إن تقسيم الماء باستخدام الطاقة الشمسية الضوئية الكهروكيميائية (PEC) هو طريقة لتحويل الطاقة الشمسية إلى طاقة هيدروجينية بكفاءة، كما أنه طريقة واعدة لإنتاج الطاقة المتجددة. ومع ذلك، بسبب التأثر بخصائص الأقطاب الكهربائية وعيوبها، تكون كفاءة تفاعل PEC منخفضة وتتطلب مساعدة المحفزات المساعدة المناسبة. ومع ذلك، فإن نظام PEC المكون من خلية كهروليتية، وكهروضوئية، ومحفز مساعد هو نظام معقد للغاية، مع العديد من المعلمات وتكاليف عالية لتحسين النظام. ولتحقيق هذه الغاية، استخدمت مجموعة أبحاث تشو هونغوي في جامعة تسينغهوا التعلم الآلي لتحليل BiVO₄  تم تحسين نظام الفوتوأنود. يمكن للتعلم الآلي العثور على العلاقة بين المصعد الضوئي والمساعد المساعد والخلية الكهروليتية بناءً على البيانات التجريبية السابقة. وفي الوقت نفسه، يمكن للتعلم الآلي القابل للتفسير تحديد المعلمات الأكثر أهمية لأداء التفاعل وتوفير التوجيه لتحسين النظام.

المؤلف | شيويه تساي

المحرر | سانيانغ

إن تقسيم الماء باستخدام الطاقة الشمسية الضوئية الكهربائية (PEC) هو طريقة لتحويل الطاقة الشمسية بكفاءة إلى هيدروجين وأكسجين وهي طريقة واعدة لإنتاج الطاقة المتجددة.

تتطلب عملية تقسيم الماء باستخدام تقنية PEC وجود قطب ضوئي يعمل كأنود أو كاثود للخلية الكهروليتية وقطب مضاد يعمل كأنود أو كاثود للخلية الكهروليتية. يمتص الكهروضوئي الطاقة الشمسية، ويحرك تفاعل الأكسدة أو الاختزال للماء، وينفذ في نفس الوقت تفاعل الاختزال أو الأكسدة المقابل على القطب المضاد. لتعزيز فصل الناقلات المولدة ضوئيًا، هناك حاجة أيضًا إلى مصدر طاقة أو خلية ضوئية لتوفير التحيز لـ PEC.

كفاءة تقسيم الماء في PEC محدودة بسبب العيوب الموجودة في الكهروضوئية، مثل إعادة تركيب الناقل وعدم الاستقرار عند التحيز المنخفض.يمكن أن يعمل المحفز المساعد المناسب على تعزيز فصل الناقلات الضوئية.، مما يشكل تقاطعًا غير متجانس مع القطب الضوئي ويعزز امتصاص الضوء، ويقلل من طاقة السطح لتسريع التفاعل، ويمنع التآكل الكيميائي للقطب، ويسرع انتقال الإلكترون، وما إلى ذلك، وبالتالي تحسين كفاءة التفاعل.

اكتشف الباحثون مجموعة متنوعة من المحفزات المساعدة التي يمكنها تعزيز تفاعلات PEC، بما في ذلك المعادن، وأكاسيد المعادن، والمحفزات المساعدة الخالية من المعادن، والمحفزات المزدوجة، وما إلى ذلك. تتأثر كفاءة هذه المحفزات المساعدة بخصائصها الفيزيائية والكيميائية، مثل التركيب الكيميائي، والشكل، وشكل البلورة. بالإضافة إلى ذلك، فإن ظروف تفاعل الخلية الكهربية، مثل نوع القطب، وتركيز الإلكتروليت، ودرجة الحموضة، وما إلى ذلك، سوف تؤثر أيضًا على الكفاءة الحفزية.

نظام التفاعل معقد للغاية. تتطلب كيفية تحسين معلمات قطب ضوئي معين واختيار المحفز المساعد المناسب الكثير من تجارب المحاولة والخطأ.. على وجه الخصوص، من الصعب تحديد السُمك الأمثل للمحفز المساعد لأنه يتأثر بكل من القطب والمحفز المساعد. ومع ذلك، إذا توفرت بيانات كافية، فإن التعلم الآلي قادر على القيام بذلك بسرعة.

وبناء على هذا،استخدمت مجموعة أبحاث Zhu Hongwei في جامعة Tsinghua التعلم الآلي (ML) لتحسين BiVO₄  المحفزات المساعدة للأقطاب الضوئية. أولاً، تمت مناقشة العوامل الأساسية المؤثرة وآليات نظام تحفيز الفوتوأنود. وبعد ذلك، تم إنشاء قاعدة بيانات بناءً على البيانات التجريبية من الدراسات السابقة وتم تدريب نموذج التعلم الآلي.البحث عن BiVO₄  العلاقة بين المصعد الضوئي والمحفز المساعد والخلية الكهربية. وأخيرًا، بناءً على إمكانية تفسير نماذج التعلم الآلي،ابحث عن الميزات الأكثر ارتباطًا بكفاءة التفاعل، لتوجيه BiVO₄  اختيار المحفز المشارك للفوتونود. وقد نشرت هذه النتيجة في "مجلة كيمياء المواد أ".

