AI がバッテリー材料をスクリーニングし、広州大学の学者 Ye Siyu が P-SOC 材料予測に使用できる機械学習アルゴリズム モデルを開発

著者: ティエン・シャオヤオ

編集者: Li Baozhu、三陽

カバー画像の出典: Photo Network

広州大学の研究者らは、P-SOC 空気電極のスクリーニングに使用できる、Extreme Gradient Boosting (XGBoost) アルゴリズムに基づく機械学習モデルを確立しました。

新エネルギーは今どのくらい普及していますか?中国自動車協会のデータによると、2023年1月から11月までに、我が国の新エネルギー車の市場シェアは30.8%に達しました。その背景には、リチウム電池産業の継続的な繁栄があります。しかし、リチウム電池技術に加え、全固体電池も資本や企業が追求する方向であり、「電気自動車の終焉」ともてはやされる。近年、中国、米国、日本、ドイツの自動車・電池企業が相次いで市場に参入し、全固体電池産業は初期資本の急増を経験し、より実用的な探索段階に入った。

資本と産業界の高い注目により、関連分野の科学研究の進歩が大きく促進され、クリーンエネルギーを燃料として使用する電池技術の開発も主要材料の革新を推進しました。中でもプロトン伝導性固体酸化物電池（P-SOC）は、低温動作やイオン伝導活性化エネルギーが低いという利点を持ち、徐々に知られ、注目を集めています。

しかし、高性能 P-SOC の開発に対する大きな障害は、効率的なプロトン伝導体の空気電極が不足していることです。現在、P-SOC で広く使用されている空気極材料は Co/Fe 系ペロブスカイト酸化物ですが、Co/Fe 系ペロブスカイト酸化物の B サイトにおけるさまざまな元素の役割を示す系統的な研究はありません。

この問題を解決するには、広州大学の研究者は、P-SOC 空気電極のスクリーニングに使用できる、Extreme Gradient Boosting (XGBoost) アルゴリズムに基づく機械学習モデルを確立しました。そして、燃料電池の主要材料における機械学習の適用を拡大しました。現在、関連する結果は「」に掲載されています。先端機能材料”。

紙を入手してください:
https://onlinelibrary.wiley.com/doi/10.1002/adfm.202309855

論文全文の PDF を取得するには、バックグラウンドで「燃料電池」に返信してください

データセット: 制御システム変数

サンプルデータセットに対するランダムフォレスト（RF）とXGBoostの予測パフォーマンスを比較することにより、この研究ではまず、Bサイトで異なるドーパントを含むCoを研究するための基礎として、29の特徴を含む792のサンプルを選別しました。 /Feベースペロブスカイトのデータベース。酸化物。

モデル アーキテクチャ: 2 つのモデルのうち最適なものを選択します

この研究の回帰予測タスクでは、2 つの可分学習モデルをそれぞれ比較しました。
* RF、複数のビルドが可能デシジョンツリー、各決定木の予測を統合します。
* XG-Boost。勾配ブースティング決定木アルゴリズムをコアとして採用します (下図を参照)。

XGBoost モデルと RF モデルは両方とも優れた予測パフォーマンスを示しますが、ターゲット変数の実際の値が大きい場合、RF モデルは対照的にその予測値を過小評価することが次の図からわかります。 XGBoost モデル 値は 1:1 線の両側により均等に分散されます。したがって、この調査では、調査分析の主要モデルとして XGBoost を選択しました。

以下の図に示すように、XGBoost に基づく機械学習モデルは、P-SOC の空気電極をスクリーニングするための入力として要素構造を使用します。

その後、研究チームは、機械学習による予測結果と密度汎関数理論（DFT）計算に基づいて、活性化エネルギーが既知の比較可能な空気極に匹敵する、P-SOC用の効率的な空気極材料LCN91のスクリーニングに成功しました。 。

実験結果: LCN91 はより優れた触媒活性を有する

プロトン伝導度は、酸化物中でのプロトン吸収 (PAA)、プロトン拡散、およびプロトン移動の組み合わせによって決まります。実験により、PAA のギャップはプロトン伝導度のギャップと正の相関があることが示されており、特に 2 つの化合物のプロトン移動度 (つまり、拡散係数) が同じである場合、PAA を直接プロトン伝導度の測定に使用できます。

