Wenn Sie das nächste Mal auf einer Landstraße an Bauernhöfen oder Wiesen und Teichen vorbeifahren, schauen Sie sich um. Sie sind eine reiche Quelle von Biomasse. Dazu gehören Mais, Sojabohnen, Zuckerrohr, Rutenhirse, Algen und andere Pflanzenstoffe. Diese kohlenstoffreichen Materialien können in flüssige Brennstoffe und Chemikalien mit vielen Anwendungsmöglichkeiten umgewandelt werden. In den Vereinigten Staaten gibt es beispielsweise genug Biomasse, um erneuerbaren Kerosin für alle Flugreisen zu produzieren.
Ein großer Stolperstein ist derzeit der Mangel an effektiven, kostengünstigen Katalysatoren, die benötigt werden, um Biomasse in Biokraftstoff oder andere nützliche Produkte umzuwandeln. Forscher des Argonne National Laboratory des US-Energieministeriums (DOE) berichten über die Entwicklung eines auf künstlicher Intelligenz basierenden Modells zur Beschleunigung des Prozesses zur Entwicklung eines kostengünstigen Katalysators auf Basis von Molybdäncarbid.
„Biomasse ist ein organisches Material, das heißt, es ist voller Kohlenstoff“, sagte Rajeev Assary, Gruppenleiter in der Materials Science Division (MSD) der Argonne. „Das ultimative Ziel ist es, diesen Kohlenstoff kostengünstig in nützliche Produkte für die Gesellschaft umzuwandeln, in diesem Fall in Biokraftstoff und Chemikalien wie biologisch abbaubares Plastik. Diese Produkte vermeiden den Bedarf an fossilen Brennstoffen.“
Gegenwärtig können Wissenschaftler ein erdölähnliches Produkt namens Pyrolyseöl herstellen, indem sie rohe Biomasse bei hohen Temperaturen behandeln. Das resultierende Produkt hat jedoch einen sehr hohen Sauerstoffgehalt. Dieser Sauerstoff ist unerwünscht und wird daher durch eine Reaktion entfernt, die durch die Verwendung eines Molybdäncarbid-Katalysators ermöglicht wird. Ein Hauptproblem besteht jedoch darin, dass die Oberfläche dieses Katalysators Sauerstoffatome absorbiert, die sich auf der Oberfläche ansammeln und die Katalysatorleistung verschlechtern.
Eine vorgeschlagene Lösung besteht darin, dem Molybdäncarbid eine kleine Menge eines neuen Elements wie Nickel oder Zink hinzuzufügen. Dieses Dotierungselement schwächt die Bindung der Sauerstoffatome an der Katalysatoroberfläche und verhindert so eine Katalysatorvergiftung.
„Das Problem besteht darin, die richtige Kombination aus Dotierstoff und Oberflächenstruktur zu finden“, sagte Hieu Doan, Assistenzwissenschaftler bei MSD. „Molybdäncarbid hat eine sehr komplizierte Struktur. Wir haben daher auf Supercomputing in Kombination mit theoretischen Berechnungen zurückgegriffen, um das Verhalten nicht nur für die Bindung von Oberflächenatomen an Sauerstoff, sondern auch für Atome in der Nähe zu simulieren.“
Unter Verwendung von Simulationen, die auf Argonnes Supercomputer Theta durchgeführt wurden, erstellte das Team eine Datenbank mit 20.000 Strukturen für die Bindungsenergien von Sauerstoff an dotiertem Molybdäncarbid. Ihre Simulationen berücksichtigten mehrere Dutzend Dotierstoffelemente und über hundert mögliche Positionen für jeden Dotierstoff auf der Katalysatoroberfläche. Theta ist Teil der Argonne Leadership Computing Facility, einer Benutzereinrichtung des DOE Office of Science.
Anschließend nutzten sie diese Datenbank, um ein Deep-Learning-Modell zu trainieren. Deep Learning ist eine Form des maschinellen Lernens, bei der der Computer lernt, Probleme zu lösen, indem er zunächst eine große Stichprobe von Daten analysiert. „Anstatt mit herkömmlichen Rechenmethoden über Monate einige tausend Katalysatorstrukturen zu evaluieren, können wir mit unserem Deep-Learning-Modell jetzt genaue und kostengünstige Berechnungen für Zehntausende von Strukturen in Millisekunden durchführen“, sagte Doan. „Es ist ein Materialscreening für Steroide.“
Das Team schickte die Ergebnisse seiner Simulationen im atomaren Maßstab und seines Deep-Learning-Modells an das Chemical Catalysis for Bioenergy Consortium. Sie werden Experimente durchführen, um eine kleine Gruppe von Kandidatenkatalysatoren zu bewerten.
„In naher Zukunft hoffen wir, über eine Million Strukturen und verschiedene Bindungsatome wie Wasserstoff handhaben zu können“, bemerkte Assary. „Wir wollen denselben rechnerischen Ansatz auch auf Katalysatoren für andere Dekarbonisierungstechnologien anwenden, wie etwa die Umwandlung von Wasser in sauberen Wasserstoffbrennstoff.“
Die Forschung des Teams wurde in der Zeitschrift veröffentlicht Digitale Entdeckung.
Mehr Informationen:
Hieu A. Doan et al, Beschleunigung der Bewertung entscheidender Deskriptoren für das Katalysator-Screening über ein neurales Netzwerk mit Nachrichtenweiterleitung, Digitale Entdeckung (2022). DOI: 10.1039/D2DD00088A