وقد نشرت هذه النتيجة في مجلة كيمياء المواد أ.

رابط الورقة:

https://pubs.rsc.org/en/content/articlelanding/2023/TA/D3TA04148D

الإجراءات التجريبية

مجموعة البيانات البحث الأدبي

مدخلات نموذج التعلم الآلي هي 12 عاملًا مؤثرًا على التفاعل ومساحة القطب، والمخرج هو الزيادة في كثافة التيار الضوئي عند 1.23 فولت (مقابل RHE).

من 84 ورقة بحثية، تم العثور على 112 مجموعة BiVO₄  البيانات التجريبية لتقسيم الماء التحفيزي باستخدام الأنود الضوئي، مجموعة بيانات التركيب. ومن الجدير بالذكر أن BiVO₄  يتم تبسيط أشكال الأنودات الضوئية إلى أربع فئات، بما في ذلك البلورة المفردة، ودودة النانو، والتكديس العشوائي، والفيلم الكثيف. يتم تبسيط مورفولوجيا المحفز المساعد إلى ثلاث فئات، بما في ذلك الغشاء المتجانس، والغشاء أحادي الطبقة، وغشاء الفصل.

يتم تصنيف مخرجات النموذج، أي تعزيز كثافة التيار الضوئي بواسطة المحفز المساعد، إلى ثلاثة مستويات: منخفض (0)، متوسط (1)، وعالي (2).

معالجة البيانات الفرز وتخفيض الأبعاد

بعد اكتمال جمع البيانات، تتم معالجة البيانات مسبقًا، بما في ذلك الخطوات السبع التالية:

1.تنظيف البيانات. تنظيف البيانات هي عملية تصحيح وإصلاح ومسح البيانات. تم استبعاد خمسة وعشرين مجموعة من البيانات بسبب عدم تمثيلها؛

2.استيفاء البيانات. تقدم العديد من الدراسات بيانات محدودة للغاية وتفتقر إلى الاستمرارية بين البيانات من دراسات مختلفة. لذلك، قام الباحثون بتكملة سمك المحفز المساعد المفقود من خلال معادلات الفرق المتعددة في السلسلة (MICE) استنادًا إلى ظروف التفاعل وشكل وحجم الفوتوأنود؛

3.قسم البيانات. تنقسم مجموعة البيانات 70% إلى مجموعة تدريب لنماذج التعلم الآلي و30% للاختبار. ونظرًا لكمية البيانات المحدودة، استخدم الباحثون التحقق المتبادل K-Fold للتحقق من دقة النموذج؛

4.تحويل البيانات. تقوم هذه العملية بتحويل مجموعة البيانات إلى مجموعة يمكن للنموذج قراءتها. بعد تحويل البيانات التصنيفية إلى بيانات رقمية باستخدام التشفير الساخن الواحد، يحتوي متغير الإدخال على 109 أبعاد؛

5.تطبيع البيانات. عندما يكون نطاق البيانات الرقمية غير متسق، فمن الضروري تحويل البيانات إلى نفس النطاق من خلال التطبيع بحيث يكون للمتغيرات المدخلة المختلفة نفس الوزن في المجموعة. استخدمت هذه الدراسة StandardScaler لتطبيع البيانات؛

6.رصيد البيانات. في هذه الدراسة، من الواضح أن توزيع البيانات لفئات الإنتاج المختلفة غير متوازن، حيث يمثل 0 حوالي 34%، ويمثل 1 حوالي 52%، ويمثل 2 حوالي 14%. تُستخدم عادةً طرق أخذ العينات الزائدة أو الناقصة لإعادة معالجة العينات. الطريقة الأولى هي إضافة البيانات إلى مجموعة عينات صغيرة، والطريقة الثانية هي حذف البيانات من مجموعة عينات كبيرة. استخدمت هذه الدراسة خوارزمية أخذ العينات الزائدة SMOTE لموازنة البيانات؛

7.تقليل الأبعاد. إن تقليل أبعاد البيانات هو تقليل أبعاد البيانات مع الاحتفاظ بمعلومات البيانات قدر الإمكان لتبسيط النموذج وتجنب الإفراط في التجهيز. تتضمن الطرق الشائعة لتقليل أبعاد البيانات تحديد الميزات واستخراج الميزات.

