洲教授领导的一项研究课题“构建双电子传递通道以机器学习和第一性原理计算为指导加速CO 2光还原”。该工作结合第一原理计算和机器学习，成功预测并制备了一种新型的具有双电子传输通道的BiOBr-Bi-gC 3 N 4三明治结构，用于光催化CO 2还原。这种新颖的结构具有良好的活性，主要原因有三个：(1)引入的gC 3 N 4纳米片表现出与BiOBr相似的能级结构，有利于形成电子叠加态。(2)由于特殊的双电子传输通道，激发态载流子能够高效分离和传输;(3)由于BiOBr和gC 3 N 4的光生载流子具有不同的时间衰减行为，因此可以构建CO 2还原的多时间尺度反应机制来优化反应路径。BiOBr-Bi-gC 3 N 4量子的良好结构增强了CO 2还原光催化性能(43 μmol g -1 h -1 ) 。利用五种机器学习模型探讨了各种影响因素对多电子通道效率的线性规律。对光催化机理进行了系统研究。研究结果发表在催化学报上。
免责声明：本答案或内容为用户上传，不代表本网观点。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，请读者仅作参考，并请自行核实相关内容。 如遇侵权请及时联系本站删除。
