نزدیک به 10 هزار واکنش شیمیایی، مسیرهای پنهان تبدیل CO₂ به سوخت را آشکار کردند
دانشمندان به‌طور فزاینده‌ای در حال بررسی هیدروژناسیون کربن دی‌اکسید (CO₂) هستند؛ فرآیندی که در آن CO₂ در حضور هیدروژن و یک کاتالیست به محصولاتی مانند متانول تبدیل می‌شود و می‌تواند راهی برای تبدیل CO₂ به مواد شیمیایی و سوخت‌های مفید باشد. بااین‌حال، این فرآیند شامل هزاران مرحله شیمیایی کوچک است که روی سطح کاتالیست رخ می‌دهند.
برای مدل‌سازی محاسباتی این مراحل، پژوهشگران معمولاً تنها تعداد نسبتاً محدودی از واکنش‌های محتمل را انتخاب می‌کنند، زیرا مدل‌سازی تمام واکنش‌های ممکن با استفاده از روش‌های مکانیک کوانتومی هزینه محاسباتی بسیار بالایی دارد. این موضوع می‌تواند باعث شود صدها واکنش مهم از شبکه واکنش‌ها حذف شوند.
پژوهشگران مؤسسه علوم هند (IISc) اکنون یک چارچوب محاسباتی مبتنی بر داده توسعه داده‌اند که نزدیک به ۱۰ هزار واکنش شیمیایی دخیل در تبدیل CO₂ به سوخت‌ها و مواد شیمیایی روی یک کاتالیست مسی را شناسایی و نقشه‌برداری می‌کند. این روش می‌تواند به دانشمندان در درک بهتر فرآیند و در نهایت طراحی کاتالیست‌های مؤثرتر برای تبدیل CO₂ به مواد شیمیایی و سوخت‌ها کمک کند.
شناسایی هزاران واکنش نادیده‌گرفته‌شده
پژوهشگران ابتدا با استفاده از شبیه‌سازی‌های مکانیک کوانتومی، یک پایگاه داده دقیق و گسترده شامل ۱۵۲ واکنش ایجاد کردند. سپس مدل‌های یادگیری ماشین را آموزش دادند تا بتوانند موانع انرژی فعال‌سازی واکنش‌های اضافی را با سرعت بالا پیش‌بینی کنند.
همچنین از ابزارهای خودکار برای پیش‌بینی تمام واکنش‌های ممکن میان ۱۰۵ گونه شیمیایی سطحی و شناسایی واکنش‌هایی که می‌توانند به‌صورت یک مرحله‌ای رخ دهند، استفاده شد. این فرایند به پژوهشگران اجازه داد شبکه اولیه را به ۹۳۸۹ واکنش بنیادی گسترش دهند.
شبکه گسترش‌یافته با نتایج آزمایشگاهی مطابقت دارد
مدل‌سازی فرآیند با استفاده از همان ۱۵۲ واکنش اولیه، اسید فرمیک را به‌عنوان محصول اصلی پیش‌بینی می‌کرد و میزان تبدیل CO₂ را نیز کمتر از مقدار واقعی برآورد می‌کرد. اما زمانی که هزاران واکنش اضافی و پیش‌تر نادیده‌گرفته‌شده به شبکه اضافه شدند، نتایج مدل با مشاهدات تجربی مطابقت پیدا کردند.
هنگامی که شبکه گسترش‌یافته در یک مدل سینتیکی به کار گرفته شد، میزان تبدیل CO₂ تقریباً ۴۰ برابر افزایش یافت و مدل توانست متانول و مونوکسید کربن را به‌عنوان محصولات اصلی به‌درستی شناسایی کند؛ نتیجه‌ای که با مشاهدات تجربی مطابقت داشت.
اعتبارسنجی تجربی این مدل توسط پژوهشگران مرکز تحقیق و توسعه سبز شرکت Hindustan Petroleum Corporation Limited و همچنین پژوهشگران آژانس علوم، فناوری و تحقیقات سنگاپور انجام شد. در توسعه مدل‌های یادگیری ماشین نیز پژوهشگرانی از گروه علوم کامپیوتر و اتوماسیون IISc مشارکت داشتند.
انتقال هیدروژن بدون شکستن مولکول‌ها
شبکه بزرگ‌تر همچنین نشان داد که در چندین مرحله کلیدی، هیدروژن می‌تواند به‌صورت مستقیم و به شکل مولکول H₂ به حدواسط‌های واکنش منتقل شود و لزوماً نیازی به شکسته‌شدن آن به اتم‌های هیدروژن نیست.
محاسبات مکانیک کوانتومی تأیید کردند که این مسیر می‌تواند به‌ویژه برای انتقال هیدروژن به حدواسط‌های حاوی اکسیژن مطلوب باشد.
این یافته به دلیل استفاده از شبکه واکنشی گسترده‌تر آشکار شد و محاسبات مستقل نیز آن را تأیید کردند. نتایج همچنین نشان می‌دهد کاتالیست‌هایی که برهم‌کنش قوی‌تری با H₂ دارند، ممکن است بتوانند مسیرهای منتهی به تولید متانول را تقویت کنند.
چارچوب توسعه‌یافته در این پژوهش، شبیه‌سازی‌های مکانیک کوانتومی، یادگیری ماشین، شناسایی خودکار واکنش‌ها و مدل‌سازی سینتیکی را با یکدیگر ترکیب می‌کند. پژوهشگران معتقدند این روش می‌تواند برای سایر فرآیندهای کاتالیستی مهم صنعتی، از جمله کاهش CO₂ روی کاتالیست‌های دیگر، کاهش نیتروژن و تجزیه آب نیز مورد استفاده قرار گیرد.
نتیجه‌گیری
این پژوهش نشان می‌دهد که بررسی تعداد محدودی از واکنش‌ها می‌تواند بخش‌های مهمی از سازوکار تبدیل CO₂ به سوخت را نادیده بگیرد. گسترش شبکه واکنش‌ها به نزدیک به ۱۰ هزار واکنش باعث شد مدل محاسباتی بتواند نتایج تجربی، از جمله افزایش قابل‌توجه تبدیل CO₂ و تولید متانول و کربن مونوکسید، را با دقت بیشتری بازتولید کند. همچنین، شناسایی مسیرهای انتقال مستقیم هیدروژن مولکولی H₂ می‌تواند دیدگاه‌های جدیدی برای طراحی کاتالیست‌های مؤثرتر در تبدیل CO₂ به مواد شیمیایی و سوخت‌ها ارائه دهد.