بناء النماذج الشبكة العصبية + نموذج الشجرة

تتكون الشبكة العصبية المستخدمة في هذه الدراسة من طبقتين مخفيتينعدد الخلايا العصبية في الطبقة الأولى يتراوح بين 8-96، وفي الطبقة الثانية يتراوح بين 0-96. يتم تحسين مجموعات المعلمات الفائقة للنموذج تلقائيًا من خلال البحث العشوائي والتحسين البايزي.

بالإضافة إلى ذلك، قام الباحثون أيضًا بمقارنة أداء أربع خوارزميات لنموذج الشجرة، بما في ذلك خوارزمية التعبئة المتوازية وخوارزمية الغابة العشوائية (RF)، وخوارزمية AdaBoost التسلسلية وخوارزمية التعزيز المتدرج.

معايير تقييم النموذج تشمل الدقة، والإتقان، ومصفوفة الارتباك، ونتيجة F1، ومنحنى الاسترجاع، والمساحة تحت المنحنى.

قابلية التفسير شاب

تساعد النماذج القابلة للتفسير الأشخاص على فهم عملية اتخاذ القرار في نماذج التعلم الآلي. هناك طريقتان رئيسيتان لتحسين قابلية تفسير النموذج:القدرة على التفسير الجوهري والقدرة على التفسير بعد الحدث.

ويمكن تحقيق ذلك من خلال نماذج واضحة بذاتها، مثل الانحدار الخطي، والانحدار اللوجستي، وأشجار القرار. تعتبر هذه الطريقة قابلة للتفسير بدرجة كبيرة ولكن دقتها منخفضة. ويوضح الأخير النماذج الموجودة من خلال نماذج بديلة، مثل أساليب المجموعة، وآلات الدعم المتجه، والشبكات العصبية.

أيضًا،يمكن لطريقة SHAP (شرح Shapley الإضافي) استخدام قيمة Shapley في نظرية الألعاب لحساب أهمية الميزة في النموذج، مما يوفر الإلهام لتصميم المحفزات المساعدة.

النتائج التجريبية

مقارنة الأداء نموذج الغابة العشوائية هو الأفضل

بعد تحسين معلمات النموذج من خلال التحقق المتبادل، قام الباحثون بمقارنة أداء خوارزميات الشبكة العصبية ونموذج الشجرة.ومن بينها، تتمتع خوارزمية الغابة العشوائية بأفضل قدرة على التعميم، مع دقة اختبار تبلغ 70.37% وAUC تبلغ 0.784 .

ومن الجدير بالذكر أن نموذج الغابة العشوائية يمكنه تحديد المروجين ذوي الأداء المنخفض والمتوسط بدقة ولن يخطئ في اعتبارهم ذوي الأداء العالي.يوضح هذا أن نموذج الغابة العشوائية يمكنه التقاط خصائص المحفزات المساعدة عالية الأداء بدقة.

أ: الدقة، ودقة التحقق المتبادل، ودقة الاختبار، وAUC للنماذج المختلفة؛

ب: مصفوفة الارتباك لنموذج الغابة العشوائية؛

ج: منحنى ROC لنموذج الغابة العشوائية؛

د: منحنى التعلم لنموذج الغابة العشوائية.

ثم قام الباحثون بتجميع الأداء المنخفض والمتوسط في فئة واحدة والأداء العالي في فئة أخرى، مما أدى إلى تحويل النموذج إلى ناتج ثنائي.دقة الغابة العشوائية هي 96.30% وAUC هي 0.79 .

أهمية الميزة نوع المحفز

إن إجراء تحليل أهمية الميزة على نموذج الغابة العشوائية الملائم يمكن أن يحسن من إمكانية تفسير النموذج.يمكن تقييم أهمية الخصائص الجوهرية لجهاز التحليل الكهربائي PEC من خلال أهمية جيني أو متوسط انخفاض الشوائب.

إن المعلمات المتعلقة بالمحفز المساعد لها التأثير الأكبر على تنبؤات نموذج الغابة العشوائية.على وجه الخصوص، نوع المروج ونوع المعدن الذي يتكون منه المروج. والأمر الثاني الأكثر أهمية هو طريقة تحضير المحفز المساعد، والتي سوف تؤثر أيضًا على شكل وحجم المحفز المساعد. بالإضافة إلى ذلك، يؤثر حجم الأنود الضوئي أيضًا بشكل كبير على مخرجات نموذج الغابة العشوائية. لذلك،عند تحسين الأنود الضوئي PEC،يجب أن يكون المحفز المساعد هو المؤشر الرئيسي، في حين يجب تحسين حجم الأنود الضوئي.

تحليل SHAP سمك المروج

كما استخدم الباحثون SHAP لحساب أهمية ميزة نموذج الغابة العشوائية الناتج الثنائي.

