La séparation photoélectrochimique solaire de l’eau (PEC) est une méthode permettant de convertir efficacement l’énergie solaire en énergie hydrogène et constitue un moyen prometteur de produire de l’énergie renouvelable. Cependant, en raison des propriétés et des défauts de l'électrode, l'efficacité de la réaction PEC est faible et nécessite l'aide de cocatalyseurs appropriés. Cependant, le système PEC composé d'une cellule électrolytique, d'une photoélectrode et d'un cocatalyseur est très complexe, avec de nombreux paramètres et des coûts d'optimisation du système élevés. À cette fin, le groupe de recherche de Zhu Hongwei à l'Université Tsinghua a utilisé l'apprentissage automatique pour analyser BiVO₄  Le système photoanode a été optimisé. L’apprentissage automatique peut trouver la relation entre la photoanode, le cocatalyseur et la cellule électrolytique sur la base de données expérimentales antérieures. Dans le même temps, l’apprentissage automatique explicable peut identifier les paramètres les plus importants pour les performances de réaction et fournir des conseils pour l’optimisation du système.

Auteur | Xuecai

Rédacteur | Sanyang

La séparation photoélectrochimique solaire de l’eau (PEC) est une méthode permettant de convertir efficacement l’énergie solaire en hydrogène et en oxygène et constitue un moyen prometteur de produire de l’énergie renouvelable.

La séparation de l'eau PEC nécessite une photoélectrode qui agit comme anode ou cathode de la cellule électrolytique et une contre-électrode qui agit comme cathode ou anode de la cellule électrolytique. La photoélectrode absorbe l'énergie solaire, entraîne la réaction d'oxydation ou de réduction de l'eau et effectue simultanément la réaction de réduction ou d'oxydation correspondante sur la contre-électrode. Pour favoriser la séparation des porteurs photogénérés, une source d'alimentation ou une cellule photovoltaïque est également nécessaire pour fournir une polarisation pour le PEC.

L'efficacité de la séparation de l'eau par PEC est limitée par des défauts dans la photoélectrode, comme la recombinaison des porteurs et l'instabilité à faible polarisation.Un cocatalyseur approprié peut favoriser la séparation des photoporteurs., formant une hétérojonction avec la photoélectrode et favorisant l'absorption de la lumière, réduisant l'énergie de surface pour accélérer la réaction, inhibant la corrosion chimique de l'électrode, accélérant la transmission d'électrons, etc., améliorant ainsi l'efficacité de la réaction.

Les chercheurs ont découvert une variété de cocatalyseurs qui peuvent favoriser les réactions PEC, notamment les métaux, les oxydes métalliques, les cocatalyseurs sans métal, les catalyseurs doubles, etc. L'efficacité de ces cocatalyseurs est affectée par leurs propriétés physico-chimiques, telles que la composition chimique, la morphologie et la forme cristalline. De plus, les conditions de réaction de la cellule électrolytique, telles que le type d'électrode, la concentration en électrolyte, le pH, etc., affecteront également l'efficacité catalytique.

Le système réactionnel est très complexe. Comment optimiser les paramètres d'une photoélectrode donnée et sélectionner le cocatalyseur approprié nécessite de nombreuses expériences d'essais et d'erreurs.. En particulier, l’épaisseur optimale du cocatalyseur est difficile à sélectionner car elle est affectée à la fois par l’électrode et le cocatalyseur. Cependant, avec suffisamment de données, l’apprentissage automatique peut le faire rapidement.

Sur cette base,Le groupe de recherche de Zhu Hongwei à l'Université Tsinghua a utilisé l'apprentissage automatique (ML) pour optimiser BiVO₄  Cocatalyseurs pour photoanodes. Tout d’abord, les facteurs d’influence et les mécanismes de base du système catalytique photoanode sont discutés. Par la suite, une base de données a été créée à partir de données expérimentales issues d’études précédentes et un modèle d’apprentissage automatique a été formé.Trouver BiVO₄  Relation entre photoanode, cocatalyseur et cellule électrolytique. Enfin, en se basant sur l’interprétabilité des modèles d’apprentissage automatique,Trouvez les caractéristiques les plus étroitement associées à l'efficacité de la réaction, pour guider BiVO₄  Choix du co-catalyseur photoanode. Ce résultat a été publié dans « Journal of Materials Chemistry A ».

