KI-Screening Von Batteriematerialien: Akademiker Ye Siyu Von Der Universität Guangzhou Entwickelte Ein Modell Eines Maschinellen Lernalgorithmus, Der Zur Vorhersage Von P-SOC-Materialien Verwendet Werden Kann

Autor: Tian Xiaoyao

Herausgeber: Li Baozhu, Sanyang

Quelle des Titelbildes: Photo Network

Forscher der Universität Guangzhou haben ein maschinelles Lernmodell auf Basis des Extreme Gradient Boosting (XGBoost)-Algorithmus entwickelt, das für das Screening von P-SOC-Luftelektroden verwendet werden kann.

Wie beliebt ist neue Energie derzeit? Laut Angaben der chinesischen Vereinigung der Automobilhersteller hat der Marktanteil von Fahrzeugen mit neuer Energie in meinem Land von Januar bis November 2023 30,81 TP3T erreicht, was auf den anhaltenden Wohlstand der Lithiumbatterieindustrie zurückzuführen ist. Neben der Lithiumbatterietechnologie sind Festkörperbatterien jedoch auch die Richtung, die von Kapital und Unternehmen verfolgt wird, und werden sogar als „Endpunkt von Elektrofahrzeugen“ gefeiert. In den letzten Jahren sind nacheinander Automobil- und Batterieunternehmen aus China, den USA, Japan und Deutschland auf den Markt gekommen. Die Feststoffbatteriebranche hat einen anfänglichen Kapitalrausch erlebt und ist in eine pragmatischere Phase der Umsetzungserkundung eingetreten.

Die große Aufmerksamkeit von Kapital und Industrie hat den wissenschaftlichen Forschungsfortschritt in verwandten Bereichen enorm gefördert und die Entwicklung einer Batterietechnologie auf Basis sauberer Energie hat auch die Innovation bei Schlüsselmaterialien vorangetrieben. Unter diesen haben protonenleitende Festoxidbatterien (P-SOCs) die Vorteile eines Betriebs bei niedrigen Temperaturen und einer geringen Aktivierungsenergie für die Ionenleitung. Sie werden nach und nach den Menschen bekannt und erhalten immer mehr Aufmerksamkeit.

Ein großes Hindernis für die Entwicklung leistungsstarker P-SOCs ist jedoch der Mangel an effizienten Protonenleiter-Luftelektroden. Derzeit werden für P-SOCs häufig Co/Fe-basierte Perowskitoxide als Luftelektrodenmaterialien verwendet. Es gibt jedoch keine systematische Studie zur Rolle verschiedener Elemente auf der B-Stelle in Co/Fe-basierten Perowskitoxiden.

Um dieses Problem zu lösen,Forscher der Universität Guangzhou haben ein maschinelles Lernmodell auf Basis des Extreme Gradient Boosting (XGBoost)-Algorithmus entwickelt, das für das Screening von P-SOC-Luftelektroden verwendet werden kann.Und es hat die Anwendung des maschinellen Lernens auf wichtige Brennstoffzellenmaterialien erweitert. Die entsprechenden Ergebnisse sind derzeit veröffentlicht inFortschrittliche Funktionsmaterialien".

Holen Sie sich das Papier:
https://onlinelibrary.wiley.com/doi/10.1002/adfm.202309855

Antworten Sie mit „Brennstoffzelle“, um das vollständige Dokument als PDF zu erhalten

Datensatz: Steuerungssystemvariablen

Durch Vergleich der Vorhersageleistung von Random Forest (RF) und XGBoost anhand des Beispieldatensatzes wurden in dieser Studie zunächst 792 Proben mit 29 Merkmalen als Datenbank für die Untersuchung von Co/Fe-basierten Perowskitoxiden mit unterschiedlichen Dotierstoffen an der B-Stelle ausgewählt.

