同样做CO在Au表面的吸附能,为什么师姐做的总比你好?

文章介绍了如何计算CO分子吸附在Au(111)表面的吸附能,包括吸附能的公式、所需能量数据、准备输入文件、检查结构收敛、从OUTCAR文件获取能量以及最终的吸附能计算。通过VASP软件进行模拟计算,强调了LWAVE和LCHARG设置以及使用grep命令提取能量值。
摘要由CSDN通过智能技术生成

小编之前给大家分享了吸附位点的探究和吸附结构的优化,很多小伙伴就很好奇吸附能是不是就可以直接从结果文件中得到。大家注意不要有这种想法,吸附能的计算要比这个稍微复杂一些,今天就和小编一起来学习计算CO吸附在Au(111)表面的吸附能

首先,我们先来看一下吸附能的公式

Eads=EAu(111)+CO–EAu(111)–ECO

从上面这个公式我们可以看到,如果计算CO吸附在Au(111)表面的吸附能,我们需要得到的数据是E Au(111)+CO,E Au(111),ECO的能量。

现在明确了计算目的,那么我们就接着上次的教程继续往下进行(Au(111)+CO的输入文件上期教程中已经提供,然后还需要准备Au(111)和CO的输入文件)

1.准备INCAR、POSCAR、KPOINTS、POTCAR输入文件

INCAR,POSCAR,KPOINTS,POTCAR准备就绪,POSCAR,KPOINTS,POTCAR就不多做赘述了,这里只展示INCAR文件。

【ps:注意】为了节省计算时间,这里在优化晶胞时没有打开LWAVE和LCHARG;ISIF=3是为了优化Au的离子位置、晶胞常数和体积

2.查看结构是否收敛

优化完成之后,可以输入grep reached OUTCAR命令来查看结构是否收敛,如果我们看到reached required accuracy - stopping structural energy minimisation,就表明我们的优化任务已经完成了。

3.获取能量

现在就是获取能量,然后计算吸附能了。(在之前,可以把优化后的结构导出来看一下,即CONTCAR文件,这个是我们优化后的结构文件,然后用VESTA打开就可以看到结构了,也可有转化成.cif文件,用MS打开)

OUTCAR会展示出好几个能量,而我们一般计算用到的是energy(sigma->0) = 后面的那个,这和OSZICAR中E0后面的那个数值是一样的,感兴趣的小伙伴可以去翻一下这两个文件进行对比。

小编在这里使用的的提取命令是grep  without OUTCAR | tail -n 1

4.计算吸附能

获得的能量总结如下:(小编保留了两位小数,大家是具体情况而定)

Au(111)+CO的能量为:-76.58 eV

Au(111)表面的能量为:-62.01 eV

CO的能量为:-14.80 eV

根据上面的公式计算得到CO分子的吸附能:Eads = 0.23 eV

到这里大家就已经得到了CO吸附在Au(111)表面的吸附能了,小伙伴们学会了吗,赶紧动手试一试。

本文所有内容文字、图片和音视频资料,版权均属科学指南针网站所有,任何媒体、网站或个人未经本网协议授权不得以链接、转贴、截图等任何方式转载。

更多科研干货教程,可以点击下面链接获取哦~

模拟计算

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值