巩金龙团队Nature子刊:太阳能海水分解新突破

1030 篇文章 31 订阅
55 篇文章 0 订阅

557f0692b147feb46f218870415e6aec.jpeg

第一作者:Shixuan Zhao, Bin Liu, Kailang Li

通讯作者:巩金龙、王拓

通讯单位:天津大学

成果速览

本研究开发了一种新型的硅光电极,该电极表面覆盖有TiO2/不锈钢双层结构,用于太阳能驱动的海水分解。通过在不锈钢和TiO2的协同作用下,实现了高效的氧气进化反应和对海水中腐蚀性离子的阻隔。

实验结果显示,该光电极在含有氯离子的碱性电解液中稳定性达到167小时,并且在碱性自然海水中表现出超过50小时的稳定性能,光子转换效率为2.62%。

图文导读

2ed4dbb5ebb3e8f100c502e5fbae9954.jpeg

图1:展示了硅光电极的制备过程和结构示意图。通过在异质结硅基底上沉积TiO2和不锈钢薄膜,构建了双层保护层。图中还展示了在模拟AM 1.5 G光照下,HJ-Si/TiO2/SS光电极的光电转换效率(ABPE)曲线。

1ed3f97495d0e1ed85cf231ebee4c628.jpeg

图2:通过扫描电子显微镜(SEM)和透射电子显微镜(TEM)图像,展示了HJ-Si/TiO2/SS光电极的形貌和化学状态。图中还展示了不锈钢薄膜在反应前后的元素分布和化学状态变化。

90dcccc995a9fdd7cc8e87fe14212a6e.jpeg

图3:展示了不同不锈钢薄膜厚度对光电极性能的影响。通过电流-电压(J-V)曲线和ABPE曲线,可以看出SS-83样品在含氯碱性电解液中展现出最佳的光电化学性能。

9a5e0118d2a8fc478d55c0a6e9acdf76.jpeg

图4:通过稳定性测试和DFT计算结果,分析了Cl-对光电极稳定性的影响。图中还展示了不锈钢薄膜在稳定性测试前后的表面形貌和结构变化。

c8f2043017999f5723d4f85f39db2c74.jpeg

图5:展示了HJ-Si/TiO2/SS-83光电极在碱性自然海水中的光电化学性能。通过J-V曲线和ABPE曲线,可以看出光电极在自然海水中仍然保持较高的性能。

亮点介绍

1. 创新设计了TiO2/不锈钢双层结构,有效保护硅光电极免受海水中腐蚀性离子的侵害。

2. 通过电化学重构,不锈钢薄膜转化为含铬的NiFe(氧)氢氧化物,显著提升了氧气进化反应的催化活性。

3. 实现了在含氯碱性电解液中长达167小时的稳定性能,以及在碱性自然海水中超过50小时的稳定运行。

4. 达到了2.62%的光子转换效率,为太阳能海水分解提供了高效且稳定的解决方案。

计算模拟

通过密度泛函理论(DFT)计算,研究了Ni1−x−yFexCry(OH)2和Ni(OH)2的氧进化反应(OER)机制。计算了在不同电位下OER中间体的吉布斯自由能,以评估其催化活性。

DFT计算结果表明,Ni1−x−yFexCry(OH)2相比于Ni(OH)2在OER过程中显示出更低的反应能垒,这与实验中观察到的优异的起始电位和ABPE一致。

此外,DFT计算还揭示了Cl−在Ni1−x−yFexCry(OH)2上的吸附能力减弱,有助于抑制腐蚀过程和提高光电极的稳定性。

文献信息

标题:A silicon photoanode protected with TiO2/stainless steel bilayer stack for solar seawater splitting

期刊:Nature Communications

 

  • 2
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
,发送类别,概率,以及物体在相机坐标系下的xyz.zip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
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