Ce résultat a été publié dans le Journal of Materials Chemistry A.

Lien vers l'article :

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

Procédures expérimentales

Ensemble de données Recherche littéraire

L'entrée du modèle d'apprentissage automatique est constituée de 12 facteurs influençant la réaction et la surface de l'électrode, et la sortie est l'augmentation de la densité de photocourant à 1,23 V (par rapport à RHE).

À partir de 84 articles, 112 groupes BiVO ont été trouvés₄  Données expérimentales sur la séparation catalytique de l'eau par photoanode, ensemble de données de composition. Il convient de noter que BiVO₄  Les morphologies des photoanodes sont simplifiées en quatre catégories, notamment le monocristal, le nanover, l'empilement aléatoire et le film dense. La morphologie du cocatalyseur est simplifiée en trois catégories, dont la membrane homogène, la membrane monocouche et la membrane de séparation.

Le résultat du modèle, c'est-à-dire l'amélioration de la densité de photocourant par le cocatalyseur, est classé en trois niveaux : faible (0), moyen (1) et élevé (2).

Informatique Criblage et réduction de dimensionnalité

Une fois la collecte des données terminée, celles-ci sont prétraitées, comprenant les 7 étapes suivantes :

1.Nettoyage des données. Le nettoyage des données est le processus de correction, de réparation et d’effacement des données. Vingt-cinq ensembles de données ont été exclus en raison de leur manque de représentativité ;

2.Interpolation des données. De nombreuses études fournissent des données très limitées et manquent de continuité entre les données des différentes études. Par conséquent, les chercheurs ont complété l'épaisseur manquante du cocatalyseur par des équations à différences multiples dans la chaîne (MICE) basées sur les conditions de réaction, la morphologie et la taille de la photoanode ;

3.Partition de données. L'ensemble de données 70% est divisé en un ensemble d'entraînement pour les modèles d'apprentissage automatique et 30% pour les tests. En raison de la quantité limitée de données, les chercheurs ont utilisé la validation croisée K-Fold pour vérifier l’exactitude du modèle ;

4.Conversion de données. Ce processus convertit l’ensemble de données en une collection lisible par le modèle. Après avoir converti les données catégorielles en données numériques à l’aide du codage One-Hot, la variable d’entrée comporte 109 dimensions ;

5.Normalisation des données. Lorsque la plage de données numériques est incohérente, il est nécessaire de convertir les données dans la même plage par normalisation afin que différentes variables d'entrée aient le même poids dans l'ensemble. Cette étude a utilisé StandardScaler pour la normalisation des données ;

6.Solde des données. Dans cette étude, la distribution des données des différentes catégories de sortie est manifestement déséquilibrée, 0 représentant environ 34%, 1 représentant environ 52% et 2 représentant environ 14%. Les méthodes de suréchantillonnage et de sous-échantillonnage sont couramment utilisées pour retraiter les échantillons. La première consiste à ajouter des données à un petit ensemble d’échantillons, et la seconde consiste à supprimer des données d’un grand ensemble d’échantillons. Cette étude a utilisé l’algorithme de suréchantillonnage SMOTE pour l’équilibrage des données ;

7.Réduction de la dimensionnalité. La réduction de la dimensionnalité des données consiste à réduire la dimension des données tout en conservant autant que possible les informations sur les données afin de simplifier le modèle et d'éviter le surajustement. Les méthodes courantes de réduction de la dimensionnalité des données incluent la sélection et l’extraction de caractéristiques.

