Die solare photoelektrochemische (PEC) Wasserspaltung ist eine Methode zur effizienten Umwandlung von Sonnenenergie in Wasserstoffenergie und ein vielversprechender Weg zur Erzeugung erneuerbarer Energie. Allerdings ist die Effizienz der PEC-Reaktion aufgrund der Elektrodeneigenschaften und Elektrodendefekte gering und erfordert die Unterstützung geeigneter Cokatalysatoren. Allerdings ist das PEC-System, bestehend aus Elektrolysezelle, Photoelektrode und Co-Katalysator, sehr komplex, weist zahlreiche Parameter auf und verursacht hohe Kosten für die Systemoptimierung. Zu diesem Zweck nutzte die Forschungsgruppe von Zhu Hongwei an der Tsinghua-Universität maschinelles Lernen zur Analyse von BiVO₄  Das Photoanodensystem wurde optimiert. Maschinelles Lernen kann anhand früherer experimenteller Daten die Beziehung zwischen Photoanode, Co-Katalysator und Elektrolysezelle ermitteln. Gleichzeitig kann erklärbares maschinelles Lernen die Parameter identifizieren, die für die Reaktionsleistung am wichtigsten sind, und Hinweise zur Systemoptimierung geben.

Autor | Xuecai

Herausgeber | Sanyang

Die solare photoelektrochemische (PEC) Wasserspaltung ist eine Methode zur effizienten Umwandlung von Sonnenenergie in Wasserstoff und Sauerstoff und ein vielversprechender Weg zur Erzeugung erneuerbarer Energie.

Für die PEC-Wasserspaltung sind eine Photoelektrode, die als Anode oder Kathode der Elektrolysezelle fungiert, und eine Gegenelektrode, die als Kathode oder Anode der Elektrolysezelle fungiert, erforderlich. Die Photoelektrode absorbiert Sonnenenergie, treibt die Oxidations- oder Reduktionsreaktion des Wassers an und führt gleichzeitig die entsprechende Reduktions- oder Oxidationsreaktion an der Gegenelektrode durch. Um die Trennung der photogenerierten Träger zu fördern, ist außerdem eine Stromquelle oder Photovoltaikzelle erforderlich, um eine Vorspannung für PEC bereitzustellen.

Die Effizienz der PEC-Wasserspaltung wird durch Defekte in der Photoelektrode begrenzt, wie Trägerrekombination und Instabilität bei geringer Vorspannung.Ein geeigneter Cokatalysator kann die Trennung der Phototräger fördern., wodurch eine Heteroverbindung mit der Fotoelektrode gebildet wird und die Lichtabsorption gefördert wird, die Oberflächenenergie verringert wird, um die Reaktion zu beschleunigen, die chemische Korrosion der Elektrode verhindert wird, die Elektronenübertragung beschleunigt wird usw., wodurch die Reaktionseffizienz verbessert wird.

Forscher haben eine Vielzahl von Cokatalysatoren entdeckt, die PEC-Reaktionen fördern können, darunter Metalle, Metalloxide, metallfreie Cokatalysatoren, Dualkatalysatoren usw. Die Effizienz dieser Cokatalysatoren wird durch ihre physikochemischen Eigenschaften wie chemische Zusammensetzung, Morphologie und Kristallform beeinflusst. Darüber hinaus wirken sich auch die Reaktionsbedingungen der Elektrolysezelle, wie Elektrodentyp, Elektrolytkonzentration, pH-Wert usw., auf die katalytische Effizienz aus.

Das Reaktionssystem ist sehr komplex. Die Optimierung der Parameter einer bestimmten Photoelektrode und die Auswahl des geeigneten Cokatalysators erfordern zahlreiche Versuche und Irrtümer.. Insbesondere ist die Auswahl der optimalen Dicke des Cokatalysators schwierig, da diese sowohl von der Elektrode als auch vom Cokatalysator beeinflusst wird. Bei ausreichend Daten kann maschinelles Lernen dies jedoch schnell erledigen.

Auf dieser GrundlageDie Forschungsgruppe von Zhu Hongwei an der Tsinghua-Universität nutzte maschinelles Lernen (ML), um BiVO zu optimieren₄  Co-Katalysatoren für Photoanoden. Zunächst werden die grundlegenden Einflussfaktoren und Mechanismen des Photoanoden-Katalysesystems diskutiert. Anschließend wurde eine Datenbank basierend auf experimentellen Daten aus früheren Studien erstellt und ein maschinelles Lernmodell trainiert.BiVO finden₄  Zusammenhang zwischen Photoanode, Cokatalysator und Elektrolysezelle. Schließlich, basierend auf der Interpretierbarkeit von Modellen des maschinellen Lernens,Finden Sie die Merkmale, die am stärksten mit der Reaktionseffizienz verbunden sind, um BiVO zu leiten₄  Auswahl des Photoanoden-Cokatalysators. Dieses Ergebnis wurde im „Journal of Materials Chemistry A“ veröffentlicht.