Modellarchitektur: Wählen Sie das Beste aus zwei Modellen

Die Regressionsvorhersageaufgabe in dieser Studie verglich zwei Ensemble-Lernmodelle, nämlich
* RF, das mehrere bauen kannEntscheidungsbaumund integrieren Sie die Vorhersagen jedes Entscheidungsbaums
* XG-Boost, das auf dem Gradient-Boosting-Entscheidungsbaum-Algorithmus basiert (wie unten gezeigt)

Obwohl sowohl das XGBoost-Modell als auch das RF-Modell eine hervorragende Vorhersageleistung aufweisen, ist aus der folgenden Abbildung ersichtlich, dass das RF-Modell seinen vorhergesagten Wert unterschätzt, wenn der tatsächliche Wert der Zielvariablen groß ist. Im Gegensatz dazu sind die vorhergesagten Werte des XGBoost-Modells auf beiden Seiten der 1:1-Linie gleichmäßiger verteilt. daher,Diese Studie wählte XGBoost als Hauptmodell für die Forschungsanalyse.

Wie in der folgenden Abbildung dargestellt, verwendet das auf XGBoost basierende maschinelle Lernmodell die Elementstruktur als Eingabe, um die Luftelektroden der P-SOCs zu prüfen.

Anschließend konnte das Forschungsteam auf Grundlage von Vorhersageergebnissen aus maschinellem Lernen und Dichtefunktionaltheorie-Berechnungen (DFT) erfolgreich ein hocheffizientes Luftelektrodenmaterial LCN91 für P-SOCs auswählen, dessen Aktivierungsenergie mit der bekannter Luftelektroden vergleichbar ist.

Experimentelles Fazit: LCN91 hat eine bessere katalytische Aktivität

Die Protonenleitfähigkeit wird durch eine Kombination aus Protonenabsorption (PAA), Protonendiffusion und Protonentransfer im Oxid bestimmt. Experimente zeigen, dass die Lücke von PAA positiv mit der Lücke der Protonenleitfähigkeit korreliert, insbesondere wenn die Protonenmobilität (d. h. der Diffusionskoeffizient) der beiden Verbindungen gleich ist. PAA kann dann direkt zur Messung der Protonenleitfähigkeit verwendet werden.

Beim maschinellen Lernen werden Merkmalswichtigkeitswerte verwendet, um beim Erstellen eines Vorhersagemodells die relative Wichtigkeit jedes Merkmals zu bestimmen. Durch die Kombination von experimenteller Erfahrung und Theorie kann uns die Einstufung der Merkmalswichtigkeit dabei helfen, das erstellte maschinelle Lernmodell zu überprüfen und die Interpretierbarkeit des Modells zu verbessern. Die folgende Abbildung zeigt die Rangfolge der Merkmalswichtigkeit bei der PAA-Vorhersage des XGBoost-Modells.

Um die Rolle der Dotierungselemente am B-Platz klar zu untersuchen, wurde in dieser Studie La am A-Platz fixiert und 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 und Yb als Dotierungselemente verwendet (B1).

Die Abnahme von ΔE (Hydratationsenthalpie) in Gegenwart von Ni weist darauf hin, dass Ni für die Hydratisierungsreaktion in LCN91 von Vorteil ist, da die Hydratisierungsreaktion umso leichter abläuft, je kleiner ΔE ist.

Zusammenfassend:LCN91 fördert die Hydratationsreaktion besser.Dies steht im Einklang mit den vom maschinellen Lernmodell vorhergesagten Ergebnissen, bei denen der PAA von LCN91 höher ist als der von LCN82. Gleichzeitig weist LCN91-Oxid eine bessere katalytische Aktivität auf.

Experimentelle Auswertungen haben gezeigt, dass LCN91 als gute P-SOC-Luftelektrode gilt. Allerdings ist der Wärmeausdehnungskoeffizient (TEC) von Oxiden der LaCoO3-Familie im Vergleich zum Elektrolytmaterial sehr hoch, was dazu führen kann, dass sich die Elektrode bei Langzeitbetrieb vom Elektrolyt löst und somit die Batterielebensdauer verkürzt.