Construction de modèles Réseau neuronal + modèle d'arbre

Le réseau neuronal utilisé dans cette étude est constitué de deux couches cachées, le nombre de neurones dans la première couche est compris entre 8 et 96, et dans la deuxième couche, il est compris entre 0 et 96. Les combinaisons d'hyperparamètres du modèle sont automatiquement optimisées via une recherche aléatoire et une optimisation bayésienne.

En outre, les chercheurs ont également comparé les performances de quatre algorithmes de modèles d'arbres, notamment l'algorithme Bagging parallèle et l'algorithme Random Forest (RF), l'algorithme AdaBoost série et l'algorithme Gradient Boosting.

Les critères d’évaluation du modèle comprennent l’exactitude, la précision, la matrice de confusion, le score F1, la courbe de rappel et l’ASC.

Explicabilité FORME

Les modèles interprétables aident les gens à comprendre le processus de prise de décision des modèles d’apprentissage automatique. Il existe deux techniques principales pour améliorer l’interprétabilité des modèles :Interprétabilité intrinsèque et interprétabilité post-hoc.

Le premier peut être obtenu grâce à des modèles explicites, tels que la régression linéaire, la régression logistique et les arbres de décision. Cette méthode est très interprétable mais présente une faible précision. Ce dernier explique les modèles existants à travers des modèles de substitution, tels que les méthodes d'ensemble, les machines à vecteurs de support et les réseaux neuronaux.

aussi,La méthode SHAP (Shapley Additive Explanation) peut utiliser la valeur de Shapley dans la théorie des jeux pour calculer l'importance des caractéristiques dans le modèle, fournissant une inspiration pour la conception de cocatalyseurs.

Résultats expérimentaux

Comparaison des performances Le modèle de forêt aléatoire est le meilleur

Après avoir optimisé les hyperparamètres du modèle par validation croisée, les chercheurs ont comparé les performances des algorithmes du réseau neuronal et du modèle arborescent.Parmi eux, l'algorithme de forêt aléatoire a la meilleure capacité de généralisation, avec une précision de test de 70,37% et une AUC de 0,784 .

Il est à noter que le modèle de forêt aléatoire peut identifier avec précision les promoteurs à faible et moyenne performance et ne les confondra pas avec ceux à haute performance.Cela montre que le modèle de forêt aléatoire peut capturer avec précision les caractéristiques des cocatalyseurs hautes performances.

a : Précision, précision de validation croisée, précision des tests et ASC de différents modèles ;

b : Matrice de confusion du modèle de forêt aléatoire ;

c : courbe ROC du modèle de forêt aléatoire ;

d : Courbe d'apprentissage du modèle de forêt aléatoire.

Les chercheurs ont ensuite regroupé les performances faibles et moyennes dans une catégorie et les performances élevées dans une autre, convertissant le modèle en une sortie binaire.La précision de la forêt aléatoire est de 96,30% et l'AUC est de 0,79 .

Importance des fonctionnalités Type de catalyseur

La réalisation d’une analyse de l’importance des caractéristiques sur le modèle de forêt aléatoire ajusté peut améliorer l’interprétabilité du modèle.L'importance des caractéristiques intrinsèques de l'électrolyseur PEC peut être évaluée par l'importance de Gini ou la diminution moyenne des impuretés.

Les paramètres liés au cocatalyseur ont le plus grand impact sur les prédictions du modèle de forêt aléatoire.En particulier, le type de promoteur et le type de métal du promoteur. La deuxième chose la plus importante est la méthode de préparation du cocatalyseur, qui affectera également la morphologie et la taille du cocatalyseur. De plus, la taille de la photoanode affecte également de manière significative la sortie du modèle de forêt aléatoire. donc,Lors de l'optimisation de la photoanode PEC,Le cocatalyseur doit être l'indicateur principal, tandis que la taille de la photoanode doit être optimisée.

