Forscher entwickeln Katalysatoren blitzschnell

Schneller (oben) und langsamer Weg zu neuen Katalysatoren (Illustration: anl.gov)

Lemont (pte025/01.03.2023/11:30) - Forscher am Argonne National Laboratory ( https://www.anl.gov ) haben einen neues Verfahren zur Herstellung von Katalysatoren für die Umwandlung von Biomasse in konkurrenzfähiges Bio-Kerosin entwickelt. Statt bisher Monate dauert es nun nur noch Millisenkunden, um den effektivsten Katalysator für die jeweilige Anwendung zu identifizieren. Grundmaterial ist Molybdänkarbid. Dessen Effektivität hängt davon ab, wie das Molekül strukturiert ist und mit welchen Fremdmaterialien es dotiert ist. Es gibt hunderttausende Möglichkeiten.

Deep Learning im Einsatz

Die Argonne-Forscher haben eine Software entwickelt, die mithilfe von Deep Learning, einer Form des maschinellen Lernens, neue Strukturen und Dotierungen blitzschnell auf ihre Wirkung überprüft. "Mit unserem Deep-Learning-Modell können wir genaue und kostengünstige Berechnungen für Zehntausende von Strukturen in Millisekunden durchführen", sagt Chemieingenieur Hieu Anh Doan.

Derzeit lässt sich aus Biomasse bei hohen Temperaturen unter Luftabschluss ein Pyrolyseöl herstellen, das sich als Rohstoff zur Herstellung von Sprit nutzen lässt. Es hat jedoch einen hohen Sauerstoffgehalt, der entfernt werden muss. Die dazu nötige chemische Reaktion benötigt einen Molybdänkarbid-Katalysator, der allerdings Sauerstoffatome absorbiert und mit der Zeit an Effektivität verliert.

"Wir mussten die richtige Kombination aus Dotierstoff und Oberflächenstruktur finden. Molybdäncarbid hat eine sehr komplizierte Struktur. Wir haben daher Supercomputing in Kombination mit theoretischen Berechnungen herangezogen, um das Verhalten nicht nur für die Oberflächenatome zu simulieren, die sich mit Sauerstoff verbinden, sondern auch für Atome in der Nähe", so Doan.

Simulation per Supercomputer

Mithilfe von Simulationen auf dem Theta-Supercomputer von Argonne hat das Team eine Datenbank mit 20.000 Strukturen für die Bindungsenergien von Sauerstoff an dotiertem Molybdänkarbid erstellt. Die Simulationen berücksichtigen mehrere Dutzend Dotierstoffe und über 100 mögliche Positionen für jeden Dotierstoff auf der Katalysatoroberfläche.

Mit dieser Datenbank haben die US-Wissenschaftler dann ein Deep-Learning-Modell trainiert. Die so ermittelten Katalysatoren werden jetzt vom Chemical Catalysis for Bioenergy Consortium auf ihre Wirksamkeit überprüft. Das ist eine gemeinsame Forschungsinitiative von acht nationalen Labors des US-Energieministeriums, darunter Argonne.

(Ende)