قام الأكاديمي يي سي يو من جامعة قوانغتشو بتطوير نموذج خوارزمية التعلم الآلي الذي يمكن استخدامه للتنبؤ بمادة P-SOC من خلال فحص مواد البطاريات بالذكاء الاصطناعي
المؤلف: تيان شياوياو
المحرر: لي باوزو، سانيانغ
مصدر صورة الغلاف: شبكة الصور
قام باحثون من جامعة قوانغتشو بإنشاء نموذج التعلم الآلي يعتمد على خوارزمية تعزيز التدرج الشديد (XGBoost)، والذي يمكن استخدامه لفحص أقطاب الهواء P-SOC.
ما مدى شعبية الطاقة الجديدة الآن؟ وفقًا لبيانات جمعية مصنعي السيارات الصينية، من يناير إلى نوفمبر 2023، وصلت حصة السوق من المركبات التي تعمل بالطاقة الجديدة في بلدي إلى 30.8%، وهو ما يرجع إلى الازدهار المستمر لصناعة بطاريات الليثيوم. ومع ذلك، بالإضافة إلى تكنولوجيا بطاريات الليثيوم، فإن بطاريات الحالة الصلبة هي أيضًا الاتجاه الذي تسعى إليه رؤوس الأموال والشركات، بل ويُنظر إليها حتى على أنها "نقطة النهاية للسيارات الكهربائية". وفي السنوات الأخيرة، دخلت شركات السيارات والبطاريات من الصين والولايات المتحدة واليابان وألمانيا السوق واحدة تلو الأخرى. لقد شهدت صناعة البطاريات ذات الحالة الصلبة موجة أولية من تدفق رأس المال ودخلت مرحلة أكثر عملية من استكشاف التنفيذ.
لقد ساهم الاهتمام الكبير من جانب رأس المال والصناعة في تعزيز التقدم البحثي العلمي في المجالات ذات الصلة بشكل كبير، كما ساهم تطوير تكنولوجيا البطاريات التي تعمل بالطاقة النظيفة في دفع ابتكار المواد الرئيسية. من بينها، تتمتع بطاريات أكسيد الصلب الموصلة للبروتون (P-SOCs) بمزايا التشغيل في درجات حرارة منخفضة وطاقة تنشيط توصيل الأيونات المنخفضة. لقد أصبحوا معروفين للناس تدريجيًا ويتلقون المزيد والمزيد من الاهتمام.
ومع ذلك، فإن العقبة الرئيسية أمام تطوير P-SOC عالية الأداء هي عدم وجود أقطاب هوائية موصلة للبروتونات فعالة. حاليًا، تعد مواد أقطاب الهواء المستخدمة على نطاق واسع في P-SOCs عبارة عن أكاسيد البيروفسكايت القائمة على Co/Fe، ولكن لم تكن هناك دراسة منهجية حول دور العناصر المختلفة في موقع B في أكاسيد البيروفسكايت القائمة على Co/Fe.
لحل هذه المشكلة،قام باحثون من جامعة قوانغتشو بإنشاء نموذج تعلُّم آلي يعتمد على خوارزمية تعزيز التدرج الشديد (XGBoost)، والذي يمكن استخدامه لفحص أقطاب الهواء P-SOC.وقد توسع نطاق تطبيق التعلم الآلي في مواد خلايا الوقود الرئيسية. وفي الوقت الحاضر، تم نشر النتائج ذات الصلة فيالمواد الوظيفية المتقدمة".
احصل على الورقة:
https://onlinelibrary.wiley.com/doi/10.1002/adfm.202309855
أجب "خلية الوقود" للحصول على الورقة الكاملة بصيغة PDF
مجموعة البيانات: متغيرات نظام التحكم
من خلال مقارنة أداء التنبؤ للغابات العشوائية (RF) وXGBoost على مجموعة بيانات العينة، قامت هذه الدراسة أولاً بفحص 792 عينة تحتوي على 29 ميزة كقاعدة بيانات لدراسة أكاسيد البيروفسكايت القائمة على Co / Fe مع شوائب مختلفة في موقع B.