Dieses Ergebnis wurde im Journal of Materials Chemistry A veröffentlicht.

Link zum Artikel:

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

Experimentelle Verfahren

Datensatz Literaturrecherche

Die Eingabe des maschinellen Lernmodells sind 12 reaktionsbeeinflussende Faktoren und die Elektrodenfläche, und die Ausgabe ist die Erhöhung der Fotostromdichte bei 1,23 V (gegenüber RHE).

Aus 84 Arbeiten wurden 112 BiVO-Gruppen ermittelt₄  Experimentelle Daten der katalytischen Wasserspaltung mittels Photoanode, Zusammensetzungsdatensatz. Es ist erwähnenswert, dass BiVO₄  Die Morphologien von Photoanoden werden vereinfacht in vier Kategorien eingeteilt, darunter Einkristall, Nanowurm, zufällige Stapelung und dichter Film. Die Morphologie des Cokatalysators wird vereinfacht in drei Kategorien eingeteilt, darunter homogene Membran, Monoschichtmembran und Trennmembran.

Die Ausgabe des Modells, d. h. die Erhöhung der Photostromdichte durch den Cokatalysator, wird in drei Stufen eingeteilt: niedrig (0), mittel (1) und hoch (2).

Datenverarbeitung Screening und Dimensionsreduktion

Nach Abschluss der Datenerfassung werden die Daten vorverarbeitet, was die folgenden 7 Schritte umfasst:

1.Datenbereinigung. Unter Datenbereinigung versteht man den Prozess des Korrigierens, Reparierens und Löschens von Daten. 25 Datensätze wurden aufgrund mangelnder Repräsentativität ausgeschlossen;

2.Dateninterpolation. Viele Studien liefern nur sehr begrenzte Daten und es fehlt an Kontinuität zwischen den Daten verschiedener Studien. Daher ergänzten die Forscher die fehlende Dicke des Cokatalysators durch multiple Differenzen in Kettengleichungen (MICE) basierend auf den Reaktionsbedingungen, der Morphologie und Größe der Photoanode;

3.Datenpartition. Der Datensatz von 70% ist in einen Trainingssatz für Modelle des maschinellen Lernens und 30% zum Testen unterteilt. Aufgrund der begrenzten Datenmenge verwendeten die Forscher eine K-fache Kreuzvalidierung, um die Genauigkeit des Modells zu überprüfen.

4.Datenkonvertierung. Dieser Prozess konvertiert den Datensatz in eine Sammlung, die vom Modell gelesen werden kann. Nach der Konvertierung kategorischer Daten in numerische Daten mithilfe von One-Hot-Encoding hat die Eingabevariable 109 Dimensionen;

5.Datennormalisierung. Wenn der Bereich numerischer Daten inkonsistent ist, müssen die Daten durch Normalisierung in den gleichen Bereich konvertiert werden, damit verschiedene Eingabevariablen im Satz das gleiche Gewicht haben. In dieser Studie wurde StandardScaler zur Datennormalisierung verwendet.

6.Datenbilanz. In dieser Studie ist die Datenverteilung der verschiedenen Ausgabekategorien offensichtlich unausgewogen: 0 entspricht etwa 341 TP3T, 1 etwa 521 TP3T und 2 etwa 141 TP3T. Zur erneuten Verarbeitung von Proben werden häufig Oversampling- und Undersampling-Methoden verwendet. Ersteres dient dazu, Daten zu einem kleinen Stichprobensatz hinzuzufügen, und Letzteres dient dazu, Daten aus einem großen Stichprobensatz zu löschen. In dieser Studie wurde der SMOTE-Oversampling-Algorithmus zum Datenausgleich verwendet.

7.Dimensionsreduzierung. Bei der Reduzierung der Datendimensionalität geht es darum, die Dimension der Daten zu reduzieren und gleichzeitig so viele Dateninformationen wie möglich beizubehalten, um das Modell zu vereinfachen und eine Überanpassung zu vermeiden. Zu den gängigen Methoden zur Reduzierung der Datendimensionalität gehören die Merkmalsauswahl und die Merkmalsextraktion.

