青春禁区在线观看免费,成品人视频ww入口,挺进绝色老师的紧窄小肉六视频

研究背景

為了取代不可再生能源，研究可持續、綠色的清潔能源至關重要。氫具有高熱量和無碳排放的優點，是世界上最純凈的能源之一，因此，氫氣生產在全球受到歡迎。圖1顯示了不同制氫的百分比以及氫氣的來源。通過光催化技術，太陽能可以轉化為氫能。其中，以TiO₂為中心的半導體光催化劑由于其光催化活性、化學性穩定和低成本，得到了廣泛的應用。光熱納米催化可以將熱催化與光催化的優點結合起來，獲得更高的制氫性能，既保持催化的高轉化效率，又縮短反應時間。由于碳具有熱影響和吸收光的能力，所以碳半導體納米顆粒通常在光熱催化中發揮重要作用。

因此，薩維塔工程學院G.Ramkumar等人使用了一種新型的中空TiO₂光熱納米催化劑（RuO₂/TiO₂/Pt/Carbon）在紫外線照射下制氫。根據碳基表面的結構特征和熱影響，對所制備催化劑的紫外線熱動力學性能進行了評估。此外，本文創建并驗證了ANN方法來預測制氫評估的結果。根據數據集測試結果可以判斷出人工神經網絡技術能夠可靠、準確地估計氫氣的產生。

圖1. 氫氣生產來源的百分比

問題陳述

前人通過實驗和理論計算研究材料，但它們并沒有利用參與反應的所有分子催化劑，包括光合作用過程中的分子催化劑。同時，前人沒有揭示在光熱催化活性期間光輻射對溫度轉換的影響。因此，現有的研究僅限于現實情況下的經濟可行性。此外，先前的研究沒有將乙酸作為碳的替代物。同時，調整pH值等其他條件并不能改善黑暗反應過程。

為了解決以上問題，通過Pt/RuO₂納米粒子之間的協同作用和碳層的熱沖擊，使TiO₂基催化劑在可見光照射下的制氫催化效率得到了顯著提高，并在研究中創建了人工神經網絡方法并進行了測試，以預測析氫性能。

實驗方法

將1 ml的NH₃、2.3 g十六烷基三甲基溴化銨、350 mg間苯二酚和800 mg SiO₂納米球混合并在35℃的溫度下超聲30分鐘。然后進行攪拌6小時，攪拌后，向合并的溶液中加入0.5mL甲酸醛。隨后用水和乙醇反復洗滌，在Ar保護下，600℃煅燒2小時。為了獲得Pt/C/SiO₂中間體，煅燒后的固體樣品與15.5 mL的0.231M H₂PtCl₆（代表0.5%的鉑負載量）和0.1 g硼氫化鈉混合。將該混合物在室溫下攪拌5小時，用H₂O徹底洗滌并干燥。

為了制備TiO₂/Pt/C中間體，將6.7g丁醇鈦（IV）在500℃的溫度下加熱4小時，然后在40℃氬氣中持續5小時。將TiO₂/TiO₂/Pt/C中間產物稀釋到10M的氫氧化鈉溶液中，在120℃下加熱4小時，然后加入RuO₂納米粒子。位于碳層最內表面的Pt納米粒子被分類為RuO₂/TiO₂/C/Pt，位于碳層和TiO₂層之間的鉑納米粒子分別為RuO₂TiO₂Pt/C，以及位于這種TiO₂層外表面的鉑納米粒子，分別為RuO₂-Pt/TiO₂/C。

人工神經網絡模型的建立

人工神經元是人工神經網絡模型的基礎，神經元層之間的連接建立了它們的關系。通常，輸入層是人工神經網絡的初始層，輸出層或目標層是最終層。然而，在輸入層和輸出層之間，可能存在一個或多個隱藏的神經元層，它們充當特征檢測器。一般來說，神經元的數量對神經網絡的準確性有影響。盡管計算成本會更大，但通過在其隱藏層中添加神經元，ANN可以變得更有效。如圖2所示，一個級別中的每個神經元都鏈接到下一層中的單個神經元。

圖2. 一個典型的人工神經網絡設計

傳統的人工神經網絡有幾個單元，也稱為人工神經元，按層序列組織。在原型人工神經網絡中有不同的層，包括：輸入層：輸入層中被稱為人工神經元的單元，是從外界接收數據的單元，網絡將學習、識別或以其他方式解釋這些數據；輸出層：該層是學習輸入數據的單元；隱藏層：隱藏層位于輸入層和輸出層之間。隱藏層的職責是更改輸入，以便輸出單元可以用某種方式使用。

