Les piles à combustible à membrane échangeuse de protons (PEMFCs) utilisées dans les véhicules à hydrogène font appel à des catalyseurs en platine coûteux pour faciliter la réaction de réduction de l’oxygène à l’anode. Les chercheurs sont toujours en train de faire beaucoup d’essais et d’erreurs en laboratoire pour développer des matériaux catalytiques plus efficaces et économiques que le platine. C’est dans ce contexte que l’Institut coréen des sciences et de la technologie (KIST) a annoncé une avancée significative.
Une équipe de scientifiques* de l’Institut avancé des sciences et de la technologie de Corée (KAIST) ont présenté une nouvelle méthodologie de criblage de catalyseurs basée sur l’intelligence artificielle. Ils ont réussi à développer un nouveau matériau catalytique basé sur un alliage à base de trois éléments (Cu-Au-Pt) qui est moins cher et performe plus de deux fois mieux que les catalyseurs en platine pur.
L’équipe a développé le modèle d’intelligence artificielle Slab Graph Convolutional Neural Network (SGCNN) pour prédire avec précision l’énergie de liaison des adsorbats sur la surface du catalyseur. Ce n’est pas la première application de l’IA à la découverte de matériaux. Le modèle SGCNN a été développé en faisant évoluer le modèle CGCNN, spécialisé dans la prédiction des propriétés en vrac des matériaux solides, pour prédire les propriétés de surface des matériaux catalytiques.
Une avancée dans le développement de catalyseurs
Il existe une grande différence entre la prédiction des propriétés en vrac et des propriétés de surface. Lorsque vous pouvez prédire rapidement et avec précision les propriétés de surface d’un catalyseur, vous pouvez cribler plus efficacement les catalyseurs qui répondent à la triple exigence de stabilité du matériau, de performance et de coût.
En fait, lors du développement de catalyseurs de réaction d’anode de pile à combustible en utilisant cette méthodologie, nous avons pu explorer le potentiel de près de 3 200 matériaux candidats en une seule journée, une échelle qui aurait pris des années en utilisant les calculs de simulation d’énergie d’adsorption de la théorie fonctionnelle de la densité (DFT) traditionnellement utilisés pour prédire les propriétés des catalyseurs.
En synthèse
Les chercheurs ont développé un nouveau catalyseur d’alliage ternaire (Cu-Au-Pt) grâce à la validation expérimentale de 10 catalyseurs ayant le potentiel de surpasser les catalyseurs en platine parmi environ 3 200 matériaux candidats.
Le catalyseur n’utilise que 37% de l’élément platine par rapport aux catalyseurs en platine pur, mais la densité de courant cinétique est plus de deux fois supérieure à celle des catalyseurs en platine pur. Le catalyseur présente également une excellente durabilité, avec peu de dégradation après 5 000 tests de stabilité.
« À l’avenir, nous prévoyons de continuer à construire des données de haute qualité sur l’énergie d’adsorption et à effectuer une modélisation IA plus sophistiquée, ce qui améliorera encore le taux de réussite du développement de matériaux catalytiques », a déclaré le Dr Kim du KIST.
La nouvelle méthodologie a l’avantage d’être immédiatement applicable non seulement aux catalyseurs pour piles à combustible à hydrogène, mais aussi à diverses réactions catalytiques telles que la production d’hydrogène basée sur l’électrolyse de l’eau, qui est essentielle pour la réalisation de l’économie de l’hydrogène.
Newsletter Enerzine
Recevez les meilleurs articles
Énergie, environnement, innovation, science : l’essentiel directement dans votre boîte mail.
L’équipe prévoit de réduire davantage le coût unitaire et d’améliorer les performances des catalyseurs développés grâce à l’optimisation des matériaux et des systèmes.
Pour une meilleure compréhension
Qu’est-ce que la pile à combustible à membrane échangeuse de protons (PEMFC) ?
La PEMFC est une technologie utilisée dans les véhicules à hydrogène. Elle utilise des catalyseurs en platine coûteux pour faciliter la réaction de réduction de l’oxygène à l’anode.
Qu’est-ce que le modèle d’intelligence artificielle SGCNN ?
Le SGCNN (Slab Graph Convolutional Neural Network) est un modèle d’IA développé pour prédire avec précision l’énergie de liaison des adsorbats sur la surface du catalyseur.
Qu’est-ce que le catalyseur d’alliage ternaire (Cu-Au-Pt) ?
C’est un nouveau matériau catalytique qui utilise seulement 37% de l’élément platine par rapport aux catalyseurs en platine pur, mais dont la densité de courant cinétique est plus de deux fois supérieure à celle des catalyseurs en platine pur.
Quels sont les avantages de cette nouvelle méthodologie ?
Elle permet de prédire rapidement et avec précision les propriétés de surface d’un catalyseur, ce qui permet de cribler plus efficacement les catalyseurs qui répondent à la triple exigence de stabilité du matériau, de performance et de coût.
Quelles sont les applications futures de cette recherche ?
La nouvelle méthodologie peut être appliquée non seulement aux catalyseurs pour piles à combustible à hydrogène, mais aussi à diverses réactions catalytiques telles que la production d’hydrogène basée sur l’électrolyse de l’eau, qui est essentielle pour la réalisation de l’économie de l’hydrogène.
Source : Institut coréen des sciences et de la technologie (KIST)
* Le Dr Donghun Kim et le Dr Sang Soo Han du Centre de recherche en sciences computationnelles, le Dr Jong Min Kim du Centre de recherche en architecture des matériaux, et le Prof. Hyuck Mo Lee du Département des sciences et de l’ingénierie des matériaux à