Modellbau Neuronales Netzwerk + Baummodell

Das in dieser Studie verwendete neuronale Netzwerk besteht aus zwei verborgenen SchichtenDie Anzahl der Neuronen in der ersten Schicht liegt zwischen 8 und 96 und in der zweiten Schicht zwischen 0 und 96. Die Hyperparameterkombinationen des Modells werden automatisch durch Zufallssuche und Bayes-Optimierung optimiert.

Darüber hinaus verglichen die Forscher auch die Leistung von vier Baummodellalgorithmen, darunter den parallelen Bagging-Algorithmus und den Random Forest (RF)-Algorithmus, den seriellen AdaBoost-Algorithmus und den Gradient Boosting-Algorithmus.

Zu den Bewertungskriterien des Modells gehören Genauigkeit, Präzision, Konfusionsmatrix, F1-Score, Recall-Kurve und AUC.

Erklärbarkeit SHAP

Interpretierbare Modelle helfen Menschen, den Entscheidungsprozess von Modellen des maschinellen Lernens zu verstehen. Es gibt zwei Haupttechniken zur Verbesserung der Modellinterpretierbarkeit:Intrinsische Interpretierbarkeit und Post-hoc-Interpretierbarkeit.

Ersteres kann durch selbsterklärende Modelle wie lineare Regression, logistische Regression und Entscheidungsbäume erreicht werden. Diese Methode ist sehr gut interpretierbar, weist jedoch eine geringe Genauigkeit auf. Letzteres erklärt bestehende Modelle durch Ersatzmodelle wie Ensemblemethoden, Support Vector Machines und neuronale Netzwerke.

Auch,Die SHAP-Methode (Shapley Additive Explanation) kann den Shapley-Wert in der Spieltheorie verwenden, um die Merkmalswichtigkeit im Modell zu berechnenund liefert Inspiration für die Entwicklung von Cokatalysatoren.

Experimentelle Ergebnisse

Leistungsvergleich Das Random-Forest-Modell ist am besten

Nachdem die Forscher die Hyperparameter des Modells durch Kreuzvalidierung optimiert hatten, verglichen sie die Leistung der Algorithmen des neuronalen Netzwerks und des Baummodells.Unter ihnen hat der Random-Forest-Algorithmus die beste Generalisierungsfähigkeit mit einer Testgenauigkeit von 70,37% und einem AUC von 0,784 .

Es ist bemerkenswert, dass das Random-Forest-Modell Leistungsträger mit niedriger und mittlerer Leistung genau identifizieren kann und sie nicht mit Leistungsträgern mit hoher Leistung verwechselt.Dies zeigt, dass das Random-Forest-Modell die Eigenschaften von Hochleistungs-Cokatalysatoren genau erfassen kann..

a: Genauigkeit, Kreuzvalidierungsgenauigkeit, Testgenauigkeit und AUC verschiedener Modelle;

b: Konfusionsmatrix des Random-Forest-Modells;

c: ROC-Kurve des Random-Forest-Modells;

d: Lernkurve des Random-Forest-Modells.

Anschließend gruppierten die Forscher niedrige und mittlere Leistung in eine Kategorie und hohe Leistung in eine andere und wandelten das Modell in eine binäre Ausgabe um.Die Genauigkeit des Random Forest beträgt 96.30% und AUC beträgt 0,79 .

Funktionsbedeutung Art des Cokatalysators

Durch die Durchführung einer Merkmalswichtigkeitsanalyse des angepassten Random-Forest-Modells kann die Interpretierbarkeit des Modells verbessert werden.Die Bedeutung der intrinsischen Eigenschaften des PEC-Elektrolyseurs kann durch die Gini-Bedeutung oder die mittlere Verringerung der Unreinheit bewertet werden..

Die mit dem Co-Katalysator verbundenen Parameter haben den größten Einfluss auf die Vorhersagen des Random-Forest-Modells.Insbesondere die Art des Promotors und die Art des Metalls des Promotors. Der zweitwichtigste Faktor ist die Herstellungsmethode des Cokatalysators, die sich auch auf die Morphologie und Größe des Cokatalysators auswirkt. Darüber hinaus wirkt sich auch die Größe der Photoanode erheblich auf die Ausgabe des Random-Forest-Modells aus. daher,Bei der Optimierung der PEC-PhotoanodeDer Cokatalysator sollte der Hauptindikator sein, während die Photoanodengröße optimiert werden sollte.

