中文   |   English   |   Email Alert

TiO2在选择性光催化中的应用:理性设计到机制探究

曹晗 ,  孟令世 ,  邢鹏程 ,  肖梓军 ,  王生杰

化学进展 ›› 2026, Vol. 38 ›› Issue (10) :1781-1797

PDF (4539KB)
化学进展 ›› 2026, Vol. 38 ›› Issue (10) :1781-1797 DOI: 10.7536/PC20260303
综述与评论
扫码查看或转发全文

TiO2在选择性光催化中的应用:理性设计到机制探究

作者信息 +

TiO2-Based Selective Photocatalysis: From Rational Design Strategies to Mechanistic Insights

Author information +
文章历史 +

摘要

光催化选择性转化以光能为驱动力,在生物质高值化利用、精细化学品合成及绿色制造等领域展现出显著优势与广阔前景。TiO2因其化学稳定性高、资源丰富、低毒低成本且具备可调控的能带与表面性质,成为选择性光氧化还原反应研究中的代表性材料。本文首先围绕TiO2基材料的理性设计与选择性光催化机制展开讨论,涵盖晶体结构调控、电子能带优化与表面性质修饰3部分内容。其次,聚焦TiO2材料选择性氧化、选择性还原以及选择性偶联反应等关键转化过程,梳理了TiO2在各类反应中的选择性调控逻辑和控制要素。最后,结合光催化反应的先进原位表征技术、理论计算及机器学习方法,讨论了深入解析反应机理,揭示材料结构和催化活性、反应选择性之间关联的研究成果,并指出高效选择性光催化体系在未来发展中的前景与挑战。本文旨在为设计高性能光催化选择性体系提供参考,推动人工光氧化还原技术在高附加值化学品选择性合成中的实际应用。

Abstract

Photocatalytic selective transformation uses light energy to drive targeted chemical conversions and holds considerable promise for biomass valorization, fine chemical synthesis, and green manufacturing. Among available photocatalysts, titanium dioxide (TiO2) has become a representative platform for selective photoredox reactions because of its chemical stability, abundance, low toxicity, low cost, and tunable band structure and surface chemistry. This review begins with the rational design of TiO2-based materials and the mechanistic basis of selective photocatalysis, focusing on crystal structure regulation, band structure engineering, and surface modification. It then examines key reaction classes, including selective oxidation, selective reduction, and selective coupling, with emphasis on the factors that govern selectivity in each transformation. Recent advances in in-situ characterization, theoretical calculations, and machine learning are further discussed to clarify how material structure is linked to catalytic activity and reaction selectivity. Finally, the opportunities and challenges associated with efficient selective photocatalytic systems are outlined. This review aims to provide a rational framework for the design of high-performance selective photocatalysts and to support the practical development of artificial light-driven redox processes for the selective synthesis of high value-added chemicals.

Contents

1 Introduction

2 TiO2-based multiphase interfacial materials and regulation strategies

2.1 Light absorption regulation

2.2 Charge-carrier separation and transfer

2.3 Surface reaction modulation

3 Selective photocatalytic reactions

3.1 Selective oxidation reactions

3.2 Selective reduction reactions

3.3 Selective coupling reactions

4 Mechanistic analysis and prediction of selective photocatalytic reactions

5 Conclusions and perspectives

Graphical abstract

关键词

二氧化钛 / 异质结材料 / 选择性光催化 / 高附加值化学品 / 机制探究

Key words

titanium dioxide / heterojunctions materials / selective photocatalysis / high-value-added chemicals / mechanistic investigation

引用本文

引用格式 ▾
曹晗, 孟令世, 邢鹏程, 肖梓军, 王生杰. TiO2在选择性光催化中的应用:理性设计到机制探究[J]. 化学进展, 2026, 38(10): 1781-1797 DOI:10.7536/PC20260303
Han Cao, Lingshi Meng, Pengcheng Xing, Zijun Xiao, Shengjie Wang. TiO2-Based Selective Photocatalysis: From Rational Design Strategies to Mechanistic Insights[J]. Progress in Chemistry, 2026, 38(10): 1781-1797 DOI:10.7536/PC20260303

登录浏览全文

4963

注册一个新账户 忘记密码

1 引言

现代工业发展为人类社会带来了诸多便利的同时,引发的环境污染与能源危机亦严重威胁着人类未来生存与可持续性发展[1]。太阳光不仅赋予地球生机,也为生物演化及其生命活动提供了能量基础。如何高效、可控地开发与利用太阳能,是科研工作者长期关注的核心科学问题[2]。光催化技术以光作为驱动力,在常温常压下驱动电子转移与化学反应,实现太阳能向化学能的直接转化,广泛应用于清洁制氢[3-4]、二氧化碳还原[5]、环境净化[6-7]及绿色合成[8-10]等领域,契合了人类对绿色、低碳技术发展的理想追求。随着研究不断深入,光催化技术已从早期的以光解水和污染物降解为代表的非选择性反应体系,逐步向可调控、可设计的高选择性转化方向拓展,这标志着光催化领域正经历由粗放型反应向精细化、可控化合成的深刻转型,其发展历程如图1所示。从光催化概念的提出,到Fujishima等[11]报道的经典的二氧化钛(TiO2)光电化学分解水体系,这为现代半导体光催化研究奠定了基石。此后,牺牲剂策略的引入显著提升了光解水产氢效率,并推动光催化研究向CO2还原等太阳能化学转化领域扩展。在此基础上[12-14],研究重心逐渐从“反应是否发生”转向材料设计与反应机理的探索。新兴半导体材料从无机体系拓展至有机半导体[15],研究者围绕光吸收、载流子分离与迁移以及表面催化反应等关键环节调控来设计材料,致力于构建高效、稳定的光催化体系[16]。近年来,在持续提升太阳光利用效率与光催化活性的基础上,研究进一步迈向更具挑战性的精准控制层面。通过将光催化与有机合成化学深度融合,发展出生产高附加值化学品的选择性光催化体系,加强对载流子传输路径、底物吸附构型以及关键中间体的定向调控,从而实现对产物选择性与反应通道的可设计化控制[17]。推动光催化反应从粗放型向机理明晰、过程可控的精准催化转型,光催化技术正逐步展现出作为绿色化学合成平台的巨大潜力。

在众多光催化剂中,TiO2资源丰富、成本低、无毒、生物相容性好、化学与光稳定性优异,且能带结构和表面性质易于调控,是选择性光催化的重要候选材料[18]。为满足高附加值化学品的合成需求,TiO2基材料被广泛用于选择性光催化研究中,涵盖选择性氧化、选择性还原以及选择性偶联反应,取得了显著发展。然而,选择性光催化的实现仍面临多重挑战,这制约其走向实际应用,主要源于材料物化性质与复杂反应机理两方面[19]。就材料层面而言,TiO2普遍存在带隙宽的问题,电子激发常需要紫外光驱动,对太阳光谱中可见光区利用有限。受能带位置影响,TiO2价带空穴氧化能力强,易产生高活性氧物种,引发底物过度氧化与非选择性产物竞争。表面修饰和界面工程虽可调控电荷转移、抑制目标产物再氧化,但效果具有显著体系依赖性,尚缺普适调控策略与深入的机理探究。就反应机理而言,现有研究手段对复杂多变的催化体系缺乏直观、深入的解析能力,且反应中间体难以捕捉。尚无统一的方法论用于不同选择性催化体系的比较与认知。现有研究中,选择性提升常被归因于单一因素而缺乏整体调控视角,这使面向协同调控的机制探究与策略设计难度增大。

本文聚焦近年来TiO2在选择性光催化中的应用进展,围绕效率与选择性提升,梳理从TiO2到多界面材料的设计策略、关键物化特性及高效体系构筑方法。在此基础上,按反应类型不同分别总结了TiO2在选择性氧化、选择性还原和选择性偶联反应等典型反应中的应用。针对不同反应,归纳典型底物类型,阐明反应发生的主要依据;从材料性质与反应体系两方面分析性能调控因素,总结当前选择性反应的底物谱与研究现状,揭示促进选择性的关键调控机制,为材料设计与催化体系优化提供依据。此外,结合材料特性与反应类型,讨论选择性光催化中常用的先进表征手段,及其在解析反应过程、识别关键中间体和揭示反应机理中的作用。简要介绍理论计算与机器学习在选择性光催化中的应用进展,涵盖材料筛选、发现与构筑,实验预测及机理验证,助力深入理解该体系。基于上述梳理与分析,展望TiO2在选择性光催化中的应用前景与发展方向,聚焦关键科学问题、技术路径,以及高效体系面临的机遇与挑战,推动光驱动氧化还原技术在高附加值化学品高效、选择性合成中的实际应用。

