Protonenaustauschmembran-Wasserstoffbrennstoffzellen (PEMFCs), die in Wasserstofffahrzeugen eingesetzt werden, nutzen teure Platinkatalysatoren, um die Sauerstoffreduktionsreaktion an der Anode zu erleichtern. Um effizientere und kostengünstigere Katalysatormaterialien als Platin zu entwickeln, müssen zahlreiche Elementkombinationen und -zusammensetzungen erforscht werden, und im Labor müssen Forscher noch immer viele Versuche und Irrtümer durchführen.
Das Korea Institute of Science and Technology (KIST) hat berichtet, dass Dr. Donghun Kim und Dr. Sang Soo Han vom Computational Science Research Center, Dr. Jong Min Kim vom Materials Architecturing Research Center und Prof. Hyuck Mo Lee von Die Abteilung für Materialwissenschaften und -technik am Korea Advanced Institute of Science and Technology (KAIST) hat eine neue, auf künstlicher Intelligenz basierende Katalysator-Screening-Methode vorgestellt und es ist ihr gelungen, ein neues katalytisches Material auf Basis einer ternären Elementlegierung (Cu-Au) zu entwickeln -Pt), der billiger ist und mehr als doppelt so leistungsfähig ist wie reine Platinkatalysatoren.
Das Team entwickelte ein Slab Graph Convolutional Neural Network (SGCNN)-Modell mit künstlicher Intelligenz, um die Bindungsenergie von Adsorbaten auf der Katalysatoroberfläche genau vorherzusagen. Dies ist nicht die erste Anwendung von KI zur Materialentdeckung. Das SGCNN-Modell wurde durch Weiterentwicklung des CGCNN-Modells entwickelt, das auf die Vorhersage von Masseneigenschaften fester Materialien spezialisiert ist, um Oberflächeneigenschaften katalytischer Materialien vorherzusagen.
Es besteht jedoch ein großer Unterschied zwischen der Vorhersage von Masseneigenschaften und Oberflächeneigenschaften. Wenn Sie die Oberflächeneigenschaften eines Katalysators schnell und genau vorhersagen können, können Sie effizienter nach Katalysatoren suchen, die die drei Kriterien Materialstabilität, Leistung und Kosten erfüllen.
Bei der Entwicklung von Brennstoffzellen-Anodenreaktionskatalysatoren mit dieser Methodik konnten wir das Potenzial von fast 3.200 ternären Kandidatenmaterialien an nur einem Tag erkunden, eine Größenordnung, die mit den traditionell verwendeten Adsorptionsenergiesimulationsberechnungen der Dichtefunktionaltheorie (DFT) Jahre gedauert hätte um Katalysatoreigenschaften vorherzusagen.
Die Forscher entwickelten einen neuartigen ternären (Cu-Au-Pt)-Legierungskatalysator durch experimentelle Validierung von 10 Katalysatoren mit dem Potenzial, Platinkatalysatoren von etwa 3.200 Kandidatenmaterialien zu übertreffen. Der Katalysator verbraucht im Vergleich zu reinen Platinkatalysatoren nur 37 % des Elements Platin, die kinetische Stromdichte ist jedoch mehr als doppelt so hoch wie bei reinen Platinkatalysatoren. Der Katalysator weist außerdem eine hervorragende Haltbarkeit auf und weist nach 5.000 Stabilitätstests nur eine geringe Verschlechterung auf.
„Wir planen, in Zukunft weiterhin hochwertige Adsorptionsenergiedaten zu erstellen und ausgefeiltere KI-Modelle durchzuführen, was die Erfolgsquote der Entwicklung katalytischer Materialien weiter verbessern wird“, sagte Dr. Kim von KIST.
Die neue Methodik hat den Vorteil, dass sie nicht nur sofort auf Katalysatoren für Wasserstoff-Brennstoffzellen anwendbar ist, sondern auch auf verschiedene katalytische Reaktionen wie die wasserelektrolysebasierte Wasserstoffproduktion, die für die Verwirklichung der Wasserstoffwirtschaft unerlässlich ist.
Das Team plant, die Stückkosten weiter zu senken und die Leistung der entwickelten Katalysatoren durch Material- und Systemoptimierung zu verbessern.
Mehr Informationen:
Youngtae Park et al., Maschinelles Lernen filtert effiziente Elektrokatalysatoren im riesigen ternären Legierungsraum für Brennstoffzellen heraus, Angewandte Katalyse B: Umwelt (2023). DOI: 10.1016/j.apcatb.2023.123128