SHAP-Analyse Dicke des Promotors

Die Forscher verwendeten SHAP auch, um die Merkmalswichtigkeit des Random-Forest-Modells mit binärer Ausgabe zu berechnen.

In,Die Dicke des Promotors ist das wichtigste Eingabemerkmal. Mit abnehmender Dicke steigt der SHAP-Wert, was sich zunehmend auf die Modellleistung auswirkt. Wenn die Dicke des Cokatalysators zwischen 5 und 10 nm liegt, ist SHAP positiv, was darauf hinweist, dass eine Verringerung der Dicke wahrscheinlich die Modellleistung verbessert.

Wenn die Elektrolytkonzentration 0,5 M übersteigt, ist SHAP positiv.Dies deutet darauf hin, dass ein hochkonzentrierter Elektrolyt die Leistung der PEC-Fotoelektrode verbessert..

Die Ergebnisse zeigten auch, dass Kaliumboratpuffer der ideale Elektrolyt ist, kobalthaltige Katalysatoren sich positiv auf die Leistungsverbesserung auswirken und Metallhydroxide sich positiv auf die Leistungsverbesserung auswirken.

c: Einfluss der Promotordicke auf den SHAP-Wert;

d: Einfluss der Dicke der Photoanode auf den SHAP-Wert;

e: Einfluss der Elektrolytkonzentration auf den SHAP-Wert.

Zusammenfassend lässt sich sagen, dass BiVO₄  Kobaltbasierte Hydroxide mit einer Dicke zwischen 5 und 10 nm auf Einkristallen können eine gute PEC-Wasserspaltungsleistung in Kaliumboratelektrolyten mit Konzentrationen über 0,5 M aufweisen.

PEC-Wasserspaltung: eine vielversprechendere Lösung zur Wasserstoffproduktion

Mit dem Wachstum der Weltbevölkerung steigt auch der weltweite Energiebedarf weiter an.Die Suche nach erneuerbaren Energien ist zu einem dringenden Thema geworden. Solarenergie ist eine erneuerbare, kohlenstofffreie Energiequelle, die mehr als 991 TP3T der weltweiten erneuerbaren Energie abdeckt. Um fossile Brennstoffe jedoch vollständig zu ersetzen, sind große Energiespeicheranlagen erforderlich, um der schwankenden Verfügbarkeit von Solarenergie Rechnung zu tragen. Batterien könnten möglicherweise den kurzfristigen Energiespeicherbedarf decken.Für eine langfristige und saisonale Speicherung kommt jedoch nur Brennstoff infrage..

Pflanzen können durch Photosynthese Lichtenergie nutzen, um Elektronen aus Wasser zu extrahieren und diese Elektronen in hochenergetischen chemischen Bindungen zu speichern. Inspiriert durch diesen Prozess begannen Forscher, Sonnenenergie zur Wasserspaltung zu nutzen und die Sonnenenergie im Produkt Wasserstoff zu speichern.

Wasserstoff hat eine hohe Energiedichte (MJ/kg) und verursacht keine Kohlenstoffemissionen. Es kann direkt in der Wasserstoffwirtschaft eingesetzt oder durch die Fischer-Tropsch-Reaktion zu Kohlenstoffbrennstoffen synthetisiert werden, passend zu bestehenden Energieanlagen.

Das derzeit wirksamste Gerät zur Umwandlung von Solarenergie ist die Photovoltaikanlage (PV, Photovoltaik), die Sonnenenergie in elektrische Energie umwandelt und dann durch Elektrolyse von Wasser Wasserstoff erzeugt.Dieser Ansatz ist jedoch zu teuer, um mit fossilen Brennstoffen konkurrieren zu können..

PEC-Wasserspaltung bietet eine kostengünstige Möglichkeit zur Wasserstoffproduktion. Aufgrund der langsamen Trägertransportgeschwindigkeit, der hohen Rekombinationsrate, der leichten Korrosion der Elektroden und der hohen Anforderungen an die Wasserqualität bei dieser Reaktion ist die Wasserspaltungseffizienz von PEC jedoch gering und die Wartungskosten hoch.

Mithilfe von KI konnten Forscher die Kombination aus PEC-Photoanode und Co-Katalysator optimieren und so die Designeffizienz von PEC-Elektroden erheblich verbessern. Gleichzeitig kann erklärbare KI die für die Reaktion wichtigsten Elektrodenmerkmale identifizieren, eine Referenz für die Elektrodenoptimierung bereitstellen und neue Lösungen zur Lösung der globalen Energiekrise bieten.

Referenzlinks:

[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