2 TiO2基多相界面材料及其调控策略

高效选择性光催化的调控策略涵盖催化效率与产物选择性两大核心。其中,材料的设计与构筑被认为是提升光催化效率的核心途径之一。鉴于此,本文首先综述TiO2及其异质结材料提升催化效率的策略,进而探讨实现高选择性的途径。TiO2是具有代表性的光催化材料,但受限于宽带隙、高载流子复合率和低表面活性,性能提升面临挑战。针对这些问题,已发展出多层次改性策略。区别于以往聚焦晶相、形貌、表面化学或异质结类型的归纳,本文立足光催化过程,依据光吸收、载流子分离与转移、表面反应三大基元步骤,对TiO2改性策略进行分类评述。需指出,各类策略按其对光催化三基元步骤的主要作用环节分类论述,但实际上每种策略常具多重效应。例如,缺陷工程可拓展光吸收并调控表面活性位点;掺杂既影响带隙,也调节带边位置,以影响氧化还原能力;异质结不仅促进载流子分离,还影响活性物种分布与表面反应路径。因此,本文在各策略的作用环节下分别评述,并说明其对选择性的关联影响。

2.1 光吸收调节

从光吸收出发,涉及材料吸光后电子激发的过程。TiO2禁带宽度大,价带电子需高能光子激发,因而仅响应紫外光。研究者主要通过敏化修饰或带隙调控提升其光吸收能力。染料敏化策略能将光吸收由材料本征吸收边界扩展至可见光区[20-21],是提高体系光催化效率的重要策略[22-23]。染料能级与TiO2能级的匹配是提升体系效率与实用性的关键,通过确保染料最低未占据分子轨道(LUMO)高于TiO2导带位置,且最高占据分子轨道(HOMO)与底物反应能级相匹配,可显著增强染料敏化策略的实施效果[24]。

因TiO2光吸收受限于能带结构,直接调控能带也是提升其光吸收能力的重要途径。掺杂调控能带为拓展TiO2光响应范围提供了新途径。在TiO2中引入金属或非金属元素掺杂,可有效调节材料的电子态密度、能带边位置及带隙宽度,从而优化光催化性能。鉴于该方法相对简便且可调性较强,硼、碳、氮、铁、铝等元素已被尝试掺杂TiO2中改善其综合性能[25-27],形成取代掺杂和间隙掺杂等多种方式[25]。如图2a所示,详细呈现了Al原子在TiO2锐钛矿相和金红石相中取代掺杂和间隙掺杂位点,杂质原子在晶胞内占据的不同掺杂位置,会显著影响材料内部的电子结构[25]。基于选择性催化研究的需要,掺杂视角不再局限于带隙调控,TiO2价带与导带位置所决定的氧化还原能力对于底物的反应程度和目标产物的生成尤为重要。Wang等[28-29]利用氨基酸作为氮源合成N掺杂TiO2,不仅显著提升吸光能力与催化活性,还证实导带位置上移对反应驱动力具有重要影响。B、N共掺杂体系中导带位置亦发生改变,并在催化过程中发挥关键作用[27]。理想情况下,掺杂通过调控带边位置,将价带置于目标底物氧化电位之上、目标产物进一步氧化电位之下,即可在热力学上限制氧化深度,实现目标产物生成并抑制过度矿化。导带抬升则增强还原驱动力,促使电子优先参与目标还原反应,而非析氢竞争。综上,掺杂通过重塑电子结构,在拓展光谱响应的同时有效调控带边能级,从而决定反应可行性与程度,是设计选择性催化材料的重要考量。

缺陷工程是提升材料光吸收能力的另一重要策略,对光催化的三基元步骤均具有显著的影响。研究表明,近乎完美的晶体结构未必对应更优的光催化性能,而适度引入缺陷常能通过调控电子结构与表面性质提升体系整体性能[30]。在此,首先讨论缺陷工程在增强TiO2光吸收能力方面的作用。缺陷工程主要通过引入三价钛离子(Ti3+)及氧空位(OV)等,形成带隙态或杂质带,导致有效带隙压缩,进而拓展材料光谱吸收范围。构建表面无序层[31],引入Ti3+自掺杂[32]、OV和相关缺陷态[33],可在TiO2表面形成较浅的缺陷能级,有效窄化带隙,从而拓宽光谱吸收范围。同时,表面OV浓度与比表面积的协同调控,亦可显著增强可见光吸收能力及光生载流子的分离效率。需要强调的是,缺陷调控虽可拓展光吸收范围,但过量缺陷易形成深能级载流子陷阱,反而加剧载流子复合,显著降低光生载流子浓度、分离效率及迁移能力[34] 。因此,需在增强光吸收和保持电荷高效传输之间寻找平衡,避免因缺陷过多而阻碍载流子迁移,降低光催化性能。

敏化、掺杂和缺陷工程等策略能够有效地拓宽TiO2的光谱响应范围,为高效选择性催化提供基础。其中,掺杂对带边位置的调控尤为关键。导带抬升增强还原驱动力,抑制析氢等副反应[35]。价带上移则削弱空穴氧化能力,减少目标产物过度氧化[36]。缺陷工程在拓宽光吸收的同时,适量缺陷既可作为特异性活性位点活化底物,又能调控活性氧物种(ROS)种类与分布,从而引导反应路径[30]。因此,其应用须以目标底物或特定ROS调控为导向。

2.2 载流子分离与转移

从载流子分离与转移出发,光吸收引发电子激发,后续则聚焦光生载流子从体相到表面的迁移路径与效率。理想的光催化反应中,光生电子和空穴应最大限度地传递至目标底物,即电子受体或供体[37]。光生载流子迁移过程中面临多种竞争路径:体相或表面复合、缺陷捕获、转移至表面金属助催化剂、迁入异质结界面,或最终传递至目标底物以参与化学反应。因此,高效调控载流子的分离与传输路径,是提升光催化性能和选择性的关键。异质结构建被认为是在诸多策略中,能增强载流子分离与转移效率且应用广泛的方法。如图2b所示,异质结通过不同相间的能带排列与内建电场的协同作用,实现载流子的跨界面迁移和高效分离[38]。异质结按组成材料分为两类:一类是同材料不同晶相的同型异质结,另一类是不同材料构成的异型异质结。按能带排列分为Ⅰ型(跨立型)、Ⅱ型(错开型)和Ⅲ型(破隙型)。近年来,Z型和S型异质结相继提出并受到广泛讨论。

TiO2作为多晶相材料,如图2c所示具有锐钛矿、金红石、板钛矿和亚稳态等多种晶相结构[39],为利用不同晶相构建同型异质结提供了结构基础。同型异质结因晶格匹配度高,具有稳定性好、界面接触紧密及电荷迁移势垒较低,能够促进光生载流子跨界面转移,是提升TiO2载流子分离效率的重要策略。其中,锐钛矿与金红石之间的相变是研究重点。合成温度[40]、元素掺杂[28]及其他方法[41]均可有效调控相变过程。相关研究表明[42],锐钛矿和金红石的Ⅱ型能带排列可驱动电子定向迁移,有效抑制载流子复合并加快表面反应。通过优化两相比例构建同型异质结界面,能够显著增强体相载流子分离与跨界面转移效率。

TiO2与其他材料构建的异型异质结,依托界面能带匹配与内建电场,实现光生载流子的高效分离与定向转移。其能带调控自由度大,适配多种光催化反应体系,显著提升TiO2基材料的性能与适用性。在Ⅰ、Ⅱ、Ⅲ型异质结中,Ⅱ型因能实现光生载流子的有效电荷转移与空间分离而被广泛研究[43]。但其存在明显局限,热力学上,提升载流子分离效率会削弱两种半导体的氧化还原能力;动力学上,静电作用阻碍界面电荷转移;选择性催化层面,电子与空穴分别迁移至氧化还原能力较弱的组分,导致体系整体能力下降,难以匹配目标反应电位,易引发副反应或目标产物过度氧化。针对上述局限,模拟自然光合作用的Z型异质结被提出。早期Z型体系依赖氧化还原介体,结构复杂且受pH影响[44],后续发展为无介体的直接Z型复合体系,可优化界面电荷转移路径来提升光催化效率,但载流子的具体转移机制仍存争议。基于对传统异质结的理解,Yu等[45]提出S型异质结,即该体系由一类功函数较小、费米能级较高的还原型半导体和另一类功函数较大、费米能级较低的氧化型半导体组成。类Ⅱ型能带排列可实现强氧化还原能力载流子的有效分离,其既保留高活性电子与空穴,使体系在相近电位下驱动目标反应。又借助界面内建电场抑制复合,减少非选择性强氧化物种生成,从而提升产物选择性。然而,异质结构建面临能带调控的固有矛盾,提升光吸收需窄带隙材料,而增强氧化还原能力则要求高导带与低价带。该矛盾推动多组分复合体系发展,以实现多步电荷传递。但随之引入能量损失与动力学不确定性,削弱载流子迁移可控性及反应选择性。理论研究表明,在无外加偏压下,传统异质结的电荷分离效率受限于内建电场和界面复合,存在固有理论上限[46]。因此,构建兼具高效光吸收、强氧化还原能力与可控载流子传输的光催化体系,仍是本领域亟待突破的核心挑战。

