ACSCatalysis: 构建双相异质结,有效促进光催化CO2还原

171 篇文章 0 订阅
84 篇文章 0 订阅

ef38d32a4c85273bf63bd864de9dce64.jpeg

利用太阳能将二氧化碳(CO2)直接转化为高附加值的化学品是解决能源和环境危机最有前景的途径之一。然而,太阳能还原CO2动力学缓慢,并且由于反应过程涉及多步质子偶合电子转移反应途径,需要较大的还原电位。因此,削弱竞争性水还原是提高CO2转化效率和选择性的理论上可行的方法。同时,局部高CO2浓度和良好的CO2捕获能力对CO2在光催化剂表面的扩散和吸附动力学至关重要。在竞争吸附中,CO2分子处于不利地位,因为它们的吸附和活化受到亲水表面上富集的水分子的阻碍。

由于扩散和吸附动力学缓慢,CO2供给速率低,导致转化率低,而光生电子的积累导致电荷快速复合。有研究表明,疏水表面不仅克服了CO2的传质限制,增加了表面CO2浓度,而且抑制了H2O的吸附。此外,在光催化反应中,H2O的氧化反应同样影响CO2的转化效率,因此水的氧化问题同样值得注意。

498e6f4575ada288877abffa96bdf032.jpeg

9c2babdc1fc8e671f2cfcea3fa626a20.jpeg


近日,华南理工大学彭新文课题组提出了一种解决CO2和H2O之间竞争吸附问题的策略。具体而言,受磷脂的启发,研究人员将疏水性Bi2WO6与亲水性C3N4偶联,形成了一个两亲性异质结。与传统异质结相比,疏水-亲水双相异质结不仅抑制了电荷载流子的复合,更重要的是促进了CO2和H2O的吸附和传质,提高了反应速率。

实验结果表明,在光照下,最优的BWO-CN-100(BWO-CN)的CO和CH4产率分别为25.54和7.69 μmol h-1 g-1,远高于纯的BWO(4.82和0.8 μmol h-1 g-1)和CN(1.43和0.2 μmol h-1 g-1);并且,在365 nm处,BWO-CN的表观量子产率(AQY)高达3.3%。此外,BWO-CN还表现出优异的循环稳定性,其在20小时内产物(CO,CH4和O2)的产率轻微下降,反应后材料的结构和形貌变化不大。

2d75f12adba7577ae63ccd83ae495cc4.jpeg

06a4cac4738e24eade71b3e98c490f7b.jpeg


原位光谱表征揭示了两亲性异质结的光催化CO2还原机理:H2O在亲水表面的吸附比CO2更有利,导致亲水表面的CO2浓度较低;相反,疏水表面促进了CO2的富集。BWO-CN选择性地控制了疏水-亲水两相中CO2和H2O的吸附,从而为连续的光催化氧化还原反应提供了强大的驱动力。

同时,II型异质结中合适的带隙位置产生了合适的电荷转移方向(电子从亲水性CN转移到疏水性BWO,空穴从BWO转移到CN),因此,疏水性的BWO增强了对CO2的吸附并接受光生电子进行CO2还原,而亲水性的CN自发地吸附H2O并产生空穴进行H2O氧化。值得注意的是,还原和氧化反应位点的分离也极大地抑制了电子-空穴复合,进一步促进催化剂实现高效、稳定的光催化还原CO2为CO和CH4。


Engineering a hydrophobic–hydrophilic diphase in a Bi2WO6–C3N4 heterojunction for solar-powered CO2 reduction. ACS Catalysis, 2023. DOI: 10.1021/acscatal.3c03983

  • 6
    点赞
  • 12
    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