Hernieuwbare technologieën zijn een veelbelovende oplossing om op een duurzame manier in de wereldwijde energiebehoeften te voorzien.

Echter, wijdverbreide adoptie van hernieuwbare energiebronnen uit zonne-, wind, biomassa en meer zijn achtergebleven, deels omdat ze moeilijk op te slaan en te vervoeren zijn.

Terwijl de zoektocht naar materialen om deze opslag- en transportbehoeften efficiënt aan te pakken voortduurt, Onderzoekers van de Universiteit van Delaware van het Catalysis Center for Energy Innovation (CCEI) rapporteren nieuwe technieken voor het karakteriseren van complexe materialen met het potentieel om deze uitdagingen te overwinnen.

De onderzoekers rapporteerden onlangs hun techniek in Natuurcommunicatie .

De onderdelen zien, evenals het geheel

Er bestaan ​​momenteel technologieën voor het karakteriseren van sterk geordende oppervlakken met specifieke herhalende patronen, zoals kristallen. Het beschrijven van oppervlakken zonder herhalend patroon is een moeilijker probleem.

UD-promovendus en 2019-2020 Blue Waters Graduate Fellow Josh Lansford en Dion Vlachos, die zowel CCEI als het Delaware Energy Institute leidt en de Allan en Myra Ferguson Professor of Chemical and Biomolecular Engineering is, hebben een methode ontwikkeld om de lokale oppervlaktestructuur van deeltjes op atomaire schaal in detail te observeren en tegelijkertijd het hele systeem in het oog te houden.

De aanpak, die gebruikmaakt van machine learning, data science technieken en modellen gebaseerd op natuurkunde, stelt de onderzoekers in staat om de werkelijke driedimensionale structuur van een materiaal waarin ze geïnteresseerd zijn van dichtbij te visualiseren, maar ook in verband. Dit betekent dat ze specifieke deeltjes op het materiaaloppervlak kunnen bestuderen, maar kijk ook hoe de structuur van het deeltje evolueert - in de loop van de tijd - in de aanwezigheid van andere moleculen en onder verschillende omstandigheden, zoals temperatuur en druk.

In gebruik nemen, de techniek van het onderzoeksteam zal ingenieurs en wetenschappers helpen bij het identificeren van materialen die de opslagtechnologieën kunnen verbeteren, zoals brandstofcellen en batterijen, die ons leven kracht geven. Dergelijke verbeteringen zijn nodig om deze belangrijke technologieën te helpen hun volledige potentieel te bereiken en meer wijdverbreid te worden.

"Om elektrochemische opslagtechnologieën te optimaliseren, zoals brandstofcellen en batterijen, we moeten begrijpen hoe ze werken en hoe ze eruit zien, " zei Lansford, hoofdauteur van de krant, die bij UD wordt geadviseerd door Vlachos, hoofdonderzoeker van het project.

"We moeten de structuur begrijpen van de materialen die we genereren, in detail, zodat we ze efficiënt op grote schaal opnieuw kunnen creëren of ze kunnen aanpassen om hun stabiliteit te veranderen."

Computationele modellering

Lansford geeft toe dat het te kostbaar en tijdrovend is om complexe structuren direct te modelleren. In plaats daarvan, ze nemen gegevens, gegenereerd vanaf een enkele plek op het oppervlak van een materiaal, en schaal het om representatief te zijn voor een verscheidenheid aan katalysatoren op veel oppervlakken van veel verschillende materialen.

Stel je een kubus voor die uit veel atomen bestaat. De atomen op de hoeken van de kubus zullen andere eigenschappen hebben dan, zeggen, de atomen aan één kant van de kubus. Dit komt omdat op de hoeken, er zullen minder atomen met elkaar verbonden zijn en atomen kunnen dichter bij elkaar staan. Terwijl aan de zijkant van de kubus, meer atomen zullen met elkaar verbonden zijn, ook al liggen ze verder uit elkaar.

Hetzelfde geldt voor katalysatormaterialen. Zelfs als we ze niet met het blote oog kunnen zien, de deeltjes waaruit een katalysator bestaat, worden op veel verschillende plaatsen op het materiaal geadsorbeerd - en deze plaatsen hebben verschillende randen, hobbels en andere variaties die van invloed zijn op hoe materialen die zich daar bevinden zich zullen gedragen. Door deze verschillen, wetenschappers kunnen niet zomaar een enkel getal gebruiken om te kwantificeren wat er gebeurt over het hele oppervlak van een materiaal, dus moeten ze inschatten hoe deze oppervlakken eruit zien.

Volgens Lansford, dit is waar computationele modellering kan helpen.

Het onderzoeksteam gebruikte experimentele metingen van verschillende golflengten van infrarood licht en machine learning om de chemische en fysische eigenschappen van verschillende oppervlakken van materialen te voorspellen en te beschrijven. De modellen zijn volledig getraind op wiskundig gegenereerde gegevens, waardoor ze veel verschillende opties onder veel verschillende omstandigheden kunnen visualiseren.

Ze ontwikkelden speciale open source software om de techniek toe te passen op verschillende metalen, materialen en adsorbaten. De methodologie is flexibel genoeg om te worden gebruikt met andere spectroscopische technieken dan infrarood licht, zodat andere wetenschappers en ingenieurs de software kunnen aanpassen om hun eigen werk vooruit te helpen.

"Dit werk introduceert een geheel nieuwe manier van denken over hoe de kloof tussen echte materialen en goed gedefinieerde modelsystemen te overbruggen, met bijdragen aan oppervlaktewetenschap en machine learning die op zichzelf staan, ' zei Lansford.