在研究中，基于上述RuO₂/TiO₂/Pt/Carbon、RuO₂/TO₂/Pt、RuO–Pt/TiO₂/C和RuO₂/TiO₂/C/Pt的可見光下制氫的實驗結果在表1中表示為C1、C2、C3和C4。神經網絡設計的創建涉及多個過程。數據規范化應用于第一階段，為了提高神經網絡對輸入和輸出的近似能力，使用了一種預處理方法，使用正確的值定義權重函數。接下來的步驟是相互關聯。當后期訓練以及處理分析包括收斂要求時，則需要考慮確定的ANN架構是否正確。

表1. 可見光下的析氫性能

對于可見光下的光催化制氫，提出了一種獨特的海膽狀中空結構TiO₂光熱納米催化劑，該催化劑含有鉑、RuO₂雙助催化劑和碳層。光催化反應可以利用碳層產生的熱電子，如圖3。

圖3. 基于人工神經網絡的氫氣評價方案

結果與討論

析氫性能：在6℃和可見光下，使用甲醇作為組分的H₂生成速率來評估催化劑。C1的析氫能力略大于C3。可能是由于碳層產生的熱電子參與了化學反應，隨機分布在催化劑外表面的雙助催化劑也會降低光誘導的分離性能。光電流密度和EIS研究結果表明，RuO₂/TiO₂/Pt/Carbon進一步通過碳層、鉑納米粒子和TiO₂層的夾層結構，增強了電荷分離，保護了鉑納米粒子不聚集以及活性點的失效。ICP-OES的研究結果表明，RuO₂/TiO₂/Pt/Carbon中鉑濃度較高，可以為制氫提供更多的活性位點，從而提高催化的反應效率。

此外，在可見光照射期間，C2表現出最小的析氫活性，如圖4和表1所示。觀察到樣品在電磁輻射下的析氫速率隨著碳的增加而急劇增加。這是由于C元素的結合產生了熱電子，以及通過在TiO₂晶格中摻雜C元素來減小了帶隙。因此，RuO₂/TiO₂/Pt/C催化劑產生的H₂量更高。同時，使用在可見光照射期間連續產生20小時的H₂量來評估C1材料的穩定性。C1催化劑在四個氫氣生成循環后也表現出良好光催化活性，這與其通過顯微鏡和光譜方法測定的結果一致。因此，可以得出結論，高度穩定的RuO₂/TiO₂/Pt/C催化劑可能具有顯著的產氫潛力。

圖4. 可見光下的H₂評估

光熱催化析氫的性能：甲醇在高溫下容易揮發，因此使用三乙醇胺作為試劑。當溫度控制在25℃時，C1催化劑在可見光照射下對H₂的產生表現出更大的光催化作用。這表明催化劑通過吸收光產生了熱量，產生了熱電子，有助于提高催化性能。但是當反應裝置被加熱到60℃時，在沒有任何光暴露的情況下，幾乎不發生任何H₂析出過程。這表明RuO₂/TiO₂/Pt/Carbon催化劑不僅能通過熱催化反應產生電子-空穴對，因為它在缺乏可見光照射的情況下沒有活性。由于純TiO₂以及RuO₂/TiO₂/Pt在可見光下沒有制氫作用，因此將在可見光條件下的光熱制氫活性作為標準進行了研究。

觀察未摻雜TiO₂和C1樣品之間反應的溫度差表明催化劑實現了從光到熱的轉變轉化，因此有利于H₂的產生。由TiO₂、C2和C1制成的催化劑在暴露于可見光下時的紅外熱像圖。催化劑C2和純TiO₂表面需要20.2℃和46.8℃，同時，在可見光照射60 s內，RuO₂/TiO₂/Pt/C樣品的表面溫度升至76.11℃，表現出快速且異常的溫度響應。這表明C1催化劑可以捕獲通過碳層產生的熱能，從而在碳TiO₂級產生熱量局部化，增加其光熱轉化產生H₂的能力。

光熱催化機理：為了增加TiO₂吸收可見光的能力并縮小其帶隙，在材料中摻雜少量碳，同時，中空TiO₂有利于降低光穿透損失，空腔的多次反射和光子散射將增加材料吸收光的能力。類似于海膽的結構比納米球具有更大的表面積，會沉積更多的Pt納米粒子。與此同時，暴露在光下的一層碳可能會吸收大量太陽能，產生熱量，然后蒸發到周圍環境中。此外，當暴露在光下時，碳基材料會產生電子-空穴對，當溫度升高時，熱化電子的能量增加。熱電子直接遷移到Pt納米粒子的內表面，就像TiO₂導帶內的電子與H混合產生H₂一樣。因此，TiO₂的價帶空穴被直接轉移到RuO₂表面納米粒子上，與CH₃OH或(HOCH₂CH₂)₃N反應產生氧化產物。