异质结构建可提升光生载流子利用效率,从而提高TiO2光催化反应效率。其对选择性光催化的调控,则依赖能带匹配与界面内建电场,将载流子定向引导至目标反应路径[29]。异质结材料的选择性,本质在于调控体系氧化还原能力边界,从而在抑制副反应的同时,实现底物高效转化与目标产物高选择性合成。

2.3 表面反应调控

从表面反应出发,材料的表面结构与化学环境直接影响光催化活性。表面改性可通过优化载流子迁移路径、增强反应物吸附、调控中间体转化,提升催化效率与选择性。在选择性催化中,底物吸附构型决定了反应起始步骤,表面ROS种类和局域分布决定氧化深度与路径,产物及时脱附则可抑制过度反应。TiO2表面改性主要包括形貌与晶面调控、表面缺陷构筑、功能分子修饰、共催化剂负载和单原子锚定等[18,47]。其中,形貌与晶面调控通过增大比表面积、暴露高活性晶面来增加表面活性位点,从界面结构层面影响催化性能和选择性。其余4类均属于表面工程化策略,旨在精准调控界面微环境,干预表面反应过程。

形貌与晶面调控是提升TiO2表面反应性能的基础策略[48]。通过调控合成条件,可优先暴露特定原子构型与表面能的晶面,并构建多样化的纳米结构,从拓扑结构层面直接调控表面反应。不同维度的纳米结构通过影响比表面积、载流子迁移距离与活性位点密度,调控反应物吸附与产物脱附效率。多级结构中高能晶面、孔道及阶梯位点因富含不饱和键,可选择性吸附并活化特定分子[49]。此外,不同晶面因原子排列、表面能及配位不饱和度差异,显著影响反应物吸附位点与中间体稳定性,进而调控反应路径与选择性[50]。以锐钛矿TiO2为例,(001)面富含五配位Ti原子(Ti5C),对O2和H2O活性高,利于氧化反应,而(101)面更稳定,易富集光生电子,倾向驱动还原反应[51]。总体而言,该策略通过调控表面活性位点与界面反应路径,影响表面反应。

相比体相调控,表面工程化修饰条件更温和、操作更简便,核心在于通过表面改性提升反应效率并调控反应路径,主要包括表面缺陷构筑与表面修饰。表面缺陷并非随机引入,而是特异性构建高活性位点。既可活化反应物,又可作为电子富集中心,改变反应起始步骤与中间体生成[52]。适量表面OV有助于使反应体系由选择性更高的ROS主导,抑制目标产物的过度氧化。而过量缺陷则易形成深能级陷阱,加剧载流子复合并产生更多强氧化物种,降低选择性。表面分子或离子修饰则通过调控表面酸碱性、偶极矩与界面势垒等,精准引导光生载流子分配,从而控制电荷转移过程[53-54]。共催化剂负载可通过构建异质结、提供特异性反应位点及抑制副反应等方式,提升光催化效率与选择性。如图2d所示,Ag量子点修饰的缺陷TiO2,通过缺陷和Ag等离子体共振两者的协同效应,显著提升CO2还原活性并完全抑制竞争性H2析出[55]。单原子催化是共催化剂高度均一化的极限形式。当金属原子被缺陷或配位环境强锚定后,其与载体间电荷转移可被精确调控,在单一位点尺度上重构中间体能垒与反应路径[56]。共催化剂和单原子位点的化学特异性使体系能优先识别并活化目标官能团,改变底物吸附构型,从而在多条竞争路径中锁定目标转化。

表面工程化策略通过对材料表面改性能够显著提高光催化效率。同时,其对选择性的调控主要体现在3个层面。其一,调控晶面暴露与表面位点设计,控制底物吸附构型,从反应起始即引导其以特定方式作用于催化剂表面[51]。其二,调控表面缺陷浓度与表面修饰,优化ROS的种类与局域分布,在维持氧化活性的同时抑制深度矿化[36]。其三,结合形貌设计与表面化学优化,加速目标产物脱附,缩短其在强氧化位点的驻留时间,降低二次反应概率[57]。

需再次强调,各类修饰常协同影响多个催化环节。当前研究已普遍采用多策略联用,如导带工程及表面敏化联用[58],元素掺杂与内建电场耦合[26],量子点负载与表面缺陷协同[59]等。尽管协同改性有效提升了催化效率,但对选择性的改善仍有限,距工业化应用尚有差距。鉴于改性效果具有显著的体系依赖性,受基底类型、目标反应特性及反应环境多重制约,同一策略在不同体系中表现迥异。因此,未来研究应立足于具体反应体系,通过深入解析反应路径与关键控制步骤,推动光催化体系的理性设计。

3 选择性光催化反应类型

早期光催化研究聚焦于污染物降解等非选择性过程。随着材料结构可控性提升与反应机理深入,高选择性有机转化已成为现实,光催化正从低效矿化迈向精准合成。高效选择性转化仍面临三重挑战:材料层面,TiO2宽带隙赋予载流子强氧化还原能力,却难匹配特定反应电位,易致中间体过度氧化或还原。表面原子或基团均一,缺乏识别底物的特异性活性位点,且载流子复合快,严重制约选择性催化应用。反应体系层面,羟基自由基(·OH)、超氧自由基(O2-·)和单线态氧(1O2)等活性物种反应活性高但选择性差,倾向于无差别攻击化学键。同时,其行为又因环境差异而显著变化。底物与路径层面,有机转化存在多重竞争途径。目标产物路径常非热力学有利,或在动力学上因能垒高、步骤复杂等受阻,面临严重的副反应竞争。加之底物吸附弱或产物脱附难,进一步加剧过度反应与选择性下降。本文总结了典型底物在光催化下的氧化、还原及偶联反应及其机理。聚焦材料性质与反应体系,深入分析影响效率与选择性的关键调控因素,厘清底物谱系与研究进展,为光催化材料的定向设计、选择性提升与反应范围拓展提供理论支撑。

3.1 选择性氧化反应

选择性氧化是光催化研究中极具挑战性的反应类型之一,其主要难点在于抑制产物的过度氧化,以及对多条竞争路径的控制。目前多种策略已成功提升反应选择性,实现多种底物的选择性氧化[60]。代表性体系包括醇选择性氧化为醛或酮,以及近年来备受关注的生物质平台分子5-羟甲基糠醛(5-Hydroxymethylfurfural, HMF)的选择性氧化,为绿色合成及高值化学品可持续制备提供了重要途径。

3.1.1 醇氧化

醇选择性氧化制醛或酮是有机合成的重要反应,广泛应用于香料、食品添加剂及药物等高值化学品的合成[61]。大量研究报道了基于不同催化剂的醇选择性氧化,其中,TiO2基光催化剂在气相、乙腈和水相体系中均实现了多种醇的高选择性转化,展现出独特优势[62],如图3a所示,染料敏化的TiO2在可见光照射下,通过O2-·和OV的协同驱动,实现了多种醇向醛的高选择性氧化转化[63]。为抑制醛类中间体过氧化,研究者发展了多种调控策略。Tsukamoto等[57]通过表面钝化策略构筑WO3@TiO2复合光催化剂,成功实现醇至醛的高选择性水相光氧化。该研究通过在TiO2表面局部包覆WO3层以减少氧化活性位点的直接暴露,并利用WO3对醛类更强的吸附亲和力及其氧化惰性的能带结构,将生成的产物从高活性的TiO2表面引导至不具备分解能力的区域,降低产物在TiO2表面强氧化位点的驻留时间,从而在动力学与热力学两方面共同抑制了产物的过氧化。另有研究通过上移TiO2价带并稳定其表面强氧化活性位点,在维持高活性的同时显著提升了醛的选择性。如图3b所示,TiO2/Ti3C2异质结通过促进光生电子向Ti3C2转移,诱导O2-·生成,并与表面空穴协同驱动苯甲醇高选择性转化为苯甲醛[64]。高活性自由基的非选择性氧化也是导致过度氧化的重要诱因。TiO2的选择性氧化适用性取决于对光生活性物种种类与浓度的精准调控。染料敏化可拓展TiO2光响应范围,并将主导活性物种转为选择性更高的O2-·,成功实现芳香醇与脂肪醇向醛或酮的高效转化[65]。现有研究表明,协同调控TiO2表面强氧化位点性质与光生活性氧物种(种类和浓度等)是提升选择性氧化性能的核心。虽然上述策略在特定实验体系中表现出优异的选择性,但其在不同底物谱系及反应介质中的普适性仍有待进一步的验证。

