传感器应用于智能电网 预报断电

杭州亚运会竞赛项目设置为：传感40个大项，61个分项，481个小项。

此外，用于预报单组分间的协同作用使多相催化剂表现出多功能特性，这表明该异质结构复合材料可能是实现HER/OER/ORR三功能催化剂的理想候选材料。过渡金属硫族化合物，电网断电特别是硒族化合物，由于其优良的导电性、丰富的3d电子排布和多样的形貌，具有良好的电催化性能，因此受到了广泛的研究。

CoSe2纳米管阵列(B-CoSe2)和CoNiLDH纳米片之间的中空结构和强耦合效应使CoSe2@CoNiLDHHNA具有良好的物质传输能力、传感快速动力学以及丰富的活性位点。因此，用于预报通过合理设计金属硒化物和金属LDH组成的异质结构复合材料，有望实现能够进行HER/OER/ORR的多功能电催剂。以CoSe2@CoNiLDHHNA作为电极的水电解槽仅需1.58V即可达到10mAcm-2的电流密度，电网断电同时实现了保持70h稳定循环的柔性锌空电池。

异质结可以贡献更多暴露的活性位点，传感促进反应动力学。然而，用于预报在实际运行中，由于过电位过高而导致HER/OER/ORR的动力学缓慢，这极大地限制了工作效率。

图文介绍图1.B-CoSe2@CoNiLDHHNA的制备，电网断电形貌和结构分析@TheAuthorsa)B-CoSe2@CoNiLDHHNA的合成工艺示意图b,c)B-CoSe2@CoNiLDHHNA的SEM图d-f)B-CoSe2@CoNiLDHHNA高分辨SEM图g)B-CoSe2@CoNiLDHHNA的TEM图h)B-CoSe2@CoNiLDHHNAHRTEM图i)B-CoSe2@CoNiLDHHNA的元素mapping图2.B-CoSe2@CoNiLDHHNA的晶体结构，电网断电电子相互作用以及元素分析@TheAuthorsa)B-CoSe2,CoNiLDH,B-CoSe2@CoNiLDHHNA的XRD谱b)B-CoSe2,CoNiLDH,B-CoSe2@CoNiLDHHNA的Co2p的XPS图c)CoNiLDH,B-CoSe2@CoNiLDHHNA的Ni2p的XPS图d)Co箔,Co3O4,B-CoSe2,B-CoSe2@CoNiLDHHNA的CoK-edgeXANES图e)Co箔,Co3O4,B-CoSe2,B-CoSe2@CoNiLDHHNA的CoK-edge傅里叶变换EXANES图f)Co箔,B-CoSe2,B-CoSe2@CoNiLDHHNA和标准Co3O4的小波变换g)Ni箔,NiO,CoNiLDH,B-CoSe2@CoNiLDHHNA的NiK-edgeXANES图h)Ni箔,NiO,CoNiLDH,B-CoSe2@CoNiLDHHNA的NiK-edge傅里叶变换EXANES图图3.B-CoSe2@CoNiLDHHNA的催化性能@TheAuthorsa-c)B-CoSe2,V-CoSe2,CoNiLDH,B-CoSe2@CoNiLDHHNA,V-CoSe2@CoNiLDHHNA的ORR催化活性测试d-f)B-CoSe2,V-CoSe2,CoNiLDH,B-CoSe2@CoNiLDHHNA,V-CoSe2@CoNiLDHHNA的OER催化活性测试g,h)B-CoSe2,V-CoSe2,CoNiLDH,B-CoSe2@CoNiLDHHNA,V-CoSe2@CoNiLDHHNA的HER催化活性测试i)B-CoSe2@CoNiLDHHNA和Pt/C催化剂ORR/OER/HER的稳定性测试图4.CoSe2@CoNiLDHHNA理论计算@TheAuthorsa)CoSe2@CoNiLDHHNA的ORR,OER和HER的吸附排布模型b)CoSe2,CoNiLDH和CoSe2@CoNiLDHHNA的Cod轨道的PDOS计算c)CoSe2,CoNiLDH和CoSe2@CoNiLDHHNA的ORR自由能图d)CoSe2,CoNiLDH和CoSe2@CoNiLDHHNA的OER自由能图e)CoSe2,CoNiLDH和CoSe2@CoNiLDHHNA的HER自由能图图5.B-CoSe2@CoNiLDHHNA全解水稳定性测试前后结构，形貌和元素分析@TheAuthorsa)水解LSV曲线以及水解池照片b)水解性能比较c)B-CoSe2@CoNiLDHHNA水解槽设备稳定性测试d,e)B-CoSe2@CoNiLDHHNA全解水后的SEM图f)B-CoSe2@CoNiLDHHNA全解水后的Co2p的XPS图g)B-CoSe2@CoNiLDHHNA全解水后的Ni2p的XPS图h)B-CoSe2@CoNiLDHHNA在OER过程中不同电位下的原位拉曼测试图图6.柔性锌空电池测试@TheAuthorsa)B-CoSe2@CoNiLDHHNA,Pt/C+RuO2催化剂在0.1 MKOH溶液中的双功能催化活性b)锌空电池用B-CoSe2@CoNiLDHHNA,Pt/C+RuO2催化剂的功率密度曲线c)B-CoSe2@CoNiLDHHNA,Pt/C+RuO2催化剂的比容量d)B-CoSe2@CoNiLDHHNA,Pt/C+RuO2催化剂在不同电流密度下的放电曲线e)基于B-CoSe2@CoNiLDHHNA和Pt/C+RuO2催化剂的柔性锌空气电池在1mAcm−2下的循环性能f)电池在不同弯曲角度下的循环稳定性测试【小结】作者通过水热-硒化-杂化的方法，在CC上可控地制备了一种新型的连续生长3D分层杂化纳米结构阵列(HNA)(CoSe2@CoNiLDHHNA)，其中分支排列的CoSe2纳米管阵列被CoNiLDH纳米片覆盖。

文献链接：传感HeterointerfaceEngineeringofHierarchicallyAssemblingLayeredDoubleHydroxidesonCobaltSelenideasEfficientTrifunctionalElectrocatalystsforWaterSplittingandZinc-AirBattery.2022,AdvancedScience,DOI:10.1002/advs.202104522.本文由纳米小白供稿欢迎大家到材料人宣传科技成果并对文献进行深入解读，传感投稿邮箱：[email protected].投稿以及内容合作可加编辑微信：cailiaokefu.。研究者认为LAO在离子电导率和电化学稳定性之间具有良好的平衡，用于预报有希望成为新的固态电解质材料。

基于该特征所构建的晶体化合物机器学习模型，电网断电可以准确预测材料的形成能，误差仅为61meV/atom。该方法将大量无标签的分子数据利用起来，传感同时借助代数图论方法补充结构的三维信息，从而提高对小数据样本的分子特征预测能力。

文章对比了它们在研究晶体结构性质中的优缺点，用于预报并对结构编码方法的优化和创新方向提出了展望。1.NatureCommunications.代数图论与机器学习实现定量预测分子特性深度学习方法往往需要大量的数据集来进行训练，电网断电而通过实验或第一性原理计算获得的高精度数据在所有数据中仅占少数，电网断电因此，我们需要拓展深度学习方法来产生高质量的分子描述符以提升预测的准确性。