Obwohl es bei LCN91 noch Bereiche gibt, die verbessert und erweitert werden müssen, hat diese Studie durch die Kombination von Maschinenmodellen und DTF-Berechnungen die hervorragende Protonenleitfähigkeit von LCN91 bestätigt und außerdem Hinweise für die zukünftige Entwicklung neuer Luftelektrodenoxide mit hoher Protonenleitfähigkeit und geeigneten Wärmeausdehnungskoeffizienten gegeben.

Akademiker Ye Siyu: Wasserstoffbrennstoffzellen sind nur der Anfang

Mittlerweile sind die Themen „Kohlenstoff-Spitzenwert und Kohlenstoffneutralität“ weltweiter Konsens. Als saubere, effiziente und erneuerbare Energiequelle mit großen Reserven bietet Wasserstoffenergie eine wichtige Möglichkeit zur Dekarbonisierung verschiedener Industrien. Die Vorteile einer Protonenleiter-Festoxidzelle (P-SOC) liegen in den niedrigen Rohstoffkosten, der geringen Umweltbelastung und der hohen theoretischen Elektrolyseeffizienz. Es ist Forschungsschwerpunkt und Hotspot im Bereich der grünen Wasserstofferzeugung durch Wasserelektrolyse.

Als international anerkannter führender Experte für Brennstoffzellen-Elektrokatalyse und Katalysatorschicht-/MEA-DesignDer Akademiker Ye Siyu engagiert sich seit langem in verschiedenen Aspekten der Forschung und Entwicklung von Protonenaustauschmembran-Brennstoffzellen.Derzeit ist er Mitglied der Canadian Academy of Engineering, Professor an der School of Chemistry and Chemical Engineering der Universität Guangzhou, Direktor und Chefwissenschaftler des Huangpu Hydrogen Energy Innovation Center sowie stellvertretender Vorsitzender und Chief Technology Officer von Hongji Chuangneng Technology (Guangzhou) Co., Ltd.

Als erstes nationales spezialisiertes und innovatives „kleines Riesenunternehmen“ im Bereich der Forschung, Entwicklung und Produktion von Membranelektroden für Brennstoffzellen, das sich in Guangzhou niederlässt, engagiert sich Hongji Chuangneng für die groß angelegte Lokalisierung und Industrialisierung von Hochleistungsmembranelektroden (MEA) für Protonenaustauschmembran-Brennstoffzellen. Das Unternehmen beliefert in- und ausländische Brennstoffzellenhersteller mit kostengünstigen, leistungsstarken Kernkomponenten für Membranelektroden und löst so das Problem der langfristigen Abhängigkeit Chinas von ausländischer Technologie für Kernmaterialien für Brennstoffzellen.

Es versteht sich, dassHongji Chuangneng hat eigenständig die erste vollautomatische Produktionslinie für MEA-Verpackungen entwickelt und Membranelektroden für Brennstoffzellen in der Automobilindustrie mit unabhängigen geistigen Eigentumsrechten hergestellt, die dem international führenden Niveau entsprechen.Es brach das technologische Monopol ausländischer Unternehmen in dieser Branche und füllte die Lücke in dieser Branche in China. Im Jahr 2022 erreichten die jährlichen Membranelektrodenlieferungen von Hongji Chuangneng 1,7 Millionen Stück.

Laut der Internationalen Wasserstoffenergiekommission wird die Nachfrage nach grünem Wasserstoff bis 2030 voraussichtlich auf 75 Millionen Tonnen steigen. Die weltweite Nachfrage nach erneuerbarem, kohlenstoffarmem Wasserstoff wird in den nächsten zehn Jahren um 501 Millionen Tonnen wachsen. Dank der „Freundschaft“ zwischen traditionellen Energieunternehmen und Wasserstoff-Brennstoffzellen wird die Entwicklung von Wasserstoff-Brennstoffzellen nicht mehr auf reine Brennstoffzellenfahrzeuge beschränkt sein, sondern letztendlich eng mit dem gesamten Energiesystem verbunden sein.