3.1.2 HMF氧化

基于醇向醛或酮转化的研究基础,选择性光催化氧化在生物质分子绿色转化中备受关注。HMF作为典型生物质平台化合物,含多种官能团,可选择性氧化转化为2,5-呋喃二甲醛(DFF)、5-甲酰基-2-呋喃甲酸(FFCA)、2,5-呋喃二甲酸(FDCA)与5-羟甲基-2-呋喃甲酸(HMFCA)等高价值化合物[36],是连接生物质与石化工业的重要桥梁。其中,DFF可用于药物、抗真菌剂及化工产品合成,并作为呋喃环聚合物前体;FDCA是生物质12种核心平台化合物之一,适用于金属有机框架(MOF)材料制备、药物及有机合成;FFCA是DFF氧化为FDCA的关键中间体,在医药与呋喃基聚酯领域潜力显著。当前HMF氧化多依赖高温、高压O2与强碱热催化,能耗高、条件苛刻,光催化为此提供了理想替代路径。g-C3N4因能带匹配常用于HMF转化,O2-·是主导活性物种[66]。随着精准调控策略发展与机理解析深入,TiO2在HMF光催化氧化中展现出显著优势。如图3c所示,Zhang等[36]构建的Cu2O/TiO2 S型异质结利用Cu2O的高选择性,和TiO2的强氧化性,定向诱导产生选择性更好的1O2和O2-·等活性物种以抑制非选择性·OH的生成,并结合表面微环境N掺杂和富氧层的构筑,优化氧分子的活化过程及底物吸附构型,从而有效阻断产物的过氧化路径。除DFF外,HMF向其他高附加值产物的转化也取得突破。碱处理TiO2表面引入OV构建电子富集壳层,可为催化提供有效平台,驱动HMF向FDCA的转化。此外,Cui等[67]借助PtNi与TiO2间的强电子耦合作用,实现100%的HMF转化率和99.7%的2,5-二羟甲基呋喃(DHMF)选择性,反应经由CH―O·中间体路径完成。需说明的是,TiO2除作为光催化剂外,还常作为支撑材料等用于HMF的加氢脱氧反应[68]。如图3d所示,TiO2表面的Lewis酸位点通过HMF分子间氢负离子转移促进其转化,生成5-甲基糠醛(5-MF)和DFF,但该过程不属于光催化范畴,故不作展开讨论。总体而言,TiO2用于HMF光催化选择性氧化的研究仍较有限,受限于材料固有性质,现阶段多集中于HMF向DFF的转化。未来需在反应路径调控、活性物种作用机制及结构精准设计等方面持续深化。

3.1.3 含硫/含硼/芳烃氧化

除醇制醛或酮及生物质分子高值化转化外,硫化物等其他底物的选择性氧化也具重要研究价值。Liao等[69]设计了π共轭发色团功能化的高核钛氧簇用于硫化物选择性氧化制备亚砜,并通过结构与光物理性质的耦合实现活性物种的选择性生成。以甲基苯基硫醚为底物,在光照条件下可获得96.8%的转化率、97.1%的亚砜选择性与94.0%的产率。该研究同时指出,催化过程中1O2相较于O2-·对反应贡献更为显著。值得关注的是,钛基材料在芳基硼酸或硼酸酯光驱动羟基化制酚及二甲苯等芳香烃氧化中也表现出良好催化活性与可控性,凸显其在选择性氧化中的应用潜力。

选择性氧化体系的研究表明,抑制过度氧化是贯穿其中的核心调控策略。在醇氧化制醛、HMF的定向官能化以及硫化物选择性氧化制亚砜等过程中,产物的过氧化主要源于强氧化活性位点对中间体的持续攻击,以及·OH等非选择性活性物种的无差别氧化[36,64]。现有研究证实,通过表面位点钝化降低产物驻留时间、调控ROS种类使体系向O2-·或1O2主导方向偏移,以及优化底物在催化剂表面的吸附构型以引导反应起始步骤,是实现选择性氧化的有效路径。

3.2 选择性还原反应

光催化选择性还原在反应特征上不同于氧化。还原无过氧化问题,但高活性光生电子及其他活性物种对底物和路径缺乏专一性,易引发副反应,导致非目标转化。在选择性还原体系中,析氢反应是最普遍的竞争反应,光生电子在含质子介质中极易被质子捕获生成H2,与目标还原路径形成直接竞争。除析氢外,针对不同反应,副产物生成和过度还原同样对选择性构成挑战,高活性光生电子可能使中间产物进一步还原或引发不可控的副反应,导致目标产物产率下降。因此在设计光催化还原体系时,同样需要在抑制竞争反应的同时保持高效的选择性还原。

3.2.1 CO2与N2等小分子还原

在光催化还原研究中,CO2还原与N2固定两类小分子转化反应备受关注。对于CO2多电子还原,CO、CH4、CH3OH、HCOOH等多种产物可能同时生成,不同碳数产物对应的多步电子-质子耦合路径在动力学上难以精准区分,产物分布的不可控性是核心挑战。相关研究常通过调控电子供给与界面吸附行为以抑制水分解,稳定关键中间体来提高产物选择性。近年来研究目标已从较早CO2向CO的还原拓展至C1、C2乃至更高碳数产物的合成。如图4a所示,TiO2异质结表面通过捕获光生电子引发多步质子耦合电子转移过程,使得CO2沿不同还原路径逐步转化为CO、CH3OH及CH4等多种产物[70]。对于N2固定,N≡N键的高解离能要求体系提供足够的还原驱动力,而析氢反应在热力学和动力学上均具有竞争优势,是制约固氮选择性的主要障碍[71]。高效光催化固氮体系应兼具强光吸收、高效电荷分离能力,并提供对N2具有亲和力且可抗析氢的活性位点[72]。通过缺陷、掺杂或金属助催化构建富电子中心可在一定程度上提升选择性固氮表现,例如TiO2-OV、Au/TiO2-OV与Cu掺杂TiO2均已实现可观的产氨输出[73-74]。

3.2.2 硝基化合物等有机底物还原

除CO2和N2等小分子的选择性还原外,复杂有机分子的选择性还原也是一类重要反应。对于复杂有机底物还原,非目标官能团的竞争还原以及过渡中间体的积累,是导致选择性下降的主要原因。与小分子体系相比,利用TiO2基材料实现复杂有机底物的选择性还原研究仍相对有限。如图4b所示,TiO2在醇类作为还原剂的辅助下,通过光诱导产生的表面Ti3+物种实现了环氧化合物向烯烃的高效脱氧转化[75]。此外,硝基苯选择性还原为苯胺是该领域的典型反应。Corma等[73]构建了TiO2负载Au纳米颗粒的光催化材料,在温和条件下对含多种可还原官能团的硝基化合物进行选择性加氢反应,实现了硝基的高效选择性还原,同时避免了羟胺中间体的积累及其他官能团的还原,为环己酮肟的合成提供了新途径。研究认为,Au纳米颗粒对硝基基团的优先活化作用,以及其与其他可还原基团差异化的吸附特性,是实现选择性还原的关键。如图4c所示,Zhang等[76]通过自组装光化学还原法构建了TiO2/g-C3N4/石墨烯异质结构光催化剂,在可见光下实现硝基苯选择性还原为苯胺,转化率达97%。该体系的高活性源于g-C3N4扩展光谱响应、石墨烯促进电荷分离与传输以及TiO2纳米线抑制片层堆叠的协同作用。Ahn等[77]构建精氨酸修饰的TiO2材料,实现4-硝基苯酚选择性还原为4-氨基苯酚。研究指出,精氨酸末端胺基使TiO2表面在较宽pH范围内带正电荷,在碱性条件下与带负电荷的4-硝基苯酚产生静电吸引促进目标物吸附。材料表面附着的精氨酸层使4-硝基苯酚由非选择性矿化转向选择性还原。上述研究表明,调控界面电荷传输并优化底物吸附构型,可高效提升硝基化合物还原的化学选择性。

3.2.3 NAD(P)H再生与光酶耦合

此外,辅酶因子还原型烟酰胺腺嘌呤二核苷酸及其磷酸化形式(NAD(P)H)的光催化还原再生也备受关注。TiO2基材料高选择性地实现1,4-NADH的再生,进而驱动NAD(P)H依赖型氧化还原酶特异性催化底物转化,构建高效合成有机产物的路径。例如,如图4d所示,光催化实现NADH还原,并驱动甲酸脱氢酶将CO2转化为甲酸[78],进一步甲酸脱氢酶与乙醇脱氢酶级联则能实现乙醇生产,以及生物酶实现手性芳香醇的绿色合成[79]等。该光酶耦合体系提供了普适性构建框架,理论上,任何NAD(P)H依赖型酶均可用于该体系,实现特定产物的生成,具有巨大的应用价值。通过选择性还原再生1,4-NADH,实现与生物体系的耦合,该策略兼具光催化效率高与酶催化选择性好两大优势,同时弥补二者不足。这种交叉融合拓宽了光催化在有机合成领域的应用,也为构建人工光合作用体系提供了创新的解决方案。

