Simulações Mutiescala Aplicadas à Redução do CO2 em Nanopartículas Metálicas: Efeitos de Tamanho das Nanopartículas e Concentração de Adsorvatos

Resumo

Transformar quimicamente CO2 em produtos de alto valor agregado é uma estratégia para lidar com desafios urgentes relacionados à exaustão das fontes de combustíveis fósseis, ao aumento da demanda energética mundial e aos alarmantes níveis de CO2 na atmosfera. Este processo permite armazenar a energia excedente de fontes renováveis em combustíveis e outros produtos químicos que normalmente seriam obtidos via combustíveis fósseis e, simultaneamente, reduzir a concentração de CO2 na atmosfera, utilizando-o como reagente. O desenvolvimento de catalisadores mais eficientes é parte essencial para tornar tais tecnologias economicamente viáveis. Otimizar catalisadores é uma tarefa desafiadora devido ao alto número de variáveis envolvidas no processo. Por exemplo, para catalisadores no estado da arte, como nanopartículas metálicas suportadas em diferentes materiais, diversas rotas podem ser utilizadas para otimizações como alterações no tamanho, formato e composição das nanopartículas e alterações dos suportes. Sendo assim, desenvolver um estudo sistemático e aprofundado sobre cada uma dessas variáveis é um passo indispensável na busca por novos catalisadores, onde simulações computacionais possuem um papel crucial. No entanto, estudos computacionais detalhados nesta área presupõem o uso de métodos computacionalmente caros, como a Teoria do Funcional da Densidade (DFT), gerando situações onde o pesquisador precisa balancear a precisão do método e do modelo utilizado e o custo computacional. Neste projeto, pretendemos estudar como o tamanho das nanopartículas e a concentração de adsorvatos afeta propriedades catalíticas das superfícies de nanopartículas. Normalmente, tais efeitos são estudados separadamente devido ao alto custo computacional em tratá-los com DFT, gerando um hiato de conhecimento sobre a ação combinada de tais efeitos. Neste projeto, buscaremos novas metodologias para tratar tais questões, parametrizando Hamiltonianos com o método de cluster expansions. Buscaremos também reduzir o custo computacional associado às parametrizações dos Hamiltonianos, explorando técnicas de aprendizado de máquina e outras aproximações com base em propriedades físicas dos sistemas. Assim, esperamos fornecer uma significativa contribuição científica, desenvolvendo uma nova metodologia para tratar tais efeitos, a qual seria útil para diversas pesquisas na área de catalisadores e aplicando-a na busca por catalisadores mais ativos e seletivos para a redução do CO2.