Ученые раскрыли механизм влияния pH на эффективность катализаторов для чистой энергии

Схематические иллюстрации: (a) методы работы с pH для классической модели CHE и pH-зависимой модели электрического поля; (b) покрытие поверхности Pt (111) по модели электрического поля: HO* доминирует в щелочных условиях, а H* преобладает в кислых; (c) упрощенный pH-зависимый вулкан активности. Автор: Journal of Materials Chemistry A (2025)

Международная группа ученых раскрыла атомные механизмы, объясняющие, как уровень pH влияет на эффективность катализаторов в электрохимических реакциях для чистой энергетики. Исследование показывает, что традиционные модели не полностью описывают сложное взаимодействие электрических полей и молекулярных взаимодействий на поверхности катализаторов.

Новая работа, опубликованная в Journal of Materials Chemistry A, демонстрирует, что такие свойства как дипольные моменты, поляризуемость и потенциал нулевого заряда играют критическую роль в определении того, как молекулы и ионы взаимодействуют с поверхностью катализаторов.

Эффекты электрического поля на свободные энергии адсорбции ORR адсорбатов и определение PZC в катализаторах M-N-C

«Наша работа показывает, что эффекты pH — это не просто поверхностные явления; они управляются средой электрического поля на границе раздела», — заявил профессор Университета Тохоку Хао Ли, руководивший исследованием.

Исследование охватывает ключевые реакции для возобновляемой энергетики, включая выделение водорода (HER), восстановление кислорода (ORR), восстановление диоксида углерода (CO₂RR) и восстановление нитратов (NO₃RR).

Масштабные отношения энергий переходных состояний и pH-зависимые вулканы ORR, CO2RR и NO3RR

Новые теоретические фреймворки, представленные в исследовании, включая диаграммы Пурбе с привязкой к RHE и pH-зависимые микрокинетические вулканические модели, позволяют более точно предсказывать каталитическую активность и стабильность в различных электрохимических условиях.

В перспективе команда планирует объединить молекулярную динамику с потенциалами машинного обучения для моделирования реакционных условий в реальном времени, что ускорит разработку высокоэффективных материалов для устойчивого энергетического будущего.