Optimized tandem catalyst patterning for CO$_2$ reduction flow reactors

本研究表明，将连续输运建模与基于伴随方法的优化设计相结合，通过策略性地图案化银和铜催化剂以最大化乙烯电流密度，特别是在高电压和增加图案化区域的情况下，显著提升了二氧化碳还原流动反应器的性能。

要点

想象一下，你正试图烤出一个完美的蛋糕，但你的厨房有一条奇怪的规则：你不能一次性混合所有原料。相反，你拥有两个独立的工位。

• 工位 A（银）： 这个工位擅长将生面粉（二氧化碳）转化为面团（一氧化碳）。
• 工位 B（铜）： 这个工位擅长将那种面团转化为美味的蛋糕（乙烯，一种有价值的化学品）。

问题在于？如果你把工位 A 放在离工位 B 很远的地方，面团就会被风（反应器中流动的水）吹走，还没来得及到达工位 B。或者，如果你放置了太多的工位 A 而工位 B 太少，你最终会堆积一堆面团却做不出蛋糕。

本文旨在找出这两个工位的完美布局，以生产出尽可能多的蛋糕。

核心概念：“串联催化”

研究人员正在研究一种称为串联催化的过程。这就像一条装配线。

1. 银（Ag） 充当第一位工人，将二氧化碳转化为一氧化碳。
2. 铜（Cu） 充当第二位工人，接收那一氧化碳并将其转化为高价值产品，如乙烯（塑料和燃料的构建模块）。

在传统设置中，这些工人可能会混合在一起，或者被放置在巨大的独立区块中。研究人员想知道：如果我们把电极分成许多交替排列的银和铜小条带，并且可以改变每根条带的长度，那么什么样的最佳图案能产出最多的蛋糕？

实验：数字“调谐”旋钮

与其建造物理反应器并尝试数千种不同的图案（这将耗费数年），该团队构建了一个计算机模拟。

他们创建了一个数字“流动反应器”，液体流过平坦表面。他们使用一种智能计算机算法（类似于超级先进的 GPS）来测试数百万种不同的图案。计算机会：

1. 尝试一种图案（例如，一根长银条带，接一根短铜条带）。
2. 观察产生了多少“蛋糕”（乙烯）。
3. 微调条带的长度。
4. 反复重复此过程，直到找到绝对最佳的排列方式。

他们的发现

计算机发现，“完美”的图案在很大程度上取决于你如何推动系统（电压）以及液体流动的速度。

1. “强力推动”情景（高电压）：
当他们强力推动系统（使用强电压）时，最佳设计是拥有许多许多小条带（多达 12 个部分），而不是仅仅两个大块。

• 结果： 这种优化后的图案比简单、未优化的设计多产生了高达 65% 的乙烯。
• 原因？ 在高流速下，液体移动很快。如果铜段太长，“面团”（一氧化碳）会在条带的最开始就被消耗殆尽，而铜条带的其余部分则处于闲置状态（“死区”）。通过缩短条带并增加数量，新鲜的面团会持续不断地输送给铜工人，使他们全程保持忙碌。

2. “温和推动”情景（低电压）：
当推动力较弱时，最佳图案看起来不同。它倾向于非常长的第一根银条带以制造一大堆面团，随后是非常长的最后一根铜条带来将其全部消耗掉，中间则夹杂着微小且快速切换的条带。

3. 流速很重要：

• 快流速： 如果水流湍急，你需要非常强的反应（高电压）以防止面团被冲走。
• 慢流速： 如果水流缓慢，面团有时间沉淀，但你需要小心不要耗尽新鲜原料。

秘诀：避免“死区”

优化后的图案之所以效果如此显著，主要原因是它们消除了**“死区”**。

想象一条传送带，前几个工人很忙，但最后几个工人却站在那里无所事事，因为零件用完了。在旧设计中，铜段末端经常出现这种死区，因为一氧化碳在那里耗尽了。

计算机优化的设计重新排列了条带，使“面团”（一氧化碳）分布均匀。它确保了铜表面的每一英寸都有足够的面团可供加工，从而最大化最终产品的产量。

总结

本文是一项“概念验证”。它没有建造物理工厂，但它证明了利用数学和计算机来设计催化剂的布局可以显著提高我们将二氧化碳转化为有用化学品的效率。

• 问题： 二氧化碳还原很棘手；中间产物会丢失或被浪费。
• 解决方案： 使用计算机寻找交替排列的银和铜条带的最佳图案。
• 回报： 通过仅仅改变催化剂表面的形状（而非化学物质本身），他们在模拟中将产量提高了高达 65%。

这就像意识到，如果你重新布置房间里的家具，即使不买任何新家具，你也能更快地移动。

技术摘要

技术摘要：用于 CO2 还原流动反应器的优化串联催化剂图案化

问题陈述
电化学 CO2 还原（CO2R）提供了一条将过剩可再生能源转化为可持续燃料和化学品的途径，同时可减轻温室气体排放。然而，商业规模的部署受到铜（Cu）催化剂性能限制的影响，具体表现为高过电位以及对高价值多碳产物（如乙烯、乙醇）的选择性有限。这些限制通常源于对中间物种传输管理不善。在传统的串联催化中，第一种催化剂（如 Ag）将 CO2 转化为 CO，第二种催化剂（如 Cu）将 CO 转化为高价值产物，但中间物种（如 CO）可能在到达第二种催化剂之前因平流或扩散而损失。尽管先前的研究探索了各种串联催化剂构型（如交错颗粒、交替平面段），但它们主要依赖于正向分析——即提出并评估特定设计——而非系统地优化催化剂的空间排列以最大化性能。

