El amoníaco se produce principalmente mediante el proceso Haber-Bosch, intensivo en combustibles fósiles. La producción electroquímica podría usar electricidad en lugar de calor y presión, pero sus velocidades y rendimientos siguen siendo demasiado bajos para la economía industrial. El cuello de botella es el catalizador: sus propiedades superficiales determinan cuánto amoníaco se forma y cuántas reacciones no deseadas ocurren.
El enfoque convencional de materiales modifica compuestos conocidos mediante intuición química, lo que deja a los investigadores explorando millones de combinaciones posibles de aleaciones durante años. En cambio, los investigadores del MIT utilizaron la teoría del funcional de la densidad cuántico-mecánica para preguntar qué propiedades microscópicas electrónicas, químicas y estructurales hacen efectivos a los catalizadores de nitruros de metales de transición. Luego usaron aprendizaje automático para identificar aleaciones candidatas que podrían superar los cuellos de botella de disociación del nitrógeno y transferencia de hidrógeno de la reacción.
El resultado fue un mapa de materiales prometedores basado primero en propiedades, en lugar de una lista aleatoria de compuestos. El artículo aclara cómo se relacionan las propiedades del nitrógeno 2p y de la banda d del metal con la actividad catalítica y puede acelerar el cribado computacional. Sigue siendo teórico: las aleaciones propuestas aún deben fabricarse y probarse en una celda de reacción funcional bajo condiciones operativas reales.
Encontrar las propiedades electrónicas que subyacen a la actividad catalítica
Probar cada combinación de aleaciones llevaría años, mientras que modelar la propiedad determinante reduce la búsqueda antes de la fabricación.
La teoría del funcional de la densidad estima el comportamiento del material antes de que los investigadores dediquen tiempo a fabricar un catalizador físico.
Los nitruros de metales de transición pueden usar el nitrógeno del propio catalizador para ayudar a secuenciar la reacción y reducir los cuellos de botella de energía de entrada.
El aprendizaje automático convierte la comprensión física en una forma práctica de cribar combinaciones que podrían corregir los pasos de reacción más lentos.
Cuando un espacio de búsqueda es demasiado grande para el ensayo y error, modelar primero la propiedad física que causa el éxito; cribar por esa propiedad es más barato que probar cada combinación.
El estudio dio a los investigadores una base para diseñar catalizadores de nitruro más selectivos, pero aún no demostró un dispositivo funcional. El siguiente paso es una celda de reacción que produzca amoníaco con el catalizador candidato y pruebe su rendimiento en condiciones operativas; el artículo afirma explícitamente que un impacto significativo en el mundo real aún está a cierta distancia.
CONSULTA LAS PRUEBAS
Las fuentes
- Paving the way for greener ammonia production MIT News · news.mit.edu ·
- Nitrogen 2p – metal d band hybridization governs nitrogen reduction reaction on transition metal nitrides EES Catalysis (Royal Society of Chemistry) · pubs.rsc.org ·