Термодинамика реакции восстановления кислорода на поверхности допированного азотом графена

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

С помощью DFT-моделирования рассчитаны профили свободной энергии реакции восстановления кислорода в кислотной и щелочной средах на поверхности допированного азотом графена в сравнении с бездефектным графеном. Рассмотрены как четырех-, так и двухэлектронный ассоциативный механизм реакции. Расчеты выполнены в большом каноническом ансамбле при фиксированном потенциале электрода. Показано, что расчеты при фиксированном потенциале дают существенное отличие от общепринятого расчета при фиксированном заряде поверхности. Обнаружено, что электрокаталитическое действие азотной примеси связано с ростом энергии хемосорбции интермедиата OOH, что снижает энергию реакции протонирования молекулы кислорода. Также показано, что в щелочной среде азотная примесь ингибирует двухэлектронный механизм реакции.

Об авторах

В. А. Кисленко

Сколковский институт науки и технологий; Объединенный институт высоких температур РАН

Email: kislenko@ihed.ras.ru
Россия, Москва; Россия, Москва

С. В. Павлов

Объединенный институт высоких температур РАН

Email: kislenko@ihed.ras.ru
Россия, Москва

С. А. Кисленко

Объединенный институт высоких температур РАН

Автор, ответственный за переписку.
Email: kislenko@ihed.ras.ru
Россия, Москва

Список литературы

  1. Ferriday T.B., Middleton P.H. // Int. J. Hydrogen Energy. 2021. V. 46. № 35. P. 18489.
  2. Ma R., Lin G., Zhou Y. et al. // npj Comput. Mater. 2019. V. 5. № 1. P. 78.
  3. Zhang L., Lin C., Zhang D. et al. // Adv. Mater. 2019. V. 31. № 13. P. 1805252.
  4. Wang B., Liu B., Dai L. // Adv. Sustain. Syst. 2021. V. 5. № 1. P. 2000134.
  5. Jia Y., Zhang L., Zhuang L. et al. // Nat. Catal. 2019. V. 2. № 8. P. 688.
  6. Begum H., Ahmed M.S., Kim Y.-B. // Sci. Rep. 2020. V. 10. № 1. P. 12431.
  7. Tabassum H., Zou R., Mahmood A. et al. // J. Mater. Chem. A. 2016. V. 4. № 42. P. 16469.
  8. Lai L., Potts J., Zhan D. et al. // Energy Environ. Sci. 2012. V. 5. № 7. P. 7936.
  9. Wan K., Yu Z.-P., Li X.-H. et al. // ACS Catal. 2015. V. 5. № 7. P. 4325.
  10. Rauf M., Zhao Y.-D., Wang Y.-C. et al. // Electrochem. commun. 2016. V. 73. P. 71.
  11. Yang H., Miao J., Hung S.-F. et al. // Sci. Adv. 2016. V. 2. № 4. P. e1501122.
  12. Kim I.T., Song M., Kim Y. et al. // Int. J. Hydrogen Energy. 2016. V. 41. № 47. P. 22026.
  13. Guo D., Shibuya R., Akiba C. et al. // Science. 2016. V. 351. № 6271. P. 361.
  14. Okamoto Y. // Appl. Surf. Sci. 2009. V. 256. № 1. P. 335.
  15. Ikeda T., Boero M., Huang S.-F. et al. // J. Phys. Chem. C. 2008. V. 112. № 38. P. 14706.
  16. Zhang L., Xia Z. // Ibid. 2011. V. 115. № 22. P. 11170.
  17. Wan X., Shui J. // Sci. Adv. 2022. V. 1. № 1. P. e1400129.
  18. Nørskov J.K., Rossmeisl J., Logadottir A. et al. // J. Phys. Chem. B. 2004. V. 108. № 46. P. 17886.
  19. Yu L., Pan X., Cao X. et al. // J. Catal. 2011. V. 282. № 1. P. 183.
  20. Oberhofer H. Handbook of Materials Modeling. Methods: Theory and Modeling. Cham: Springer International Publishing, 2018. 1987 p.
  21. Sundararaman R., Goddard W.A., Arias T.A. // J. Chem. Phys. 2017. V. 146. № 11. P. 114104.
  22. Kim D., Shi J., Liu Y. // J. Am. Chem. Soc. 2018. V. 140. № 29. P. 9127.
  23. Kislenko V.A., Pavlov S.V., Kislenko S.A. // Electrochim. Acta. 2020. V. 341. P. 136011.
  24. Pavlov S.V., Kislenko V.A., Kislenko S.A. // J. Phys. Chem. C. 2020. V. 124. № 33. P. 18147–18155.
  25. Gao G., Wang L.-W. // J. Catal. 2020. V. 391. P. 530.
  26. Sundararaman R., Letchworth-Weaver K., Schwarz K. et al. // SoftwareX. 2017. V. 6. P. 278.
  27. Grimme S., Antony J., Ehrlich S. et al. // J. Chem. Phys. 2010. V. 132. № 15. P. 154104.
  28. Garrity K.F., Bennett J.W., Rabe K.M. et al. // Comput. Mater. Sci. 2014. V. 81. P. 446.
  29. Kakaei K., Esrafili M.D., Ehsani A. Chapter 6 – Oxygen Reduction Reaction // Graphene Surfaces / ed. Kakaei K., Esrafili M.D., Ehsani A. Elsevier, 2019. V. 27. P. 203–252.
  30. Yan H.J., Xu B., Shi S.Q., Ouyang C.Y. // J. Appl. Phys. 2012. V. 112. № 10. P. 104316.
  31. Gunceler D., Letchworth-Weaver K., Sundararaman R. et al. // Model. Simul. Mater. Sci. Eng. 2013. V. 21. № 7. P. 74005.
  32. Ashcroft N., Mermin D. Solid State Physics. Cengage Learning, 1976. 848 p.
  33. Sorescu D.C., Jordan K.D., Avouris P. // J. Phys. Chem. B. 2001. V. 105, № 45. P. 11227.
  34. Heller I., Kong J., Williams K.A. et al. // J. Am. Chem. Soc. 2006. V. 128. № 22. P. 7353.
  35. Savin G.I., Shabanov B.M., Telegin P.N., Baranov A.V. // Lobachevskii J. Math. 2019. V. 40. № 11. P. 1853.
  36. Zacharov I., Arslanov R., Gunin M. et al. // Open Eng. 2019. V. 9. № 1. P. 512.

Дополнительные файлы


© В.А. Кисленко, С.В. Павлов, С.А. Кисленко, 2023

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».