人工神經網絡模型的準確性評價：結構模型的正確性是衡量其操作精度的一個指標。準確預測的測量值與所有可觀測數據的比率通常用作決定因素。在圖5和表2中，給出了ANN模型對制氫評估反應預測的準確性。與C2、C3和C4相比，C1具有更高的ANN預測精度，RuO₂/TiO₂/Pt的預測值與實驗值相同。通過ANN模型的高水平預測精度驗證了RuO₂/TiO₂/Pt/C對制氫評價的貢獻。

表2. 使用人工神經網絡評估準確度（%）

圖5. 使用人工神經網絡評估準確度（%）

分析與討論

增強機器學習在用于識別光熱制氫的納米材料方面發揮著至關重要的作用。這一領域結合了納米技術、光化學和機器學習的原理，開發出用于可持續能源生產的高效催化材料。光熱制氫的關鍵挑戰之一是確定合適的納米材料，這些納米材料可以有效地將太陽能轉化為熱量，并驅動制氫反應。傳統的試錯實驗方法通常耗時且昂貴，限制了對廣泛材料成分和結構的探索。增強機器學習為加速和優化催化過程提供了強大的解決方案。根據材料特性、合成條件和性能信息的大型數據集，采用深度學習、支持向量機和隨機森林等先進算法學習數據集中的復雜模式和相關性。

首先，利用機器學習進行納米材料識別最主要是建立預測模型，該模型可以根據材料的結構和組成特征來估計材料的光熱特性。這些模型可以根據現有的實驗數據進行訓練，了解材料特性和性能指標之間的關系。經過訓練后，這些模型就可以預測新的、未經測試的材料性能，使研究人員能夠優先考慮有良好的候選材料進行合成和實驗驗證。其次，采用機器學習算法對納米材料庫進行高通量篩選。通過在具有已知特性材料的大型數據集上訓練模型，這些算法可以快速評估大量候選材料的性能。可以讓研究人員能夠確定具有理想光熱性能的材料。此外，機器學習可以促進發現新的納米材料的成分和結構，這些成分和結構可以提升光熱性能。機器學習算法通過分析材料特征和性能指標之間的關系，可以提出新的材料設計，能極大地拓展了新材料的搜索空間，并可以發現用于光熱制氫的高效納米材料。

研究結果顯示了增強機器學習加速了識別光熱制氫的納米材料。通過利用大型數據集，有效篩選、預測和發現具有理想性質的材料。在該領域采用機器學習加速可持續能源技術的發展，并有助于全球向更清潔、更高效的能源過渡。

結論與展望

本文通過空間分離的Pt和RuO₂雙助催化劑有效地設計和合成了一種類似海膽的中空光熱納米催化材料。其中，RuO₂/TiO₂/Pt/C在可見光照射下具有優異的制氫效率，這是由于催化劑對太陽能的吸收和光生電荷分離能力的作用。

這有助于克服Pt納米粒子的團聚，并防止Pt活性位點的降解，從而改善電荷分離，改善光催化反應。當這種情況發生時，C1催化劑可以捕獲由這種碳層產生的熱能，從而導致熱量向與TiO₂接觸的碳旁邊移動，這同樣有助于產生光熱轉換。隨后，本文創建并驗證了ANN方法來預測制氫評估的結果。根據預測結果，發現ANN對RuO₂/TiO₂/Pt/C制氫的性能預測更精準。

文獻信息

Ramkumar G, Tamilselvi M, Jebaseelan S D S, et al. Enhanced machine learning for nanomaterial identification of photo thermal hydrogen production[J]. International Journal of Hydrogen Energy, 2023.

https://doi.org/10.1016/j.ijhydene.2023.07.128.

【做計算找華算】華算科技專注DFT代算服務、正版商業軟件版權、全職海歸計算團隊，10000+成功案例！Nature Catalysis、JACS、Angew.、AM、AEM、AFM等狂發頂刊，好評如潮！

計算內容涉及OER、HER、ORR、CO2RR、NRR自由能臺階圖、火山理論、d帶中心、反應路徑、摻雜、缺陷、表面能、吸附能等。

添加下方微信好友，立即咨詢：

電話/微信：13622327160

?點擊閱讀原文，立即咨詢計算！

原創文章，作者：MS楊站長，如若轉載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2023/10/06/0bd258ac8b/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

【AI+材料】IJHE：采用增強機器學習方法篩選光熱制氫納米材料

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

【AI+材料】IJHE：采用增強機器學習方法篩選光熱制氫納米材料

相關推薦