Forskere rapporterer om en ny metode til karakterisering af materialer, der i sidste ende kan hjælpe med at lagre energi

Vedvarende teknologier er en lovende løsning til at imødekomme globale energibehov på en bæredygtig måde.

Imidlertid, udbredt anvendelse af vedvarende energiressourcer fra solenergi, vind, biomasse og mere har haltet, dels fordi de er svære at opbevare og transportere.

Efterhånden som søgen efter materialer til effektivt at imødekomme disse opbevarings- og transportbehov fortsætter, Forskere fra University of Delaware fra Catalysis Center for Energy Innovation (CCEI) rapporterer om nye teknikker til karakterisering af komplekse materialer med potentiale til at overvinde disse udfordringer.

Forskerne rapporterede for nylig deres teknik i Naturkommunikation .

Når man ser delene, såvel som helheden

I øjeblikket findes der teknologier til karakterisering af højtordnede overflader med specifikke gentagende mønstre, såsom krystaller. At beskrive overflader uden gentagende mønster er et sværere problem.

UD-doktorand og 2019-2020 Blue Waters Graduate Fellow Josh Lansford og Dion Vlachos, der leder både CCEI og Delaware Energy Institute og er Allan og Myra Ferguson professor i kemisk og biomolekylær teknik, har udviklet en metode til at observere den lokale overfladestruktur af partikler i atomskala i detaljer, samtidig med at hele systemet er i syne.

Tilgangen, som udnytter maskinlæring, datavidenskabsteknikker og modeller baseret på fysik, gør det muligt for forskerne at visualisere den faktiske tredimensionelle struktur af et materiale, de er interesseret i tæt på, men også i kontekst. Det betyder, at de kan studere specifikke partikler på materialets overflade, men også se hvordan partikelens struktur udvikler sig - over tid - i nærvær af andre molekyler og under forskellige betingelser, såsom temperatur og tryk.

Brugt, forskergruppens teknik vil hjælpe ingeniører og forskere med at identificere materialer, der kan forbedre lagringsteknologier, såsom brændselsceller og batterier, som driver vores liv. Sådanne forbedringer er nødvendige for at hjælpe disse vigtige teknologier med at nå deres fulde potentiale og blive mere udbredt.

"For at optimere elektrokemiske lagringsteknologier, såsom brændselsceller og batterier, vi skal forstå, hvordan de fungerer, og hvordan de ser ud, "sagde Lansford, papirets hovedforfatter, hvem rådes på UD af Vlachos, projektets hovedforsker.

"Vi er nødt til at forstå strukturen i de materialer, vi genererer, i detaljer, så vi kan genskabe dem effektivt i stor skala eller ændre dem for at ændre deres stabilitet. "

Computational modellering

Lansford indrømmer, at det er for dyrt og tidskrævende at modellere komplekse strukturer direkte. I stedet, de tager data, genereret fra et enkelt sted på overfladen af ​​et materiale, og skalere den til at være repræsentativ for en række forskellige katalysatorer på mange overflader af mange forskellige materialer.

Forestil dig en terning, der består af mange atomer. Atomer placeret på hjørnerne af terningen vil have andre egenskaber end, sige, atomerne placeret på den ene side af terningen. Dette er fordi på hjørnerne, færre atomer vil blive forbundet med hinanden, og atomer kan være placeret tættere på hinanden. Mens den er på siden af ​​terningen, flere atomer vil blive forbundet, selvom de kan være adskilt længere fra hinanden.

Det samme er tilfældet for katalysatormaterialer. Selvom vi ikke kan se dem med det blotte øje, partiklerne, der udgør en katalysator, adsorberes på mange forskellige steder på materialet - og disse steder har forskellige kanter, stød og andre variationer, der påvirker, hvordan materialer placeret der vil opføre sig. På grund af disse forskelle, forskere kan ikke bare bruge et enkelt tal til at forsøge at kvantificere, hvad der sker på tværs af et materiales hele overflade, så de er nødt til at estimere, hvordan disse overflader ser ud.

Ifølge Lansford, det er her beregningsmodellering kan hjælpe.

Forskergruppen brugte eksperimentelle målinger af forskellige bølgelængder af infrarødt lys og maskinlæring til at forudsige og beskrive de kemiske og fysiske egenskaber ved forskellige overflader af materialer. Modellerne blev udelukkende trænet i matematisk genererede data, giver dem mulighed for at visualisere mange forskellige muligheder under mange forskellige forhold.

De udviklede speciel open source-software til at anvende teknikken på forskellige metaller, materialer og adsorbater. Metoden er fleksibel nok til at blive brugt med andre spektroskopiske teknikker ud over infrarødt lys, så andre forskere og ingeniører kan ændre softwaren for at fremme deres eget arbejde.

"Dette arbejde introducerer en helt ny måde at tænke på, hvordan man kan bygge bro mellem virkelige materialer og veldefinerede modelsystemer, med bidrag til overfladevidenskab og maskinlæring, der står alene "sagde Lansford.