研究人员报告一项新技术,有助于能量储存推进可再生能源发展

可再生能源技术是以可持续方式解决全球能源需求的有前途的解决方案。然而,来自太阳能、风能、生物质能等可再生能源的广泛采用已经滞后,部分原因是它们难以储存和运输。

研究人员报告一项新技术,有助于储存能量推进可再生能源发展
能源创新催化中心开发的新表征技术可能有助于改善电化学存储技术,例如UD氢燃料电池公交车中使用的燃料电池。

随着人们继续寻找有效解决这些储存和运输需求的材料,美国特拉华大学能源创新催化中心(CCEI)的研究人员报告了一项新技术,这些新技术用于表征复杂材料的特性,该方法可能最终有助于储存能量,克服当前挑战。

该方法利用机器学习、数据科学技术和基于物理学的模型,使研究人员能够近距离地观察到他们感兴趣的材料实际三维结构,这意味着他们可以研究材料表面上的特定粒子,同时也可以观察到粒子结构如何随着时间的推移,在其他分子的存在以及不同的条件下(如温度和压力)如何演变。

将来,研究小组的技术将帮助工程师和科学家们确定能够改善存储技术的材料如为我们生活提供动力的燃料电池等。这样的改进是帮助这些重要技术充分发挥潜力并变得更加广泛的必要条件。

研究人员承认,直接对复杂结构进行建模太过昂贵和耗时。取而代之的是,他们从材料表面的单个光点上获取数据,并对其进行缩放,使之成为许多不同材料表面上的各种催化剂的代表。

想象一下,一个由许多原子组成的立方体。位于立方体的四角上的原子与位于立方体的一侧的原子具有不同的性质。这是因为在四角上的原子较少,原子之间相互连接,原子之间的间隔可能会更近。而在立方体的一侧,更多的原子将被连接起来,即使它们之间的间隔可能较远。

催化剂材料也是如此。即使我们无法用肉眼看到它们,但组成催化剂的粒子会吸附在材料上的许多不同位置上–这些位置有不同的边缘、凹凸和其他变化,影响到位于这些位置材料的行为。由于这些差异,科学家们不能只用一个数字来量化材料的整个表面,因此,他们必须估算这些表面的外观。

研究团队利用对不同波长的红外光的实验测量和机器学习来预测和描述材料不同表面的化学和物理特性。这些模型完全根据数学生成的数据上进行训练,使他们能够在许多不同的条件下直观地显示不同方案。

研究人员开发了专门的开源软件,将该技术应用于不同的金属、材料和吸附剂上。该方法足够灵活,可以与红外光以外的其他光谱技术一起使用,以便其他科学家和工程师可以修改该软件以推进自己的工作。

这项工作引入了一种全新的思维方式,即如何在现实世界中材料和定义明确的模型系统之间架起一座桥梁。

上一篇:

下一篇:


标签