方法论
本研究提出了一个概念验证框架，将连续介质传输模型与基于伴随方法的优化设计相结合，应用于简化的二维（2D）流动反应器设置中。

• 系统设置：计算域模拟了活性电极表面上的水性碳酸氢盐电解质（500 mM KHCO3，34 mM CO2）的剪切流。电极由交替的 Ag 和 Cu 段组成。Ag 段促进 CO2 → CO 反应，而 Cu 段促进 CO 转化为乙烯（C2H4）、乙醇（C2H6O）、甲烷（CH4）和氢气（H2）。入口流中不存在 CO；它由 Ag 生成并被 Cu 消耗。
• 控制方程：该模型求解了稳态 Nernst-Planck 方程，用于描述物种传输（CO2、H+、OH-、HCO3-、CO3 2-、K+、CO、H2 和碳氢化合物），并与体相碳酸氢盐缓冲反应耦合。表面动力学使用 Tafel 表达式对 Ag 和 Cu 催化剂进行建模。流体流动被近似为具有由佩克莱特数（Péclet number）导出的定义剪切速率的剪切流。
• 优化公式：该问题被表述为偏微分方程（PDE）约束优化。设计变量是 $N$ 个交替 Ag/Cu 段的长度（$l_j$）。目标函数是最大化空间平均的乙烯电流密度（$i_{C2H4}$）。
• 算法：优化利用伴随方法计算目标函数相对于催化剂段长度的灵敏度。L-BFGS-B 拟牛顿算法迭代地细化段长度以最大化性能。本研究考察了施加电压（$U_{app}$）、电解质流速和图案化段数量（$N$）的影响。

主要贡献

1. 设计优化框架：本文引入了一种针对串联催化剂图案化的系统优化方法，超越了正向分析，转而基于传输和反应约束迭代地优化催化剂的空间排列。
2. 通过图案化提升性能：研究表明，优化 Ag 和 Cu 段的空间分布显著增强了乙烯产量，特别是在增加段数量（$N$）以及在强表面反应条件（更负的施加电压）下。
3. 机理洞察：通过对浓度场的分析，这项工作阐明了优化图案如何缓解“死区”（Cu 表面上 CO 浓度低的区域）并改善中间物种 CO 的利用。

结果

• 段数量（$N$）的影响：将段数量从 $N=2$ 增加到 $N=12$ 显著提高了乙烯电流密度。对于相对于标准氢电极（SHE）为 $-1.7$V 的施加电压，优化的$N=12$设计相比未优化的等长$N=2$ 设计，乙烯电流密度提高了高达 65%。
• 优化与段数量的对比：性能提升被分解为来自增加 $N$ 的贡献和来自优化图案长度的贡献。在负值较小的电压（$-1.35$V）下，图案的优化是主导因素。在负值较大的电压（$-1.7$ V）下，增加段数量是改进的主要驱动力，尽管优化仍能带来显著增益。
• 图案特征：
  • 在 **$-1.35$V**（反应较弱）下，高$N$ 的优化图案具有较长的初始 Ag 段和最终 Cu 段，以及短而快速交替的中间段。
  • 在 $-1.7$ V（反应较强）和 低流速 下，优化图案倾向于更长的 Ag 段和更短的 Cu 段，以最大化 CO 产量并最小化 Cu 表面的 CO 饥饿。
  • 在 $-1.7$ V 和 高流速 下，优化图案仍接近等长构型，表明在这些高传质条件下，初始的等长设计已接近最优。
• 流速依赖性：流速对性能的影响取决于电压。在 $-1.35$ V 下，较高的流速会因冲刷掉微弱产生的 CO 而降低 CO 利用率和乙烯产量。相反，在 $-1.7$ V 下，较高的流速通过更有效地补充反应物来增加乙烯产量，因为强表面反应维持了高局部 CO 浓度。

意义与主张
作者声称，这项工作为利用连续介质模型结合设计优化来指导 CO2R 电解槽中催化剂的空间排列提供了概念验证。该研究确立了：

• 最佳反应器设计高度依赖于操作条件（电压、流速）和图案化程度（$N$）。
• 优化串联催化剂性能提升的主要机制是最小化二次催化剂表面上的低反应物浓度区域，从而最大化关键中间产物（CO）的利用率。
• 虽然当前的 2D 设置是一种简化，未能捕捉工业气体扩散电极（GDE）的所有复杂性，但该方法论为优化更现实、更复杂的电解槽几何结构提供了基础步骤。
• 将高性能计算与有依据的连续介质模型相结合，是缩小实验验证设计空间并提高电化学过程效率的有力工具。

论文结论指出，未来的工作应将这些优化能力扩展到 3D 环境（例如 GDE），探索其他目标函数（选择性、能源效率），并优化操作条件与催化剂图案化。