Analyse SHAP Épaisseur du promoteur

Les chercheurs ont également utilisé SHAP pour calculer l’importance des caractéristiques du modèle de forêt aléatoire à sortie binaire.

dans,L'épaisseur du promoteur est la caractéristique d'entrée la plus importante. À mesure que l'épaisseur diminue, la valeur SHAP augmente, ce qui a un impact croissant sur les performances du modèle. Lorsque l'épaisseur du cocatalyseur est comprise entre 5 et 10 nm, SHAP est positif, ce qui indique que la réduction de l'épaisseur est susceptible d'améliorer les performances du modèle.

Lorsque la concentration en électrolytes dépasse 0,5 M, SHAP est positif.Cela indique que l’électrolyte à haute concentration est bénéfique pour l’amélioration des performances des photoélectrodes PEC..

Les résultats ont également montré que le tampon borate de potassium est l'électrolyte le plus idéal, les catalyseurs contenant du cobalt sont bénéfiques pour l'amélioration des performances et les hydroxydes métalliques sont bénéfiques pour l'amélioration des performances.

c : Effet de l'épaisseur du promoteur sur la valeur SHAP ;

d : Effet de l'épaisseur de la photoanode sur la valeur SHAP ;

e : Effet de la concentration en électrolytes sur la valeur SHAP.

En résumé, BiVO₄  Les hydroxydes à base de cobalt d'une épaisseur comprise entre 5 et 10 nm sur des monocristaux peuvent avoir de bonnes performances de séparation de l'eau PEC dans les électrolytes de borate de potassium avec des concentrations supérieures à 0,5 M.

Séparation de l'eau par PEC : une solution de production d'hydrogène plus prometteuse

À mesure que la population mondiale augmente, la demande mondiale en énergie continue d’augmenter.La recherche d’énergies renouvelables est devenue un enjeu urgent. L’énergie solaire est une source d’énergie renouvelable et sans carbone, représentant plus de 99% d’énergie renouvelable mondiale. Cependant, pour remplacer complètement les combustibles fossiles, des équipements de stockage d’énergie à grande échelle sont nécessaires pour faire face à la nature intermittente de l’énergie solaire. Les batteries peuvent être en mesure de répondre aux besoins de stockage d’énergie à court terme.Mais la seule option pour le stockage à long terme et saisonnier est le carburant..

Les plantes peuvent utiliser l’énergie lumineuse, grâce à la photosynthèse, pour extraire des électrons de l’eau et stocker ces électrons dans des liaisons chimiques à haute énergie. Inspirés par ce processus, les chercheurs ont commencé à utiliser l’énergie solaire pour décomposer l’eau, stockant l’énergie solaire dans le produit hydrogène.

L'hydrogène a une densité énergétique élevée (MJ/kg) et aucune émission de carbone. Il peut être utilisé directement dans l’économie de l’hydrogène ou synthétisé en carburants carbonés par la réaction Fischer-Tropsch, correspondant aux installations énergétiques existantes.

Actuellement, le dispositif de conversion d’énergie solaire le plus efficace est l’équipement photovoltaïque (PV, Photovoltaïque), qui convertit l’énergie solaire en énergie électrique puis produit de l’hydrogène par électrolyse de l’eau.Mais cette approche est trop coûteuse pour concurrencer les combustibles fossiles..

La séparation de l'eau PEC offre une option de production d'hydrogène bon marché. Cependant, en raison de la vitesse de transport lente du porteur, du taux de recombinaison élevé, de la corrosion facile des électrodes et des exigences élevées en matière de qualité de l'eau dans cette réaction, l'efficacité de séparation de l'eau du PEC est faible et le coût de maintenance est élevé.

Grâce à l’IA, les chercheurs ont pu optimiser la combinaison de la photoanode PEC et du cocatalyseur, améliorant ainsi considérablement l’efficacité de conception des électrodes PEC. Dans le même temps, l’IA explicable peut identifier les caractéristiques des électrodes les plus importantes pour la réaction, fournir une référence pour l’optimisation des électrodes et fournir de nouvelles solutions pour résoudre la crise énergétique mondiale.

Liens de référence :

[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