光催化选择性还原的核心挑战是精准控制光生电子的供给路径。在含质子介质中,析氢反应在热力学与动力学上均具有竞争优势,光生电子极易被质子捕获而偏离目标还原路径,因此抑制析氢反应是提升选择性的首要前提[71]。此外,过度还原与副产物积累会降低目标产物产率,要求催化剂在提供足够还原驱动力的同时,对电子转移路径实施有效引导。小分子还原与复杂有机底物还原在选择性控制重点上存在本质差异,小分子还原的控制重点在于电子数量与质子耦合步骤的精准匹配,需通过活性位点设计引导多电子转移路径并抑制析氢竞争,其难点在于关键中间体的稳定化及对反应终止步骤的控制[70]。复杂有机底物还原的控制重点则在于官能团识别与底物吸附构型的调控,需通过表面位点的化学特异性实现对目标官能团的优先活化,同时利用静电作用与空间效应引导选择性吸附[73]。NAD(P)H再生与光酶耦合体系将光催化的电子供给效率与酶催化的底物专一性相结合,为上述选择性还原提供了互补性解决路径。

3.3 选择性偶联反应

除单一底物或单电子/空穴驱动的选择性氧化还原反应外,光催化还可进一步驱动多底物参与的选择性成键过程,其核心在于在光生电子与空穴分工协同的基础上,实现不同反应物的同步活化、中间体的定向生成以及后续偶联步骤的有序衔接。此类反应不仅要求催化剂具备合适的能带结构和电荷分离能力,还要求其表面能够提供可同时容纳多种底物的界面微环境,以缩短关键中间体的扩散距离,并抑制过氧化、深度裂解或自聚等竞争路径[80]。从现有报道看,TiO2参与选择性成键反应的研究虽然已显示出独特潜力,但总体数量仍然有限,体系类型也相对集中,尤其在复杂多底物耦合、反应精细调控等方面仍处于发展阶段,这也是该方向后续值得持续拓展的重要原因。

3.3.1 胺氧化偶联反应

胺氧化偶联是TiO2体系中较早受到关注的一类选择性成键反应,其目标是在温和条件下将伯胺定向转化为亚胺。Juntrapirom等[81]构筑TiO2/BiOBr 异质结,利用能带交错促进光生载流子分离,使空穴氧化苯甲胺,同时电子还原O2生成O2-·,二者协同驱动氧化偶联。在自然阳光下可实现约89%的亚胺产率和大于97%的选择性。这一结果说明,亚胺高选择性形成依赖于氧化与还原过程的同步匹配。类似规律也体现在其他复合体系中。二维g-C3N4与一维TiO2构成的异质结可在可见光下实现93%的苄胺转化,并高选择性生成N-苄叉苄胺。研究表明,异质结界面有利于电子和空穴在不同组分上分离,进而促进O2活化和胺底物氧化,使关键中间体更容易在表面被捕获并进入偶联路径[82]。此外,Au纳米棒负载TiO2纳米纤维体系在空气和无溶剂条件下也表现出较好的胺偶联性能,光照下亚胺选择性可提升至约80%,并表现出由暗反应产物分布向光照条件下亚胺主导转变的特征[83]。这表明,TiO2基复合体系不仅能够提高转化效率,还能够通过调节界面电子结构和氧气活化能力改变主反应通道,从而提升目标成键步骤的优先性。

3.3.2 C―C/C―N偶联反应

相较于胺氧化偶联,TiO2参与C―C和C―N偶联反应展现出其在多步电子转移和中间体定向转化中的作用。Xu等[84]报道了TiO2与Ni配合物协同催化2-碘乙醇还原偶联制备1,4-丁二醇的体系。该反应中,TiO2主要负责提供光生电子,Ni配合物则负责接收电子并活化C—I键,从而促进后续自由基偶联,1,4-丁二醇选择性可达72%,若与前步卤代过程串联,则由乙二醇出发的总体选择性可达70%。 Tyagi等[85]开发了TiO2/Al2O3负载Pd-Au双金属位点的异质结构,利用半导体活化底物、金属位点近邻捕获并脱氢转化,实现芳烃与四氢呋喃的直接脱氢交叉偶联。1 h内偶联产物可达15.2 μmol,选择性大于99%。该结果进一步表明,TiO2在C—C成键中不仅能够提供底物活化界面,还可通过与金属位点的空间协同促进不同中间体的高效耦合。在C—N成键方面,Pd修饰TiO2同样展现出较强的界面协同作用。Pei等[86]以甲醇和氯化铵为底物,在含氧空位的Pd/TiO2上实现了甲胺类盐酸盐的光催化合成,4 h内总产率达到29.62 mmol/g。机理研究表明,甲醇首先被氧化为甲醛,随后与含氮物种发生缩合和连续甲基化,逐步形成目标C—N产物。其中,氧空位有利于甲醇吸附,Pd则促进电子传输和甲醇脱氢,二者协同提升了连续成键过程的整体效率。TiO2在C—N偶联中不仅参与初始底物活化,还通过缺陷位与金属位点的配合调控多步中间体的连续转化。

总体来看,TiO2参与选择性成键反应的关键,在于构建有利于多底物协同吸附和关键中间体时空匹配的界面环境。胺氧化偶联中,载流子分离与氧气活化的协同决定了亚胺生成效率。C—C与C—N偶联中,缺陷位、金属位和外加分子催化位点的协同则有助于稳定中间体并推动连续成键。现阶段,TiO2在这一方向的研究仍然不多,但已有工作表明,围绕界面微环境和中间体耦合过程开展精细调控,将是后续发展的重要方向。

4 选择性反应机理解析与预测

为系统解析光催化选择性的调控规律,目前的表征与计算体系通过如图5a所示的开尔文探针力显微镜(KPFM)表征的电荷转移路径识别,如图5b所示的反应中间体动态演变模拟计算,如图5c所示的活性位点电荷转移与电子结构解析以及如图5d所示的计算与机器学习相结合,实现了对光催化材料的加速筛选。扫描探针显微镜、原位谱学与超快动力学表征的耦合应用具有代表性。KPFM通过纳米级表面电位反映异质结界面的内建电场、光生载流子转移及电荷积累行为,可在外场调控下揭示电荷转移路径。在TiO2@PTFE体系中,KPFM与EPR联用阐明了载流子分离与传输增强机制,并建立了界面局域电场、电荷迁移动力学与表面反应活性间的关联[87]。如图5a所示,KPFM还被用于表征异质结界面的表面电位分布与电荷转移路径,为电子转移机制提供了直观可靠的实验证据[36]。在反应过程解析方面,原位红外、拉曼与X射线光电子能谱(XPS)可实时追踪反应中间体及键合环境,克服传统离线表征难以捕获真实反应状态与中间体的局限。Wang等[88]利用原位XPS判断MOF结构中电子供体与受体,为光生载流子转移提供了直接证据。在动力学维度,时间分辨荧光与瞬态衰减等技术可将电子转移速率由经验推断变成可测量参数。线性扫描伏安与时间分辨荧光联用证实π-π堆叠可作为电子转移通道并加速传输,为有序电荷通道构筑提供结构与动力学依据。飞秒激光激发下的时间分辨荧光衰减可追踪激发态寿命变化,表征载流子复合与捕获过程。AC-TEM、EELS与同步辐射XAS可直接成像单原子位点并解析其配位环境,原位XAS与原位FTIR则能捕捉反应中配位结构演化及中间体生成,弥补传统表征在动态配位解析及其构效关联方面的不足。多模态原位平台的发展目标是实现空间、时间与化学态的闭环表征[89]。例如,KPFM与电化学和光谱的联用,或原位红外协同质谱和同步辐射,可在异质结电荷转移、表面反应动力学与活性位点重构等关键问题上提供更有说服力的信息和动力学证据,支撑高效光催化体系的理性设计。上述实验表征手段在电荷转移机制解析中各具优势,共同构成互补的多尺度表征体系。KPFM通过纳米级表面电位分布直接揭示界面内建电场方向与光生电荷积累区域,直观阐明载流子迁移的方向;时间分辨荧光光谱和瞬态吸收光谱定量表征载流子寿命及复合动力学,可有效表征电荷分离效率与转移速率等动力学问题;原位XPS通过元素价态的实时演化提供电子转移的直接证据,明确电子供体与受体;原位FTIR与Raman则聚焦反应路径,通过追踪关键中间体的键合结构演变,揭示表面活性物种演化序列及反应的决速步骤。

