电催化NO还原反应(NORR)合成氨, 作为一项新兴技术, 旨在减少NO污染并生产高附加值产品. 因此, 寻找合适的NORR电催化剂至关重要. 单原子合金催化剂(SAACs)因其独特的催化性能和明确的成键环境, 是研究催化剂结构-活性关系的理想对象.
本文依托密度泛函理论(DFT)计算和机器学习(ML)算法, 深入研究了Pt掺杂的SAACs在NORR合成氨反应中的催化机制, 并提出了SAACs的理性设计原则. 通过ML算法, 成功识别了与催化活性密切相关的原子和电子特征, 并定量分析了这些特征之间的协同作用. DFT计算和ML算法的联合运用不仅加深了对复杂NORR机理的理解, 还为理性设计具有特定活性中心的高效SAACs提供了一种切实可行的策略. 本文研究了13种Pt掺杂的SAACs (Pt/TM, TM = Sc, Ti, V, Cr, Mn, Fe, Co, Ni, Cu, Zn, Ru, Rh和Pd)和14种纯过渡金属(包括Sc, Ti, V, Cr, Mn, Fe, Co, Ni, Cu, Zn, Ru, Rh, Pd和Pt)在NORR合成氨反应中的催化机制. 首先, 考察了Pt/TM的热力学稳定性和在电化学条件下的稳定性. 结果表明, Pt/TM SAACs展现出了良好的热力学稳定性. 在电化学条件下, 当外加电压等于极限电势时, 单质Zn在pH > 6时稳定存在, 而其他纯金属和Pt/TM SAACs则在整个pH范围内均能保持稳定. 随后, 探讨了这些催化剂对NO的吸附及活化能力. DFT计算发现, NO能够在所有催化剂表面稳定吸附, 并且吸附后N‒O键长与NO得电子数之间存在显著的线性相关性, 这两者可共同作为NO活化的重要指标. 接着, 考察了NORR的反应机理, 并筛选出7种具有较高过电势(UL > ‒0.25 V)的催化剂, 包括Cu, Zn, Rh, Pt以及Pt/Cu, Pt/Zn, Pt/Rh SAACs. 考虑到H2和N2副产物对氨选择性的影响, 排除了Zn和Pt/Zn作为潜在的优秀催化剂. 在此基础上, 在排除贵金属 (Rh, Pt和Pt/Rh)基底的SAACs后, 筛选出Cu和Pt/Cu作为NORR合成氨反应的高效催化剂. 最后, 采用随机森林(RF)和基于压缩感知原理的数据驱动(SISSO)方法分析了SAACs的内在特性与NORR性能之间的关系. RF模型所预测的极限电势与DFT计算结果高度吻合, 模型的决定系数(R2)高达0.97, 均方根误差(RMSE)仅为0.12 V. 此外, 利用SISSO算法建立了SAACs的关键特征(如基底金属的第一电离能、NO得电子数和基底金属的d轨道电子数)与在最佳反应路径上的极限电势之间的紧密联系. 这一研究不仅加深了对NORR合成氨机制的理解, 还为高效催化剂的理性设计提供了有力的理论支持.
综上所述, 本文基于DFT计算和ML算法, 系统研究了Pt/TM SAACs在电催化还原NO合成氨过程中的催化性能. 通过筛选, Cu和Pt/Cu被确定为优秀的NORR合成氨催化剂. ML算法所预测的极限电势与DFT计算结果高度一致. 本文的研究结果为NORR电催化合成氨单原子合金催化剂的理性设计和高效筛选提供了参考.