Исследование влияния приложенного потенциала и морфологии катализатора на селективность меди в отношении электрохимического восстановления диоксида углерода с использованием машинного обучения
Exploring the Influence of Applied Potential and Catalyst Morphology on the Selectivities of Copper Toward Carbon Dioxide Electroreduction Using Machine Learning
2025-06-23
SCID: 54.1/ez67gnvg
Discuss with AI
искусственные нейронные сетиэлектровосстановление CO2морфология катализаторамедные катализаторыанализ SHAP
Figures from the paper
Abstract (AI)
Электрохимическое восстановление CO2 (CO2RR) представляет собой устойчивый способ превращения парниковых газов в ценные химические продукты. Однако достижение точной селективности по продуктам остается сложной задачей. В данной работе с использованием метода машинного обучения (ML) исследовано влияние приложенного потенциала и морфологии катализатора на селективность CO2RR. В отличие от большинства существующих приложений ML, которые в основном опираются на открытые базы данных, мы собрали 378 экспериментальных точек данных из научной литературы, посвященных катализаторам на основе Cu и производным Cu в H-образных ячейках. Различные модели ML обучали с использованием числовых и категориальных параметров; наибольшую точность при предсказании фарадеевской эффективности основных продуктов CO2RR продемонстрировала модель искусственной нейронной сети. Анализ SHapley Additive exPlanations (SHAP) выявил, что приложенный потенциал является основным фактором, определяющим распределение продуктов. Кроме того, анализ показал синергетическое влияние морфологии и размера катализатора, определяющее направления образования CO, продуктов C1 и C2+. Эти результаты дают рекомендации для рационального проектирования систем CO2RR на основе Cu путем оптимизации рабочих параметров с целью повышения селективности по многокарбоновым продуктам. В работе представлен новый набор данных и основанная на данных методология, объединяющая экспериментальные результаты с методами ML, что расширяет механистическое понимание CO2RR и обеспечивает масштабируемый подход к поиску и оптимизации катализаторов.
Key Findings
1
Среди оценённых моделей машинного обучения, использующих числовые и категориальные признаки, искусственная нейронная сеть показала наивысшую точность предсказания фарадеевской эффективности основных продуктов восстановления CO₂.
2
Морфология и размер катализатора проявляют синергетические эффекты, влияющие на селективность образования CO, продуктов C1 и продуктов C2+.
3
Анализ SHAP показал, что приложенный потенциал является главным фактором, определяющим распределение продуктов при электрохимическом восстановлении CO₂ на меди.
4
Объединённый экспериментальный набор данных и метод машинного обучения создают основу для рациональной оптимизации рабочих условий и структуры медных катализаторов с целью повышения селективности образования многомолекулярных углеродсодержащих продуктов.
5
В исследовании создан новый набор данных из 378 экспериментальных измерений, собранных из литературы для медных и производных меди катализаторов в H-образных электрохимических ячейках.
Research Object
Cu- и производные Cu-катализаторы для электрохимического восстановления CO2 в H-образных ячейках
Research Subject
Влияние приложенного потенциала, морфологии и размера катализатора на селективность продуктов восстановления CO2, включая фарадеевские выходы и пути образования продуктов CO, C1 и C2+
Publication Details
Publication Date
2025-06-23
Journal
Publisher
ISSN
Cited by
21
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai3
Комментарий: Проект Materials Project: геномный подход к материалам для ускорения инноваций в материаловедении2013
Интерференция фотоэлектронов в двух щелях при ионизации димера неона сильным лазерным полем2018
Ускоренное машинным обучением прогнозирование каталитической активности двухметалльных каталитических центров на основе фталоцианинов переходных металлов для восстановления CO₂2021