Les réglementations de plus en plus strictes sur les émissions des moteurs à combustion maigre, comme la norme Euro 7, approchent. Cela nécessite le développement de matériaux catalytiques qui peuvent réduire efficacement les oxydes d'azote toxiques à basse température. Des chercheurs du Département de physique de l'Université de technologie de Chalmers, ainsi que le partenaire industriel Umicore, présentent désormais une étude montrant comment l'apprentissage automatique pourrait aider les moteurs à être plus propres.
Les convertisseurs catalytiques réduisent la quantité de polluants toxiques émis dans l'air à partir du système d'échappement d'un véhicule. Des réglementations plus strictes sur les normes d'émissions dans les années à venir, telles que l'Euro 7 proposé par l'Union européenne, visent à réduire encore la pollution de l'air des véhicules. Par conséquent, des catalyseurs améliorés sont nécessaires pour limiter les émissions de polluants nocifs.
La principale technologie de la réduction sélective catalytique des oxydes d'azote utilise l'ammoniac comme agent réducteur. Ainsi, le matériau catalytique devrait favoriser la formation d'une liaison azote – azote entre les oxydes d'azote et l'ammoniac dans un environnement riche en oxygène et empêcher les réactions indésirables, qui incluent l'oxydation de l'ammoniac à encore plus d'oxydes d'azote ou d'oxyde nitrous.
Zeolites un matériau puissant pour les catalyseurs
Un matériau à haute activité pour la réaction sélective de réduction catalytique est la zéolite chabazite promue par le cuivre. Les zéolittes sont hydratés en aluminosilicate cristallin composé de petits canaux et cages, et le cuivre est présent comme des ions de cuivre chargés uniquement ou doublement chargés.
Le matériau chabazite échangé en cuivre s'est avéré être un matériau très dynamique. Les ions cuivre sont solvus par l'ammoniac dans des conditions typiques à basse température, formant des complexes d'ammoniac – Copper – Ammonia chargés mobiles qui flottent dans les canaux et les cages de zéolite. La mobilité des complexes est cruciale pour les performances du catalyseur, car deux complexes dans la même cage de zéolite sont nécessaires pour que la réaction continue.
« En raison du caractère très dynamique du catalyseur, les recherches informatiques sont importantes pour comprendre comment la structure et la composition détaillées influencent les performances », explique Henrik Grönbeck, professeur au Département de physique de Chalmers à l'Université de technologie.
« Dans notre étude récente, nous avons développé un champ de force d'apprentissage automatique – un modèle de calcul qui est utilisé pour décrire les forces entre les atomes. Notre champ de force comprend des interactions électrostatiques à longue portée, ce qui permet d'étudier la diffusion des complexes d'ammoniac-copper – ammonia chargés. »
L'étude a récemment été publiée dans Communications de la natureet a été écrit par le professeur Henrik Grönbeck, Joachim Bjerregaard, étudiant doctoral au Département de physique, et le professeur Martin Votsmeier, au partenaire industriel Umicore et à l'Université technique Darmstadt, dans le projet Chass.
Garantit une grande précision
Les champs de force d'apprentissage automatique conventionnels supposent une localité, qui ne décrit pas les interactions Coulomb à longue distance qui déterminent dans une large mesure les propriétés des systèmes de zéolite. Le champ de force d'apprentissage automatique nouvellement développé est basé sur de vastes calculs des premiers principes, qui garantit une grande précision.
« En utilisant le champ de force d'apprentissage automatique, il a été possible de révéler les mécanismes atomistiques de la diffusion chargée de l'ammoniac – copper – ammonie et de comprendre comment la composition du matériau affecte la formation d'ammoniac – copper – ammonie des paires et leur stabilité », explique Bjerregaard.
Le travail fournit de nouvelles façons d'améliorer les performances du matériau catalytique pour la réduction des oxydes d'azote, ou avec des extensions pour potentiellement d'autres applications également, telles que la conversion en une étape du dioxyde de carbone en méthanol ou hydrocarbures plus longs.
«L'application de champs de force d'apprentissage automatique précis aux systèmes de zéolite est un développement passionnant qui nous aide à accélérer la compréhension des systèmes complexes et à suggérer de nouveaux matériaux catalytiques efficaces», explique Grönbeck.