受限于微观表征在分辨率与原位动态观测能力上的不足,理论模拟成为解析光催化反应机理的重要手段。密度泛函理论(DFT)凭借计算精度与效率优势,被广泛用于光催化研究,深化了对材料性能与微观机制的理解。当前应用聚焦于催化剂电子结构设计与改性、表面吸附与反应路径、光生载流子动力学,以及新型材料预测与筛选[90]。在电子结构研究中,DFT可从原子尺度揭示能带结构、态密度和电荷分布的调控规律。掺杂TiO2的态密度与带隙DFT计算阐明了掺杂引入中间能级并实现可见光响应的根本原因[91]。如图5b所示,在表面反应机理解析中,DFT能够预测关键中间体的稳定构型及其能量演化,从而厘清可能的反应路径[92]。结合DFT计算与原位漫反射傅里叶变换红外光谱(DRIFTS),可揭示催化剂表面OV通过对称交替路径活化N2,并促进质子耦合电子转移生成NH3的机制[93]。在光生载流子动力学模拟中,DFT有助于理解电荷分离与传输行为。通过分析异质结表面的功函数、界面电荷转移与差分电荷密度,DFT可从原子尺度证实S型异质结的电荷转移路径、界面电场方向及反应物吸附特性[87],如图5c所示。DFT与高通量计算结合加速了新型光催化剂的预测与筛选。从机制探究角度看,差分电荷密度与功函数计算揭示界面电荷转移方向及驱动力,与KPFM等实验互为印证;过渡态搜索与吸附能计算用于解析反应路径与选择性决速步;态密度与能带结构计算阐明掺杂、缺陷或异质结对光吸收与载流子分离效率的影响。DFT的系统化应用正推动光催化研究从经验判断迈向理性设计,为实验提供原子尺度机理解释与关键理论支撑。在此基础上,DFT与机器学习融合将进一步提升材料筛选与性能预测效率,前景广阔。

光催化反应具有复杂的非线性响应特征,仅依赖传统实验方法已难以系统解析其复杂反应机理和路经。近年来,机器学习在光催化研究中展现出重要价值,已广泛应用于反应机理解析、材料性质预测和催化性能优化。如图5d所示,基于机器学习技术可以在基于大量研究的基础上实现高效催化材料的加速筛选[94]。相关研究已通过高通量实验与计算模拟构建多变量数据库,并引入机器学习方法深化机理解析。随机森林、支持向量机与人工神经网络等模型常用于多特征非线性条件下探究性质与结构之间的关联,支撑吸光、载流子分离与反应器设计的快速预测与优化。通过多变量数据库,机器学习可精准关联催化剂表面特性、能带结构和孔道结构等因素及反应条件与反应效率之间的关系,为催化剂理性设计提供理论支撑,为筛选更优催化剂组合与反应条件提供参考。研究者采用基于小数据集的机器学习方法(如SISSO结合α方法),实现了对钛基材料能带位置的精准预测,并筛选出潜在的选择性光催化新材料。这充分彰显了机器学习在探索复杂体系组成空间方面的巨大潜力[95]。研究指出,数据集稀缺是制约光催化领域机器学习广泛应用的关键瓶颈,限制了数据驱动算法的有效执行[96]。通过多组件工作流程捕捉光催化机理的复杂细节,能够在有限的高质量数据集条件下加速催化剂开发。面向未来发展,基于主动学习的高通量虚拟筛选、多目标性能平衡与过程动态预测等方向有望持续拓展。

5 结论与展望

TiO2用于实现选择性光催化转化具有重要应用意义。围绕光吸收、光生载流子分离与转移以及表面反应三基元步骤,发展了形貌调控、晶面与晶型调节、染料敏化、掺杂、缺陷工程、异质结构构建与表面工程化修饰等多种策略,显著拓展了TiO2家族的材料边界。在TiO2基材料选择性催化中,研究主要覆盖选择性氧化、选择性还原与选择性偶联等反应类型。选择性氧化是重要反应类型之一,TiO2在醇到醛的选择性转化、HMF等生物质平台分子的高价值化,以及硫化物等底物的选择性氧化体系中均展现出应用潜力,并可通过调控能带结构、催化表面以及体系中活性物种等方式提升催化效率与选择性。在选择性还原方面,CO2还原与N2固定等小分子还原持续受到关注,TiO2在复杂有机分子的选择性还原中亦体现出相应价值,并在与生物酶耦合催化中展现广阔应用前景。基于电子驱动与空穴驱动的氧化还原过程,更复杂的偶联反应也得到深入研究,C―C、C―N与C―O等新键构建可实现底物偶联,从而为光催化选择性催化驱动复杂底物合成提供可能。需要指出的是,选择性催化机理解析仍面临较大挑战。为此,新发展的表征技术、模拟计算与机器学习被用于光催化机理解析、材料性质预测与催化性能优化中,展现出巨大研究潜力。

尽管TiO2在选择性光催化领域持续取得进展,但仍存在亟待解决的问题。研究者已发展出多种策略以实现光催化驱动的高附加值化学品合成,但不同调控策略之间的内在逻辑关联往往不够明确。由于改性效果通常受到材料微观结构、特定反应类型及体系环境等多重因素影响,目前尚难以建立可广泛迁移的普适性理论。基于此,调控策略可从两个层面理解:其一是提升光催化体系的催化效率,其二是增强体系的反应选择性。前者多聚焦于光催化材料本征性能的改善,例如针对TiO2光催化三基元步骤的修饰,旨在缓解光吸收不足与光生载流子复合过快等固有问题,从而提高整体催化效率。相比之下,面向选择性提升的调控方法更需要重点关注。围绕选择性提升,现有工作主要涉及以下调控策略。其一是能带匹配调控,通过更为精准地调节价带或导带位置,使其处于反应物向目标产物转化的电位与目标产物过氧化电位之间,在保持较高催化效率的同时,从机理层面抑制目标产物过度氧化还原与副反应,该策略在一定程度上具有“开关”式调控特征。该方法被普遍认为较为本质且有效,但底物转化与过度氧化过程准确电位的获取存在难度,以及能带位置精确调控与表面能带均一性方面仍面临挑战。其二是反应过程中主导活性氧物种的调控。该策略对提高反应选择性具有重要意义,但在不同材料与体系中呈现形式差异较大。通常需要先识别复杂体系中占主导地位的活性物种及其作用,再通过调节体系内活性物种的生成与分布或引入外源活性物种来改变反应路径并保留目标产物。然而,该策略同样面临不确定性。不同体系中可实现选择性转化的关键活性物种往往难以明确,多种活性物种之间的协同与竞争关系也会显著干扰反应路径的定向调控。同时,活性物种的产生受多因素影响,能否实现对主导物种的可控调节仍有待进一步验证。其三是界面吸附与脱附行为调控。提高底物在材料表面的有效吸附并促进目标产物及时脱附,有助于减少二次反应并提升选择性。但二者之间的平衡关系较为复杂,通常需要结合材料表面结构与反应环境进行系统考量,因此仍难以实现精准调控。上述因素从不同层面共同影响选择性光催化反应表现,也在一定程度上导致以光催化材料为核心的选择性体系常面临效率与选择性之间的权衡。

基于现有问题,未来研究在若干方面仍需进一步关注。后续工作可在通过材料修饰与改性提升光催化效率的同时,围绕能带匹配、主导活性物种以及界面吸附与脱附等关键环节强化选择性调控。应进一步深化对材料、反应体系与反应底物之间关联性的认识,并加强对反应机理的系统解析。针对不同反应类型,可依据催化反应机理构建要素关联与对应关系,从而推动选择性催化由经验优化转向更理性的设计。与此同时,更先进的表征技术亟需引入选择性催化研究中,以直接观测和解析催化机理与动态过程。模拟计算与机器学习在机理解析与性能预测方面的深度应用,不仅能显著降低实验试错成本,还将为高效、高选择性催化体系的理性设计提供有力的理论支持与方法论指导。

参考文献

[1]

Nunes B N, Paula L F, Costa Í A, Machado A E H, Paterno L G, Patrocinio A O T. J. Photochem. Photobiol. C Photochem. Rev., 2017, 32: 1.

[2]

Wang H J, Tian Y M, König B. Nat. Rev. Chem., 2022, 6(10): 745.

[3]

Mancuso J L, Fabrizio K, Brozek C K, Hendon C H. Chem. Sci., 2021, 12(35): 11779.

[4]

Zhu H, Wang Y J, Jiang Z Q, Deng B L, Xin Y, Jiang Z J. Adv. Energy Mater., 2024, 14(14): 2303987.

