排序方式： 共有1条查询结果，搜索用时 15 毫秒
1
1.
近年来, 原子催化剂(ACs)引起了广泛的研究关注. 目前该领域的长足发展受限于贵金属的使用和单原子催化剂(SACs)的性能有限. 本文总结了利用密度泛函理论(DFT)和机器学习(ML)方法筛选高效的基于石墨炔(GDY)的原子催化剂的工作. 研究表明, Pd, Co, Pt和Hg可以形成稳定的零价过渡金属-石墨炔组合(TM-GDY), 而镧系-过渡金属的双原子催化剂(Ln-TM DAC)组合通过f-d轨道耦合作用可以获得有效的催化性能提升. 进一步分析表明, 主族元素与过渡金属和镧系金属的结合可以通过p轨道耦合保持高电活性, 从而构成高度稳定的GDY-DAC系统, 机器学习算法也揭示了s,p轨道的作用. 此外, 理论算法技术在筛选催化水分解析氢反应(HER)的高效组合上也表现出了优越性, 创新性地预测了石墨炔-原子催化剂在实际催化反应中的潜能. 本综合评述可为未来设计新型原子催化剂提供新的思路与策略. 相似文献
1