La recherche de catalyseurs plus productifs pour la création de carburants et de produits chimiques durables via des réactions électrochimiques est devenue plus facile.
Alimentés par de l’électricité renouvelable, les électrocatalyseurs produisant des carburants et des produits chimiques à partir d’eau, de dioxyde de carbone ou d’azote ont le potentiel de décarboniser les transports lourds et les industries chimiques. Cette décarbonisation peut être réalisée par le remplacement direct des combustibles fossiles ou par une production de carburants et de produits chimiques à moindre consommation d’énergie.
Une nouvelle base de données d’électrocatalyse open source, développée par le Laboratoire national des énergies renouvelables (NREL) et ses partenaires, offre aux chercheurs une vue complète de la conversion électrochimique de l’énergie. Les données approfondies permettent de mieux comprendre les facteurs fondamentaux qui régissent les changements dans les performances des catalyseurs et peuvent accélérer la conception d’électrocatalyseurs.
Le nouvelle base de données a été développé par l’équipe d’électrochimie de théorie fonctionnelle au-delà de la densité avec techniques accélérées et solvatées (BEAST). Le consortium BEAST, dirigé par Ravishankar Sundararaman du Rensselaer Polytechnic Institute, comprend des collaborateurs du NREL, du Lawrence Berkeley National Laboratory, de l’Université du Colorado à Boulder et de l’Université de Caroline du Sud.
Une base de données pour des informations atomistiques sur l’électrochimie
La base de données BEAST, ou BEAST DB, permet aux électrochimistes expérimentaux et théoriques d’explorer les réactions catalytiques à l’échelle atomique et d’afficher de nombreuses propriétés sur les performances des catalyseurs.
Des exemples de réactions électrochimiques critiques incluent la conversion de l’eau, du dioxyde de carbone ou de l’azote en hydrogène, en acide formique ou en d’autres molécules à base de carbone réduit et en ammoniac, respectivement, à l’aide d’électrocatalyseurs. Comprendre les propriétés fondamentales de l’électrocatalyse peut conduire à des progrès en termes d’efficacité et de productivité des catalyseurs.
Derek Vigil-Fowler, chercheur en informatique au NREL qui a conceptualisé BEAST DB, estime que ces données peuvent permettre une compréhension globale de ces catalyseurs.
« Le fait de disposer en un seul endroit de résultats de base standardisés pour les réactions électrocatalytiques les plus étudiées permet aux chercheurs de disposer d’un guichet unique pour acquérir une compréhension de base du fonctionnement de leur catalyseur à l’échelle atomique.
« Ils peuvent visualiser l’adsorption moléculaire à la surface et le transfert de charge qui entraîne les réactions électrocatalytiques et comprendre comment cela varie selon les catalyseurs et les plages de potentiel appliquées. D’autres peuvent s’appuyer sur ces calculs avec de nouveaux calculs et expériences et faire des progrès dans le domaine », a déclaré Vigil- » dit Fowler.
« L’objectif ultime de BEAST DB est de faciliter l’exploration des performances des catalyseurs et de développer de nouveaux catalyseurs pour différentes réactions chimiques. »
La diversité des conditions dans les expériences électrochimiques publiées et les calculs théoriques entrave une compréhension complète des systèmes électrochimiques. Alors que la théorie fonctionnelle de la densité (DFT) peut prédire le comportement catalytique, les méthodes DFT ne représentent pas de manière adéquate la longueur et les échelles de temps des réactions électrochimiques, en particulier à l’interface dynamique électrode-électrolyte.
BEAST DB utilise un cadre systématique qui surmonte les lacunes du DFT et modélise avec précision les systèmes électrochimiques, fournissant des lignes de base claires pour les performances de l’électrocatalyseur et servant de base à de futurs développements théoriques.
La base de données utilise également des paramètres de calcul uniformes, un élément crucial manquant dans la littérature et qui permettra de comparer plus facilement l’activité catalytique et la productivité entre différents électrocatalyseurs et dans différentes conditions.
Une fenêtre détaillée sur des milliers de réactions catalytiques
BEAST DB utilise des méthodes grands canoniques pour modéliser la solvatation électrochimique ab initio des électrolytes afin de générer des données de performance sur plus de 24 000 combinaisons molécule-catalyseur, où les chercheurs peuvent explorer l’énergie de la réaction pour différentes transformations sur les surfaces catalytiques.
La base de données comprend des électrocatalyseurs prometteurs pour la réaction de réduction du dioxyde de carbone, la réaction de réduction de l’oxygène, la réaction de dégagement d’oxygène, la réaction de réduction de l’azote et la réaction de dégagement d’hydrogène. Les utilisateurs peuvent trier et afficher par types de calcul, notamment la formule d’absorption, la composition du catalyseur et la facette du catalyseur.
Chaque type de réaction est lié à une page de calcul dédiée qui fournit davantage de données de réaction, notamment un tracé 3D interactif du calcul pour visualiser la structure physique et les tracés de la charge sur la molécule et du site actif du catalyseur.
Les utilisateurs peuvent également télécharger un fichier de structure POSCAR pour faciliter son utilisation avec d’autres outils de visualisation et d’analyse standard pour les communautés des matériaux et de la catalyse.
L’équipe BEAST fournit des scripts de conversion au format nécessaire pour les progiciels qui alimentent BEAST DB (JDFTx et BerkeleyGW) afin de reproduire les résultats de la base de données et d’effectuer des calculs supplémentaires pour fournir des informations scientifiques plus approfondies.
Chacune des propriétés de la base de données ci-dessus peut aider les chercheurs à comprendre pourquoi les catalyseurs sont aussi efficaces qu’ils le sont lors de l’électrocatalyse, tandis que les données elles-mêmes et la possibilité de s’en inspirer permettent la création de modèles d’apprentissage automatique qui aident à éclairer la construction de nouveaux catalyseurs.
Accélérer un avenir décarboné grâce à l’électrocatalyse
Jacob Clary, chercheur appliqué au NREL travaillant au sein de l’équipe BEAST qui a joué un rôle déterminant dans le développement de BEAST DB, espère que la base de données deviendra un outil important pour la communauté de recherche en électrocatalyse.
« Je pense que le consortium BEAST dans son ensemble est passionnant car nous développons des outils de pointe pour modéliser les systèmes électrocatalytiques avec une plus grande fidélité et un coût de calcul inférieur à celui des approches existantes », a déclaré Clary.
Taylor Aubry, chercheur en sciences informatiques au NREL et contributeur de données à BEAST DB, attend également avec impatience la valeur qu’apportera la base de données.
« Je prévois que les études permises par BEAST DB fourniront des informations inestimables sur la myriade de processus nécessaires à la réalisation d’un avenir durable et décarboné, dans lequel la catalyse électrochimique jouera un rôle central », a déclaré Aubry.
Bill Tumas, directeur associé du laboratoire de la direction des matériaux, de la chimie et des sciences informatiques du NREL, a déclaré : « La polyvalence et la quantité de données de BEAST DB contribueront grandement à aider les chercheurs à comprendre, prédire et contrôler la conception des électrocatalyseurs.
« La découverte d’électrocatalyseurs innovants permettant la production de carburants et de produits chimiques durables est devenue plus facile grâce à cet outil précieux. »
L’équipe BEAST collaborera avec les chercheurs en électrocatalyse lors de leur prochaine série de génération de données et encouragera les contributions et les collaborations des utilisateurs de la base de données. La prochaine version comprendra des représentations plus complexes des surfaces et des réactions des catalyseurs, par exemple les défauts, la couverture de surface et les mécanismes de l’oxygène dans le réseau.