机器学习增强的熵工程合成用于硝酸盐到氨高选择性转化的 CuCo 纳米固溶体合金

纳米级固溶体合金广泛应用于催化、储能、医疗和传感技术等多个领域。然而，由于原子尺寸、熔点和化学亲和力的差异，随着元素间差异的增大，这些合金的合成变得越来越具有挑战性。本研究采用数据驱动的方法，结合样本平衡增强技术和多层感知机 (MLP) 算法，提高了模型处理不平衡数据的能力，显著提升了实验参数优化的效率。基于这一增强的数据处理框架，我们开发了一种熵工程合成方法，专门用于制备稳定的纳米级铜钴 (CuCo) 固溶体合金。在 -0.425 V（相对于 RHE）的条件下，CuCo 合金表现出接近 100% 的法拉第效率 (FE) 和高氨产率 232.17 mg h⁻¹ mg⁻¹。在模拟工业环境下的稳定性测试中，该催化剂在 120 小时内保持了超过 80% 的 FE 和高于 120 mg h⁻¹ mg⁻¹ 的氨产率，优于大多数已报道的催化剂。为了深入探究 Cu 和 Co 之间的协同作用机制，我们使用了原位拉曼光谱进行实时监测，并通过密度泛函理论 (DFT) 计算进一步证实了我们的发现。这些结果不仅突显了 CuCo 合金优异的催化性能，也反映了两种金属之间有效的电子和能量相互作用。