هندسة النموذج: اختر الأفضل من بين النموذجين
قارنت مهمة التنبؤ بالانحدار في هذه الدراسة نموذجين للتعلم الجماعي، وهما
* RF، والذي يمكنه بناء العديد منشجرة القرار، ودمج تنبؤات كل شجرة قرار
* XG-Boost، والذي يعتمد على خوارزمية شجرة القرار لتعزيز التدرج (كما هو موضح أدناه)
على الرغم من أن كل من نموذج XGBoost ونموذج RF يظهران أداء تنبؤ ممتازًا، فمن الممكن أن نرى من الشكل أدناه أنه عندما تكون القيمة الفعلية للمتغير المستهدف كبيرة، فإن نموذج RF يقلل من قيمته المتوقعة. في المقابل، يتم توزيع القيم المتوقعة لنموذج XGBoost بشكل أكثر توازناً على جانبي الخط 1:1. لذلك،وقد اختارت هذه الدراسة XGBoost كنموذج رئيسي لتحليل البحث.
كما هو موضح في الشكل أدناه، يستخدم نموذج التعلم الآلي المستند إلى XGBoost بنية العنصر كمدخل لفحص أقطاب الهواء P-SOCs.
وبعد ذلك، نجح فريق البحث في فحص مادة القطب الهوائي عالية الكفاءة LCN91 لـ P-SOCs استنادًا إلى نتائج التنبؤ بالتعلم الآلي وحسابات نظرية الكثافة الوظيفية (DFT)، حيث تكون طاقة التنشيط الخاصة بها مماثلة لتلك الخاصة بالأقطاب الهوائية المعروفة.
الاستنتاج التجريبي: LCN91 لديه نشاط تحفيزي أفضل
يتم تحديد موصلية البروتون من خلال مزيج من امتصاص البروتون (PAA)، وانتشار البروتون، ونقل البروتون في الأكسيد. تظهر التجارب أن فجوة PAA ترتبط بشكل إيجابي مع فجوة توصيل البروتون، وخاصة عندما تكون حركة البروتون (أي معامل الانتشار) للمركبين هي نفسها، ويمكن استخدام PAA مباشرة لقياس توصيل البروتون.
في التعلم الآلي، يتم استخدام درجات أهمية الميزة لتحديد الأهمية النسبية لكل ميزة عند بناء نموذج تنبؤي. من خلال الجمع بين الخبرة التجريبية والنظرية، يمكن أن يساعدنا تصنيف أهمية الميزة في التحقق من نموذج التعلم الآلي الذي تم إنشاؤه وتحسين إمكانية تفسير النموذج. يوضح الشكل أدناه تصنيف أهمية الميزة في تنبؤ PAA لنموذج XGBoost.
من أجل دراسة دور العناصر المؤثرة بشكل واضح في الموقع B، قامت هذه الدراسة بتثبيت La في الموقع A واستخدمت Mg، Al، Si، Ca، Sc، Ti، Mn، Fe، Co، Ni، Cu، Zn، Ga، Ge، Sr، Y، Zr، Nb، In، Sn، Sb، Bi، Nd، Sm، Gd، Dy، و Yb كعناصر مؤثرة (B1).
يشير انخفاض ΔE (حرارة الترطيب) مع وجود Ni إلى أن Ni مفيد لتفاعل الترطيب في LCN91 لأنه كلما كانت ΔE أصغر، كلما كان تفاعل الترطيب أسهل.
في ملخص،LCN91 أكثر ملاءمة لتفاعل الترطيب.يتوافق هذا مع النتائج التي تنبأ بها نموذج التعلم الآلي، حيث أن PAA لـ LCN91 أعلى من LCN82. وفي الوقت نفسه، يتمتع أكسيد LCN91 بنشاط تحفيزي أفضل.
أظهرت التقييمات التجريبية أن LCN91 يعتبر قطبًا هوائيًا جيدًا لـ P-SOC، ومع ذلك، فإن معامل التمدد الحراري (TEC) لأكاسيد عائلة LaCoO3 مرتفع جدًا مقارنة بمادة الإلكتروليت، مما قد يتسبب في سقوط القطب من الإلكتروليت أثناء التشغيل على المدى الطويل، وبالتالي تقصير عمر البطارية.