[5]

Kim D, Lee K, Park Y H, Lee J, Lee J, Shin C, Jeong H, Cho C H, Murali G, Lee S J, In I, In S I. Chem. Eng. J., 2026, 527: 171564.

[6]

Liccardo L, Bordin M, Sheverdyaeva P M, Belli M, Moras P, Vomiero A, Moretti E. Adv. Funct. Mater., 2023, 33(22): 2212486.

[7]

Wang J, Yang C Q, Ye D Q, Hu Y. Appl. Catal. B Environ. Energy, 2025, 361: 124635.

[8]

Zhang X R, Ye H L, Liang Y J, Han C, Sun Y J. ChemCatChem, 2024, 16(13): e202301553.

[9]

Li J Y, Li Y H, Qi M Y, Lin Q, Tang Z R, Xu Y J. ACS Catal., 2020, 10(11): 6262.

[10]

Parrino F, Bellardita M, García-López E I, Marcì G, Loddo V, Palmisano L. ACS Catal., 2018, 8(12): 11191.

[11]

Fujishima A, Honda K. Nature, 1972, 238(5358): 37.

[12]

Li J B, Zhang D, Hu Z N, Yuan Z H. Nat. Catal., 2025, 8(12): 1268.

[13]

Wang S J, Li M, Patil A J, Sun S Y, Tian L F, Zhang D X, Cao M W, Mann S. J. Mater. Chem. A, 2017, 5(47): 24612.

[14]

Xiu Y, Zhang X, Feng Y F, Wei R P, Wang S D, Xia Y Q, Cao M W, Wang S J. Nanoscale, 2020, 12(28): 15201.

[15]

Xiu Y, Zhang D X, Xu L Y, Li J, Chen Y T, Xia Y Q, Cao M W, Wang S J. J. Colloid Interface Sci., 2021, 587: 550.

[16]

Guo Q, Zhou C Y, Ma Z B, Yang X M. Adv. Mater., 2019, 31(50): 1901997.

[17]

Parvatkar P T, Kandambeth S, Shaikh A C, Nadinov I, Yin J, Kale V S, Healing G, Emwas A H, Shekhah O, Alshareef H N, Mohammed O F, Eddaoudi M. J. Am. Chem. Soc., 2023, 145(9): 5074.

[18]

Fujishima A, Zhang X T, Tryk D A. Surf. Sci. Rep., 2008, 63(12): 515.

[19]

Qiu X Y, Zhang Y, Zhu Y F, Long C, Su L N, Liu S Q, Tang Z Y. Adv. Mater., 2021, 33(6): 2001731.

[20]

Wang B N, Li N, Yang L, Dall’Agnese C, Jena A K, Sasaki S I, Miyasaka T, Tamiaki H, Wang X F. J. Am. Chem. Soc., 2021, 143(5): 2207.

[21]

Kunzmann A, Valero S, Sepúlveda Á E, Rico-Santacruz M, Lalinde E, Berenguer J R, García-Martínez J, Guldi D M, Serrano E, Costa R D. Adv. Energy Mater., 2018, 8(12): 1702583.

[22]

Diaz-Angulo J, Lara-Ramos J, Mueses M, Hernández-Ramírez A, Li Puma G, Machuca-Martínez F. Chem. Eng. J., 2020, 381: 122520.

[23]

Jaafar S N H, Minggu L J, Arifin K, Kassim M B, Wan W R D. Renew. Sustain. Energy Rev., 2017, 78: 698.

[24]

Gonuguntla S, Kamesh R, Pal U, Chatterjee D. J. Photochem. Photobiol. C Photochem. Rev., 2023, 57: 100621.

[25]

Ho D Q, Kim S. Phys. Status Solidi RRL, 2018, 12(12): 1800234.

[26]

Ma K W, Zhang M Y, Sun W J, Dong C Z, Dong Y J, Hao W C, Ding Y. Appl. Catal. B Environ., 2022, 315: 121570.

[27]

Wu D P, Guo J, Wang H J, Zhang X L, Yang Y G, Yang C, Gao Z Y, Wang Z C, Jiang K. J. Colloid Interface Sci., 2021, 585: 95.

[28]

Liu F Y, Cao H, Xu L Y, Fu H, Sun S Y, Xiao Z J, Sun C H, Long X, Xia Y Q, Wang S J. J. Colloid Interface Sci., 2023, 629: 336.

[29]

Cao H, Liu F Y, Tai Y T, Wang W, Li X Y, Li P Y, Zhao H Z, Xia Y Q, Wang S J. Chem. Eng. J., 2023, 466: 143219.

[30]

Chen Z Y, Tong H, Zhao Y, Cui J, Zhou L, Zou J L, Zhou F Q, Chen P R, Ye D Q, Chen L M. ACS Catal., 2025, 15(14): 12168.

[31]

Chen X B, Lee Y, Hong S, Schroeder E K, Gericke S M, Barber G D, Chen Z, Hesse S A, Tassone C J, Rioux R M, Christopher P, Bare S R, Li M, Zakharov D N, Alexandrova A N, Head A R, Zhou G W, Yang J C. J. Am. Chem. Soc., 2025, 147(47): 43273.

[32]

Zhang J J, Toe C Y, Kumar P, Scott J, Amal R. Appl. Catal. B Environ. Energy, 2023, 333: 122765.

[33]

Zu D, Ying Y R, Xu Z H, Chen G, Bai L Q, Ahmed S, Lin Z Z, Zhu Y, Saleque A M, She S X, Li M M, Al Subri Ivan M N, Wu H, Tsang Y H, Huang H T. Appl. Catal. B Environ., 2023, 328: 122494.

[34]

Bak T, Sherif S A, Black D S, Nowotny J. Chem. Rev., 2024, 124(21): 11848.

[35]

Su B, Kong Y H, Wang S B, Zuo S W, Lin W, Fang Y X, Hou Y D, Zhang G G, Zhang H B, Wang X C. J. Am. Chem. Soc., 2023, 145(50): 27415.

[36]

Zhang Q Z, Zhang H, Gu B, Tang Q H, Cao Q E, Fang W H. Appl. Catal. B Environ., 2023, 320: 122006.

[37]

Tang C Y, Cao H, Gao J, Wang S, Liu R, Chen B, Si Q F, Xia Y Q, Wang S J. J. Colloid Interface Sci., 2025, 692: 137561.

[38]

Li X P, Zhang W, Yang F, Yao S, Li L N, An X G, Xi B J, Xiong S L, An C H. Adv. Energy Mater., 2024, 14(37): 2401877.

[39]

Ding Y, Yang I S, Li Z Q, Xia X, Lee W I, Dai S Y, Bahnemann D W, Pan J H. Prog. Mater. Sci., 2020, 109: 100620.

[40]

Suwannaruang T, Kidkhunthod P, Chanlek N, Soontaranon S, Wantala K. Appl. Surf. Sci., 2019, 478: 1.

[41]

Li J G, Ishigaki T, Sun X D. J. Phys. Chem. C, 2007, 111(13): 4969.

[42]

Ruan X W, Cui X Q, Cui Y, Fan X F, Li Z Y, Xie T F, Ba K K, Jia G R, Zhang H Y, Zhang L, Zhang W, Zhao X, Leng J, Jin S Y, Singh D J, Zheng W T. Adv. Energy Mater., 2022, 12(16): 2200298.

[43]

Li B, Lv M, Zhang Y J, Gong X Q, Lou Z Z, Wang Z Y, Liu Y Y, Wang P, Cheng H F, Dai Y, Huang B B, Zheng Z K. ACS Nano, 2024, 18(37): 25522.

[44]

Hosseini S F, Seyed Dorraji M S, Rasoulifard M H. Compos. Part B Eng., 2023, 262: 110820.

[45]

Fu J W, Xu Q L, Low J, Jiang C J, Yu J G. Appl. Catal. B Environ., 2019, 243: 556.

[46]

Zhang J, Wang X L, Wang X, Li C. Acc. Chem. Res., 2025, 58(6): 787.

[47]

Guo Q, Ma Z B, Zhou C Y, Ren Z F, Yang X M. Chem. Rev., 2019, 119(20): 11020.

[48]

Ohno T, Lee S Y, Yang Y. Rare Met., 2015, 34(5): 291.

[49]

Li R, Yue J L, Tang B J, Xia L Y, Wu J H, Huang K F, Huang G S, Wang J F, Pan F S. Adv. Funct. Mater., 2026, 36(15): e20219.

[50]

Yuan W T, Chen B W, Han Z K, You R Y, Jiang Y, Qi R, Li G X, Wu H L, Ganduglia-Pirovano M V, Wang Y. Nat. Commun., 2024, 15: 1616.