في،سمك المروج هو أهم ميزة إدخال. مع انخفاض السُمك، تزداد قيمة SHAP، مما يؤثر بشكل متزايد على أداء النموذج. عندما يكون سمك المحفز المساعد بين 5 و10 نانومتر، يكون SHAP موجبًا، مما يشير إلى أن تقليل السمك من المرجح أن يؤدي إلى تحسين أداء النموذج.

عندما يتجاوز تركيز الإلكتروليت 0.5 م، يكون SHAP موجبًا.يشير هذا إلى أن الإلكتروليت عالي التركيز مفيد لتحسين أداء الفوتون الكهربائي لـ PEC..

وأظهرت النتائج أيضًا أن محلول بورات البوتاسيوم هو الإلكتروليت الأكثر مثالية، وأن المحفزات المحتوية على الكوبالت مفيدة لتحسين الأداء، وأن هيدروكسيدات المعادن مفيدة لتحسين الأداء.

ج: تأثير سمك المروج على قيمة SHAP؛

د: تأثير سمك الأنود الضوئي على قيمة SHAP؛

هـ: تأثير تركيز الإلكتروليت على قيمة SHAP.

باختصار، BiVO₄  قد يكون لهيدروكسيدات الكوبالت ذات سمك يتراوح بين 5 و10 نانومتر على البلورات المفردة أداء جيد في تقسيم الماء PEC في إلكتروليتات بورات البوتاسيوم ذات تركيزات أعلى من 0.5 مول.

تقسيم مياه PEC: حل أكثر واعدًا لإنتاج الهيدروجين

مع نمو عدد سكان العالم، يستمر الطلب العالمي على الطاقة في الارتفاع.أصبح البحث عن الطاقة المتجددة قضية ملحة. الطاقة الشمسية هي مصدر طاقة متجددة وخالية من الكربون، وتمثل أكثر من 99% من الطاقة المتجددة العالمية. ومع ذلك، من أجل استبدال الوقود الأحفوري بالكامل، هناك حاجة إلى معدات تخزين الطاقة على نطاق واسع لمعالجة الطبيعة المتقطعة للطاقة الشمسية. قد تكون البطاريات قادرة على تلبية احتياجات تخزين الطاقة على المدى القصير.لكن الخيار الوحيد للتخزين طويل الأمد والموسمي هو الوقود..

يمكن للنباتات استخدام طاقة الضوء، من خلال عملية التمثيل الضوئي، لاستخراج الإلكترونات من الماء وتخزين تلك الإلكترونات في روابط كيميائية عالية الطاقة. وبإلهام من هذه العملية، بدأ الباحثون في استخدام الطاقة الشمسية لتقسيم المياه، وتخزين الطاقة الشمسية في منتج الهيدروجين.

يتمتع الهيدروجين بكثافة طاقة عالية (MJ/kg) ولا ينتج انبعاثات كربونية. يمكن استخدامه مباشرة في اقتصاد الهيدروجين أو تصنيعه في شكل وقود كربوني من خلال تفاعل فيشر-تروبش، بما يتوافق مع مرافق الطاقة الموجودة.

في الوقت الحالي، يعد الجهاز الأكثر فعالية لتحويل الطاقة الشمسية هو المعدات الكهروضوئية (PV، Photovoltaics)، والتي تقوم بتحويل الطاقة الشمسية إلى طاقة كهربائية ثم تنتج الهيدروجين من خلال التحليل الكهربائي للماء.لكن هذا النهج مكلف للغاية ولا يستطيع المنافسة مع الوقود الأحفوري..

يوفر تقسيم المياه باستخدام تقنية PEC خيارًا رخيصًا لإنتاج الهيدروجين. ومع ذلك، بسبب سرعة نقل الناقل البطيئة، ومعدل إعادة التركيب العالي، والتآكل السهل للأقطاب الكهربائية ومتطلبات جودة المياه العالية في هذا التفاعل، فإن كفاءة تقسيم الماء لـ PEC منخفضة وتكلفة الصيانة عالية.

وبمساعدة الذكاء الاصطناعي، تمكن الباحثون من تحسين تركيبة الأنود الضوئي لـ PEC والمحفز المساعد، مما أدى إلى تحسين كفاءة تصميم أقطاب PEC بشكل كبير. وفي الوقت نفسه، يمكن للذكاء الاصطناعي القابل للتفسير تحديد ميزات الأقطاب الكهربائية الأكثر أهمية للتفاعل، وتوفير مرجع لتحسين الأقطاب الكهربائية، وتقديم حلول جديدة لحل أزمة الطاقة العالمية.

روابط مرجعية:

[1]https://onlinelibrary.wiley.com/doi/10.1002/aenm.201700555

[2]https://onlinelibrary.wiley.com/doi/10.1002/aenm.201802877

[3]https://www.britannica.com/science/photosynthesis