La búsqueda de catalizadores más productivos para la creación de combustibles sostenibles y productos químicos básicos a través de reacciones electroquímicas se ha vuelto más fácil.
Alimentados con electricidad renovable, los electrocatalizadores que producen combustibles y productos químicos a partir de agua, dióxido de carbono o nitrógeno tienen el potencial de descarbonizar las industrias química y de transporte pesado. Esta descarbonización se puede lograr mediante la sustitución directa de los combustibles fósiles o la producción de combustibles y productos químicos con menor consumo energético.
Una nueva base de datos de electrocatálisis de código abierto, desarrollada por el Laboratorio Nacional de Energía Renovable (NREL) y sus socios, proporciona a los investigadores una visión integral de la conversión de energía electroquímica. La gran cantidad de datos permite conocer los factores fundamentales que gobiernan los cambios en el rendimiento del catalizador y pueden acelerar el diseño de electrocatalizadores.
La nueva base de datos fue desarrollada por el equipo de electroquímica de la teoría funcional más allá de la densidad con técnicas aceleradas y solvatadas (BEAST). El consorcio BEAST, dirigido por Ravishankar Sundararaman del Instituto Politécnico Rensselaer, incluye colaboradores del NREL, el Laboratorio Nacional Lawrence Berkeley, la Universidad de Colorado Boulder y la Universidad de Carolina del Sur.
La base de datos BEAST, o BEAST DB, permite a los electroquímicos teóricos y experimentales explorar reacciones catalíticas a escala atómica y ver numerosas propiedades sobre el rendimiento del catalizador.
Ejemplos de reacciones electroquímicas críticas incluyen la conversión de agua, dióxido de carbono o nitrógeno en hidrógeno, ácido fórmico u otras moléculas reducidas a base de carbono y amoníaco, respectivamente, utilizando electrocatalizadores. Comprender las propiedades fundamentales durante la electrocatálisis puede conducir a avances en la eficiencia y productividad del catalizador.
Derek Vigil-Fowler, el investigador de ciencias computacionales del NREL que conceptualizó BEAST DB, cree que estos datos pueden permitir una comprensión holística de estos catalizadores.
"Tener resultados de referencia estandarizados para las reacciones electrocatalíticas más estudiadas en un solo lugar permite a los investigadores tener una ventanilla única para adquirir una comprensión básica de cómo funciona su catalizador a escala atómica.
"Pueden visualizar la adsorción molecular en la superficie y la transferencia de carga que impulsa las reacciones electrocatalíticas y comprender cómo varía entre los catalizadores y los rangos de potencial aplicados. Otros pueden aprovechar estos cálculos con nuevos cálculos y experimentos y lograr avances en el campo", Vigil- dijo Fowler.
"El objetivo final de BEAST DB es facilitar la exploración del rendimiento de los catalizadores y desarrollar nuevos catalizadores para diferentes reacciones químicas".
La diversidad de condiciones en los experimentos electroquímicos y los cálculos teóricos publicados dificulta una comprensión completa de los sistemas electroquímicos. Si bien la teoría funcional de la densidad (DFT) puede predecir el comportamiento catalítico, los métodos DFT representan de manera inadecuada la duración y las escalas de tiempo en las reacciones electroquímicas, especialmente en la interfaz dinámica electrodo-electrolito.
BEAST DB emplea un marco sistemático que supera las deficiencias de DFT y modela con precisión los sistemas electroquímicos, proporcionando líneas de base claras para el rendimiento del electrocatalizador y sirviendo como base para futuros desarrollos teóricos.
La base de datos también utiliza configuraciones de cálculo uniformes, una pieza crucial que falta en la literatura y que permitirá una comparación más sencilla de la actividad catalítica y la productividad entre diferentes electrocatalizadores y en diferentes condiciones.
Una ventana detallada a miles de reacciones catalíticas
BEAST DB utiliza métodos gran canónicos para modelar la solvatación electroquímica ab initio de electrolitos para generar datos de rendimiento en más de 24.000 combinaciones de molécula-catalizador, donde los investigadores pueden explorar la energía de reacción para diferentes transformaciones en superficies catalíticas.
La base de datos incluye electrocatalizadores prometedores para la reacción de reducción de dióxido de carbono, la reacción de reducción de oxígeno, la reacción de desprendimiento de oxígeno, la reacción de reducción de nitrógeno y la reacción de desprendimiento de hidrógeno. Los usuarios pueden ordenar y ver por tipos de cálculo, incluida la fórmula de absorbato, la composición del catalizador y la faceta del catalizador.
Cada tipo de reacción enlaza con una página de cálculo dedicada que proporciona más datos de reacción, incluido un gráfico 3D interactivo del cálculo para visualizar la estructura física y los gráficos de la carga en la molécula y el sitio activo del catalizador.
Los usuarios también pueden descargar un archivo de estructura POSCAR para facilitar su uso con otras herramientas de visualización y análisis estándar para las comunidades de materiales y catálisis.
El equipo de BEAST proporciona scripts de conversión al formato necesario para los paquetes de software que impulsan BEAST DB (JDFTx y BerkeleyGW) para reproducir los resultados de la base de datos y realizar cálculos adicionales para proporcionar más conocimientos científicos.
Cada una de las propiedades de la base de datos anteriores puede ayudar a los investigadores a racionalizar por qué los catalizadores son tan efectivos como lo son durante la electrocatálisis, mientras que los datos en sí y la capacidad de aprovecharlos permiten la creación de modelos de aprendizaje automático que ayudan a informar la construcción de nuevos catalizadores. P>
Jacob Clary, un investigador aplicado del NREL que trabaja en el equipo BEAST y que jugó un papel decisivo en el desarrollo de BEAST DB, tiene la esperanza de que la base de datos se convierta en una herramienta importante para la comunidad de investigación de electrocatálisis.
"Creo que el consorcio BEAST en general es emocionante porque estamos desarrollando herramientas de última generación para modelar sistemas electrocatalíticos con mayor fidelidad y menor costo computacional que los enfoques existentes", dijo Clary.
Taylor Aubry, investigador de ciencias computacionales en NREL y colaborador de datos para BEAST DB, también espera con interés el valor que aportará la base de datos.
"Anticipo que los estudios permitidos por BEAST DB proporcionarán conocimientos invaluables sobre los innumerables procesos necesarios para lograr un futuro sostenible y descarbonizado, en el que la catálisis electroquímica asume un papel central", dijo Aubry.
Bill Tumas, director asociado de laboratorio de la dirección de Materiales, Química y Ciencias Computacionales del NREL, dijo:"La versatilidad y la cantidad de datos en BEAST DB contribuirán en gran medida a ayudar a los investigadores a comprender, predecir y controlar el diseño de electrocatalizadores". P>
"El descubrimiento de electrocatalizadores innovadores que permiten la producción de combustibles sostenibles y productos químicos básicos se ha vuelto más fácil gracias a esta valiosa herramienta".
El equipo BEAST colaborará con investigadores de electrocatálisis en su próxima ronda de generación de datos y fomenta las aportaciones y colaboraciones de los usuarios de la base de datos. La próxima versión incluirá representaciones más complejas de las superficies y reacciones del catalizador, por ejemplo, defectos, cobertura de superficie y mecanismos de oxígeno reticular.
Proporcionado por el Laboratorio Nacional de Energías Renovables
