# Graphenlernen verbessert Methanolausbeute-Schätzungen für dotierte Zirkonia-Katalysatoren

> Forschende der Universität Aarhus nutzten ein Graphenmodell, um Energien auf dotierten Zirkoniaoberflächen für die CO₂-Hydrierung abzuschätzen. In mikrokinetischen Berechnungen lagen die daraus abgeleiteten Methanolausbeuten näher an Ergebnissen der Dichtefunktionaltheorie als bei einem Verfahren mit linearen Beziehungen.

- Kanonische URL: https://newsverum.com/de/news/zirconia-catalyst-graph-machine-learning-screening-2026
- Herausgeber: Newsverum
- Rubrik: Wissenschaft
- Land: Dänemark
- Veröffentlicht: 2026-10-13T00:51:41+00:00
- Aktualisiert: 2026-10-13T00:51:41+00:00
- Ereignis- oder Datenzeitraum: 2026-10-09
- Weitere Ausgaben: [Türkçe](https://newsverum.com/tr/news/zirconia-catalyst-graph-machine-learning-screening-2026.md), [English](https://newsverum.com/en/news/zirconia-catalyst-graph-machine-learning-screening-2026.md), [العربية](https://newsverum.com/ar/news/zirconia-catalyst-graph-machine-learning-screening-2026.md), [Français](https://newsverum.com/fr/news/zirconia-catalyst-graph-machine-learning-screening-2026.md), [Español](https://newsverum.com/es/news/zirconia-catalyst-graph-machine-learning-screening-2026.md), [Português](https://newsverum.com/pt/news/zirconia-catalyst-graph-machine-learning-screening-2026.md)

Untersucht wurden Aluminium, Cadmium, Gallium, Indium und Zink als Dotierstoffe auf ZrO₂(101)-Oberflächen. Das WWL-GPR-Verfahren bildet Oberflächenstrukturen als Graphen ab, die lokale Geometrie und elektronische Merkmale verbinden, und schätzt Adsorptionsenergien von Zwischenprodukten und Übergangszuständen.

Das Modell verbesserte die Energievorhersagen für Zwischenprodukte gegenüber thermodynamischen Skalierungsbeziehungen; seine Schätzungen für Übergangszustände waren mit Brønsted–Evans–Polanyi-Modellen vergleichbar. In ein Reaktionsnetz eingespeist, ergaben die vorhergesagten Energien Methanolausbeuten, die näher an Dichtefunktionaltheorie-Werten lagen. Es handelt sich um eine Computersimulation ohne experimentellen Nachweis der Katalysatorleistung.

## Daten

### Berichtetes Studienergebnis

Zahl der im Computerscreening untersuchten Dotierstoffe; kein synthetisierter Katalysator und keine gemessene Produktion.

Methodik: Der Beitrag führt Al, Cd, Ga, In und Zn für ZrO₂(101)-Oberflächen auf. Energieabschätzungen flossen in Graphenmodell und mikrokinetische Berechnungen ein.

| Berichtete Menge | Wert | Studienspezifischer Umfang |
|---|---|---|
| Auf ZrO₂-Oberflächen untersuchte Dotierstoffe | 5 | Zahl der im Computerscreening untersuchten Dotierstoffe; kein synthetisierter Katalysator und keine gemessene Produktion. |

Quellen: <https://arxiv.org/abs/2610.13795> · Daten herunterladen: [JSON](https://newsverum.com/api/v1/articles/zirconia-catalyst-graph-machine-learning-screening-2026/data/study-result?lang=de&format=json) · [CSV](https://newsverum.com/api/v1/articles/zirconia-catalyst-graph-machine-learning-screening-2026/data/study-result?lang=de&format=csv)

## Quellen

- [arXiv](<https://arxiv.org/abs/2610.13795>) (Quelle geprüft: 2026-10-13; Veröffentlicht: 2026-10-09)

---

Zitieren Sie die oben angegebene kanonische URL. [Redaktionsstandards und Korrekturen](https://newsverum.com/de/editorial)