機械学習では、予測モデルを構築するときに、特徴重要度スコアを使用して各特徴の相対的な重要性を決定します。実験の経験と理論を組み合わせた機能重要度ランキングは、構築された機械学習モデルを検証し、モデルの解釈可能性を向上させるのに役立ちます。以下の図は、XGBoost モデル PAA 予測における機能重要度のランキングを示しています。

B 位置のドーピング元素の役割を明確に研究するために、この研究では A 位置に La、Mg、Al、Si、Ca、Sc、Ti、Mn、Fe、Co、Ni、Cu、Zn、Ga、ドーピング元素（Ｂ１）としては、Ｇｅ、Ｓｒ、Ｙ、Ｚｒ、Ｎｂ、Ｉｎ、Ｓｎ、Ｓｂ、Ｂｉ、Ｎｄ、Ｓｍ、Ｇｄ、Ｄｙ、Ｙｂが用いられる。

Ni の出現に伴う ΔE (水和エンタルピー) の減少は、ΔE が小さいほど水和反応が進行しやすくなるため、LCN91 における Ni が水和反応に有益であることを示しています。

要約すれば、LCN91は水和反応を促進し、これは、LCN91 の PAA が LCN82 よりも高いという機械学習モデルによって予測された結果と一致しています。同時に、LCN91 酸化物はより優れた触媒活性を備えています。

実験による評価では、LCN91 は優れた P-SOC 空気極であると考えられていますが、電解質材料と比較して、LaCoO3 系酸化物の熱膨張係数 (TEC) が非常に高いため、長期使用中に電極が劣化する可能性があります。電解液が失われるため、バッテリーの寿命が短くなります。

LCN91にはまだ改善と改善の余地がありますが、本研究は機械モデルとDTF計算を包括的に使用してLCN91の優れたプロトン伝導性を検証し、高いプロトン伝導性と適切な熱膨張係数を備えた新しい空気極酸化物の将来の開発のための情報も提供します。ガイダンス。

学者イェ・シユ氏: 水素燃料電池は出発点にすぎません

現在、「カーボンピーキングとカーボンニュートラル」は世界的なコンセンサスとなっています。クリーンで効率的かつ大容量の再生可能エネルギーである水素エネルギーは、さまざまな産業の脱炭素化に重要な手段となります。プロトン伝導体固体酸化物電池（P-SOC）は、原料コストが低く、環境への影響が小さく、理論的な電気分解効率が高いという利点があり、水を電気分解してグリーン水素を生成する分野で注目されている研究分野です。

燃料電池電極触媒および触媒層/MEA設計の国際的に認められたトップエキスパートとして、アカデミー会員の Ye Siyu は、長年にわたって固体高分子型燃料電池の研究開発のあらゆる側面に取り組んできました。彼は現在、カナダ国立工学院の会員、広州大学化学・化学工学院の教授、黄埔水素エネルギーイノベーションセンターの所長兼主席研究員、そしてHongji社の副会長兼最高技術責任者を務めています。革新技術（広州）有限公司

広州に拠点を置く最初の燃料電池膜電極の研究開発および生産分野における国家専門「小さな巨人」企業として、Hongji Innovation はプロトン用高性能膜電極 (MEA) の大規模な現地化と生産に取り組んでいます。膜型燃料電池の交換工業化により、国内外の燃料電池メーカーに低コストで高性能な膜電極コア部品を提供し、中国の燃料電池コア材料の海外技術への長期依存を解決する。

理解されているのは、Honji Chuangneng は、初の全自動 MEA パッケージング生産ラインを独自に開発し、国際トップレベルに匹敵する独立した知的財産権を持つ自動車用燃料電池膜電極を生産しました。この業界における外国企業の技術独占を打破し、国内産業の溝を埋める。 2022 年には、Hongji Chuangneng の膜電極の年間出荷量は 170 万個に達する予定です。

国際水素評議会は、グリーン水素の需要は2030年までに7,500万トンに増加すると予想していると指摘しています。今後 10 年間で、再生可能な低炭素水素エネルギーに対する世界的な需要は増加すると予想されます。従来のエネルギー会社と水素燃料電池との「連携」のおかげで、水素燃料電池の開発はもはや純粋な燃料電池自動車に限定されるものではなく、最終的にはエネルギーシステム全体と密接に関係することになるでしょう。