碱水电解析氢催化剂的高通量智能设计及性能优化研究
编号：384
稿件编号：406 访问权限：仅限参会人
更新：2026-04-18 09:43:58
浏览：30次
邀请报告
报告开始：2026年04月28日 16:35 （Asia/Shanghai）
报告时间：20min
所在会议：[K] 能源材料表面工程及应用技术论坛 » [K2] K下午场
暂无文件
摘要
氢质量能量密度高(142.35Kj/kg)、零碳排放、可再生，是“21世纪的终极能源”。碱性电解水制氢因其效率高、成本低，是目前工业界的主流，选择开发高效、稳定且经济的催化剂材料是促进电解水制氢技术工业化应用的关键。本研究提出了一种“机器学习预测-实验验证-模拟阐释”的方法，从而开发高性能碱性水电解析氢电极。首先，我们通过PVD实验，制备了184组不同元素配比的Ni-Co-Cu-Mo多元合金样品，测定每个样品成分与电催化性能，作为机器学习数据库。在此基础上，采用随机森林机器学习模型，以元素成分含量及原子半径、电负性等参数为输入特征，以析氢过电位为输出目标进行训练，根据遗传算法逆向设计预测性能最优的成分比例为Ni8.97Co30.41Cu51.77Mo8.84，预测样品的过电位在-50mAcm-2电流密度下的过电位为176mV。为验证预测精度，我们通过行星球磨机合成了上述成分的高熵合金粉末，并采用等离子喷涂技术将高熵合金粉末喷涂到镍网基底上，然后利用高浓度KOH溶液腐蚀样品中的造孔剂—铝，成功制备析氢电极。扫描电镜表征显示，喷涂涂层均匀致密，表面呈现粗糙多孔的形貌，并具有纳米皱褶与纳米针状的结构，这显著增大了电化学活性面积。电化学测试表明，该电极在1MKOH电解液中表现出优异的HER性能，在-50mAcm-2下的实际过电位为172mV，与机器学习预测值的误差仅为2.33%，验证了数据库与模型的高可靠性。该电极同时展现出较小的电荷转移电阻和良好的45小时运行稳定性。此外，密度泛函理论计算从机理层面进行了深入阐释。计算结果表明，在Ni-Co-Cu-Mo体系中，Co的引入优化了氢吸附吉布斯自由能，使其更接近于热力学最优值（0eV）；而Cu的加入可以有效调控了合金的d带中心，减弱了氢的吸附强度，避免催化过程中催化剂表面被氢覆盖。成分的协同作用使得最终优化的NiCoMoCu合金在催化活性与吸附强度之间取得了最佳平衡。本研究制备了高性能电解水催化材料，为电解水制氢电极的设计与制备提供了重要的理论和实验依据。
关键字
析氢反应；机器学习；等离子喷涂；密度泛函理论计算
报告人
发表评论