今天給大家分享電催化析氫方向新發表的論文文獻2篇，文章中結合了相關研究進展及技術細節，在電催化領域有很高的認可度，作者發表論文可作為參考：

　　文獻1：電還原衍生的畸變納米孿晶激活純銅電催化析氫性能

　　標題：Electroreduction-Driven Distorted Nanotwins Activate Pure Cu for Efficient Hydrogen Evolution

　　期刊：Nature Materials (2025)

　　作者：復旦大學孫大林、方方團隊聯合北京工業大學盧岳、北京大學周繼寒等

　　DOI：https://doi.org/10.1038/s41563-024-02098-2

　　研究背景

　　電解水析氫(HER)是綠氫制備的關鍵技術，但其依賴貴金屬催化劑(如Pt、Ir)的高成本限制了大規模應用。銅(Cu)雖具有高導電性和儲量優勢，但因其對氫中間體(H*)吸附過弱，傳統上僅作為集流體使用。理論計算表明，通過引入拉伸應變和降低配位數可優化Cu的H*吸附能力，但如何穩定調控Cu的局域結構仍是挑戰。

　　方法與創新

　　研究團隊提出激光燒蝕與電化學還原耦合的兩步法合成策略：

　　激光液相燒蝕：制備富含晶界的Cu₂O多晶納米顆粒;

　　電化學還原：在強驅動力下將Cu₂O還原為Cu，保留晶界誘發的晶格失配，形成畸變納米孿晶結構(DNTs-Cu)。

　　該結構通過多重孿晶互鎖形成穩定的拉伸應變，使Cu-Cu鍵長增至2.255 Å，配位數降至9.5，顯著提升了d帶中心，增強H*吸附。

　　性能與表征

　　催化活性：在酸性介質中，DNTs-Cu在10 mA cm⁻²電流密度下的過電位僅為61 mV，與商用Pt/C相當;100 mA cm⁻²時活性超越Pt/C。

　　穩定性：500 mA cm⁻²高電流密度下運行125小時，性能僅衰減2%。

　　對比分析：通過XRD、TEM和原位光譜證實，DNTs-Cu的表面原子臺階和應變協同優化了H吸附自由能(ΔGH)。

　　理論機制

　　密度泛函理論(DFT)計算表明，DNTs-Cu的拉伸應變和低配位表面降低了H*脫附能壘，同時抑制了Cu的氧化溶解，從而兼顧高活性和穩定性。

　　應用價值

　　該研究為低成本金屬催化劑設計提供了新范式，展示了電化學方法在晶格應變調控中的潛力，有望推動非貴金屬電解水制氫技術的工業化應用。

　　文獻2：MOF衍生的CoS₂/WS₂電催化劑界面硫化提升析氫性能

　　標題：MOF-derived CoS₂/WS₂ Electrocatalysts with Sulfurized Interface for High-Efficiency Hydrogen Evolution Reaction: Synthesis, Characterization and DFT Calculations

　　期刊：Chemical Engineering Journal (2024)

　　作者：北京化工大學王維教授團隊

　　DOI：https://doi.org/10.1016/j.cej.2023.147924

　　研究背景

　　過渡金屬硫化物(TMDs)因可調電子結構和豐富活性位點成為替代貴金屬催化劑的候選材料。然而，其催化性能受限于界面接觸差和活性位點不足。本研究通過MOF前驅體設計，構建CoS₂/WS₂異質結構，優化界面硫化和電子轉移路徑。

　　合成策略

　　前驅體制備：以雙金屬MOF為模板，通過水熱法引入硫代乙酰胺(TAA)控制硫化物界面形成;

　　界面調控：TAA調控WS₂納米顆粒在CoS₂表面的負載量(<5%)，最大化暴露界面活性位點;

　　結構表征：TEM和XPS證實CoS₂/WS₂的異質界面及硫原子橋聯作用。

　　催化性能

　　過電位與Tafel斜率：在酸性介質中分別為79 mV和52 mV dec⁻¹，接近商用Pt/C。

　　穩定性：1000次循環伏安(CV)后過電位僅增加8 mV。

　　電化學阻抗：奈奎斯特圖顯示CoS₂/WS₂的電荷轉移電阻顯著低于單一組分。

　　機理分析

　　DFT計算：CoS₂/WS₂界面處的硫原子橋聯降低了ΔGH*(接近0 eV)，優化了H*吸附;

　　電子結構：界面硫化誘導電荷重新分布，Co的d帶中心上移，增強H*結合能;

　　協同效應：WS₂的導電性提升與CoS₂的活性位點暴露共同促進HER動力學。

　　工業潛力

　　該工作為多界面催化劑設計提供了新思路，尤其適用于規模化制備低成本、高穩定性的電解水制氫電極材料。

　　上述兩篇文獻分別從金屬晶格調控和異質界面工程角度推動了非貴金屬電催化析氫技術的發展：DNTs-Cu通過應變工程激活純銅活性，突破傳統認知;CoS₂/WS₂利用MOF衍生策略優化界面電子結構，實現高效質子轉移。這些成果為綠氫產業提供了重要的理論與技術支撐，未來可結合原位表征和機器學習進一步探索催化劑構效關系。