على الرغم من أن LCN91 لا يزال لديه مجالات تحتاج إلى التحسين والتعزيز، فقد أثبتت هذه الدراسة التوصيل الممتاز للبروتونات في LCN91 من خلال الجمع بين نماذج الآلات وحسابات DTF، كما قدمت إرشادات لتطوير أكاسيد أقطاب الهواء الجديدة في المستقبل مع التوصيل العالي للبروتونات ومعاملات التمدد الحراري المناسبة.
الأكاديمي يي سيو: خلايا وقود الهيدروجين هي مجرد نقطة البداية
وفي الوقت الحاضر، أصبح "ذروة الكربون والحياد الكربوني" إجماعا عالميا. باعتبارها مصدرًا للطاقة النظيفة والفعالة والمتجددة ذات الاحتياطيات الكبيرة، توفر طاقة الهيدروجين طريقة مهمة لإزالة الكربون من مختلف الصناعات. تتمتع خلية أكسيد الصلب الموصلة للبروتون (P-SOC) بمزايا انخفاض تكلفة المواد الخام والتأثير البيئي الصغير وكفاءة التحليل الكهربائي النظرية العالية. إنه محور البحث ونقطة الاتصال في مجال إنتاج الهيدروجين الأخضر عن طريق التحليل الكهربائي للماء.
باعتبارنا خبيرًا رائدًا معترفًا به دوليًا في مجال تحفيز خلايا الوقود الكهربائي وتصميم طبقة المحفز/MEA،لقد كان الأكاديمي يي سي يو ملتزمًا منذ فترة طويلة بمختلف جوانب البحث والتطوير في مجال خلايا وقود غشاء التبادل البروتوني.وهو حاليًا عضو في الأكاديمية الكندية للهندسة، وأستاذ في كلية الكيمياء والهندسة الكيميائية بجامعة قوانغتشو، ومدير وكبير العلماء في مركز هوانغبو لابتكار طاقة الهيدروجين، ونائب رئيس مجلس الإدارة والمدير التنفيذي للتكنولوجيا في شركة هونغجي تشوانغنينج للتكنولوجيا (قوانغتشو) المحدودة.
باعتبارها أول شركة "عملاقة صغيرة" وطنية متخصصة ومبتكرة في مجال البحث والتطوير وإنتاج أقطاب غشاء خلية الوقود التي استقرت في قوانغتشو، تلتزم شركة Hongji Chuangneng بالتوطين والتصنيع على نطاق واسع لأقطاب الغشاء عالية الأداء (MEA) لخلايا وقود غشاء تبادل البروتون، وتوفير مكونات أساسية لأقطاب الغشاء عالية الأداء ومنخفضة التكلفة لمصنعي خلايا الوقود المحليين والأجانب، وحل مشكلة اعتماد الصين على التكنولوجيا الأجنبية على المدى الطويل لمواد خلايا الوقود الأساسية.
ومن المفهوم أنقامت شركة Hongji Chuangneng بتطوير أول خط إنتاج تغليف MEA آلي بالكامل بشكل مستقل وأنتجت أقطاب غشاء خلية وقود السيارات بحقوق الملكية الفكرية المستقلة التي تتوافق مع المستوى الرائد الدولي.وكسر الاحتكار التكنولوجي للشركات الأجنبية في هذه الصناعة وملأ الفجوة في هذه الصناعة في الصين. في عام 2022، وصلت شحنات أقطاب الغشاء السنوية لشركة Hongji Chuangneng إلى 1.7 مليون قطعة.
تشير لجنة الطاقة الهيدروجينية الدولية إلى أنه من المتوقع أن ينمو الطلب على الهيدروجين الأخضر إلى 75 مليون طن بحلول عام 2030. ومن المتوقع أن ينمو الطلب العالمي على الهيدروجين المتجدد منخفض الكربون بمقدار 50% على مدى السنوات العشر المقبلة. وبفضل "الصداقة" بين شركات الطاقة التقليدية وخلايا وقود الهيدروجين، فإن تطوير خلايا وقود الهيدروجين لن يقتصر بعد الآن على مركبات خلايا الوقود النقية، بل سوف يرتبط في نهاية المطاف ارتباطًا وثيقًا بنظام الطاقة بأكمله.