[51]

Sun J, Zhang M, Wang Z F, Chen H Y, Chen Y, Murakami N, Ohno T. Rare Met., 2019, 38(4): 287.

[52]

Lee K R, Masudi A, Park K, Ahn S, Jung K D. Appl. Catal. B Environ. Energy, 2025, 376: 125444.

[53]

Park H, Kim H I, Moon G H, Choi W. Energy Environ. Sci., 2016, 9(2): 411.

[54]

Zhang Q, Li Y F, Geng M N, Zhu J T, Sun H F, Jiang B. Appl. Catal. B Environ., 2023, 330: 122658.

[55]

Li G H, Sun Y Y, Zhang Q M, Gao Z, Sun W, Zhou X X. Chem. Eng. J., 2021, 410: 128397.

[56]

Qin S Y, Wu H Y, Peng J H, Zhu Y M, Dong H F, Zhang W. Appl. Catal. B Environ. Energy, 2026, 384: 126236.

[57]

Tsukamoto D, Ikeda M, Shiraishi Y, Hara T, Ichikuni N, Tanaka S, Hirai T. Chem., 2011, 17(35): 9816.

[58]

Zhu Y K, Ren J, Huang G Q, Dong C L, Huang Y C, Lu P, Tang H, Liu Y M, Shen S H, Yang D J. Adv. Funct. Mater., 2024, 34(9): 2311623.

[59]

Zhang J, Wang X, Shen K, Lu W, Wang J, Chen F. Advanced Fiber Materials, 2022, 5: 168

[60]

Yang W P, Xiao L, Wu H R, Li X, Ren Q, Li J Y, Zhou Y, Dong F. Angew. Chem. Int. Ed., 2024, 63(39): e202408379.

[61]

Zhang B, Li J, Zhang B Q, Chong R F, Li R G, Yuan B, Lu S M, Li C. J. Catal., 2015, 332: 95.

[62]

Shan Y D, Wu S H, Wang Y L, Wang C, Zhi S Q, Liu Y, Han X. Inorg. Chem., 2023, 62(12): 4872.

[63]

Li X, Shi J L, Hao H M, Lang X J. Appl. Catal. B Environ., 2018, 232: 260.

[64]

Bao X L, Li H L, Wang Z Y, Tong F X, Liu M, Zheng Z K, Wang P, Cheng H F, Liu Y Y, Dai Y, Fan Y C, Li Z Y, Huang B B. Appl. Catal. B Environ., 2021, 286: 119885.

[65]

Toyao T, Ueno N, Miyahara K, Matsui Y, Kim T H, Horiuchi Y, Ikeda H, Matsuoka M. Chem. Commun., 2015, 51(89): 16103.

[66]

Xu S, Zhou P, Zhang Z H, Yang C J, Zhang B G, Deng K J, Bottle S, Zhu H Y. J. Am. Chem. Soc., 2017, 139(41): 14775.

[67]

Cui E T, Li Q P, Wang X, Xu N, Zhang F, Hou G H, Xie M H, Wang Z C, Yang X L, Zhang Y J. Appl. Catal. B Environ., 2023, 329: 122560.

[68]

Aubrecht J, Amin B, Kikhtyanin O, Kyselová V, Polívková L, Vagenknechtová A, Michalcová A, Bulánek R, Ruppert A M, Kubička D. Chem. Eng. J., 2024, 498: 155867.

[69]

Liao L R, Zheng D C, Ou P X, Zhao Q X, Xuan W M, Zheng Q. Rare Met., 2024, 43(4): 1736.

[70]

Xu Y J, Wang F, Lei S L, Wei Y, Zhao D, Gao Y H, Ma X, Li S J, Chang S Q, Wang M Q, Jing H W. Chem. Eng. J., 2023, 452: 139392.

[71]

Kim Y, Teh S J, Choong C E, Choi E H, Yoon Y, Jang M. Appl. Catal. B Environ. Energy, 2026, 380: 125743.

[72]

Le Tri Nguyen D, Tekalgne M A, Nguyen T H C, Dinh M T N, Sana S S, Grace A N, Shokouhimehr M, Vo D N, Cheng C K, Nguyen C C, Kim S Y, Van Le Q. J. Environ. Chem. Eng., 2021, 9(1): 104997.

[73]

Corma A, Serna P. Science, 2006, 313(5785): 332.

[74]

Byrne C, Moran L, Hermosilla D, Merayo N, Blanco Á, Rhatigan S, Hinder S, Ganguly P, Nolan M, Pillai S C. Appl. Catal. B Environ., 2019, 246: 266.

[75]

Shiraishi Y, Hirakawa H, Togawa Y, Hirai T. ACS Catal., 2014, 4(6): 1642.

[76]

Zhang L Q, He X, Xu X W, Liu C, Duan Y L, Hou L Q, Zhou Q D, Ma C, Yang X P, Liu R, Yang F, Cui L S, Xu C M, Li Y F. Appl. Catal. B Environ., 2017, 203: 1.

[77]

Ahn W Y, Sheeley S A, Rajh T, Cropek D M. Appl. Catal. B Environ., 2007, 74(1/2): 103.

[78]

Zhang S H, Shi J F, Sun Y Y, Wu Y Z, Zhang Y S, Cai Z Y, Chen Y X, You C, Han P P, Jiang Z Y. ACS Catal., 2019, 9(5): 3913.

[79]

Han M N, Wang X M, Pei C H, Zhang C, Xu Z D, Zhang H L, Li W. Microb. Biotechnol., 2021, 14(2): 444.

[80]

Xu J C, Zhai G Y, Wang G, Yang S Y, Liu Z Z, Li Z L, Li J W, Yang C, Liu C Y, Pan Y, Lv H F, Wu X J, Tang Z Y, Gao C, Xiong Y J. Angew. Chem. Int. Ed., 2025, 64(45): e202515803.

[81]

Juntrapirom S, Tantraviwat D, Thongsook O, Anuchai S, Pornsuwan S, Channei D, Inceesungvorn B. Appl. Surf. Sci., 2021, 545: 149015.

[82]

Chandra M, Guharoy U, Pradhan D. ACS Appl. Mater. Interfaces, 2022, 14(19): 22122.

[83]

Xiao Y H, Huang Y M, Xue S, Zhao J. Appl. Catal. B Environ., 2020, 265: 118596.

[84]

Xu Q C, Ren P N, Peng Y, Luo N C, Gao Z Y, Meng C X, Zhang J, Wang F. Angew. Chem. Int. Ed., 2023, 62(30): e202301668.

[85]

Tyagi A, Yamamoto A, Yoshida H. RSC Adv., 2018, 8(42): 24021.

[86]

Pei X Y, Sun K, Huang H M, Lu H J, Johannessen B, Wang D F, Liu L Q, Ye J H, Song H. J. Am. Chem. Soc., 2025, 147(49): 44962.

[87]

Shi K Y, Meng H, Liu J J, Ma S, Tang W. Angew. Chem. Int. Ed., 2025, 64(47): e202515707.

[88]

Wang Y, Jia G R, Yang P P, Zhang L S, Wong K Y. Adv. Mater., 2025, 37(48): 2502131.

[89]

Shuang Y Z, Zhang Y R, Wang H K, Li L Y, Hao X L, Ma Z L, Wang S Y, Wang J L, Wang F, Yang X B, Guo P F, Xu F, Wang H Y, Ye Q, Liu W, Jian J, Wang H Q. Adv. Mater., 2025, 37(24): 2500468.

[90]

You P W, Chen D Q, Liu X B, Zhang C, Selloni A, Meng S. Nat. Mater., 2024, 23(8): 1100.

[91]

Zhang H J, Gao Y J, Meng S G, Wang Z R, Wang P X, Wang Z L, Qiu C W, Chen S F, Weng B, Zheng Y M. Adv. Sci., 2024, 11(17): 2400099.

[92]

Im H, Nguyen H P, Kim Y, Kim J, Lim C, Yun Y J, Ha K S, Han J W. Appl. Catal. B Environ. Energy, 2026, 383: 126051.

[93]

Ren X L, Xia M Y, Chong B, Yan X Q, Wells N, Yang G D. Appl. Catal. B Environ., 2021, 297: 120468.

[94]

Mou T Y, Pillai H S, Wang S W, Wan M Y, Han X, Schweitzer N M, Che F L, Xin H L. Nat. Catal., 2023, 6(2): 122.

[95]

Oh S V, Yoo S H, Jang W. npj Comput. Mater., 2024, 10: 166.

[96]

Masood H, Toe C Y, Teoh W Y, Sethu V, Amal R. ACS Catal., 2019, 9(12): 11774.

基金资助

山东省自然科学基金项目(ZR2025MS146)

PDF (4539KB)

0

访问

0

被引

详细

导航
相关文章

/

〈 〉