태양 광전기화학(PEC) 물 분해는 태양 에너지를 수소 에너지로 효율적으로 전환하는 방법이며, 재생 에너지를 생산하는 유망한 방법입니다. 그러나 전극 특성과 전극 결함의 영향을 받아 PEC 반응의 효율이 낮고 적절한 보조 촉매의 도움이 필요합니다. 그러나 전해 전지, 광전극 및 보조 촉매로 구성된 PEC 시스템은 매우 복잡하고, 매개변수가 많고 시스템 최적화 비용이 높습니다. 이를 위해 Tsinghua University의 Zhu Hongwei 연구 그룹은 기계 학습을 사용하여 BiVO를 분석했습니다.₄  광양극 시스템이 최적화되었습니다. 머신 러닝은 이전의 실험 데이터를 기반으로 광전극, 조촉매 및 전해 전지 간의 관계를 찾아낼 수 있습니다. 동시에 설명 가능한 머신 러닝은 반응 성능에 가장 중요한 매개변수를 식별하고 시스템 최적화를 위한 지침을 제공할 수 있습니다.

저자 | 쉐차이

편집자 | 산양

태양 광전기화학(PEC) 물 분해는 태양 에너지를 수소와 산소로 효율적으로 전환하는 방법이며, 재생 에너지를 생산하는 유망한 방법입니다.

PEC 물 분해에는 전해조의 양극 또는 음극 역할을 하는 광전극과 전해조의 음극 또는 양극 역할을 하는 상대 전극이 필요합니다. 광전극은 태양에너지를 흡수하여 물의 산화 또는 환원 반응을 촉진하고, 동시에 상대 전극에서도 해당 환원 또는 산화 반응을 수행합니다. 광생성 캐리어의 분리를 촉진하기 위해서는 PEC에 바이어스를 제공하는 전원이나 태양광 전지도 필요합니다.

PEC 물 분해의 효율성은 광전극의 결함에 의해 제한됩니다.예를 들어, 캐리어 재결합 및 낮은 바이어스에서의 불안정성 등이 있습니다.적합한 공촉매는 광담체 분리를 촉진할 수 있습니다.광전극과 이종접합을 형성하여 빛 흡수를 촉진하고, 표면 에너지를 감소시켜 반응을 가속화하고, 전극의 화학적 부식을 억제하고, 전자 전달을 촉진하는 등의 효과가 있어 반응 효율을 향상시킨다.

연구자들은 금속, 금속 산화물, 금속이 없는 공촉매, 이중 촉매 등 PEC 반응을 촉진할 수 있는 다양한 공촉매를 발견했습니다. 이러한 공촉매의 효율성은 화학적 조성, 형태, 결정 형태와 같은 물리화학적 특성의 영향을 받습니다. 또한 전극 종류, 전해질 농도, pH 등 전해조의 반응 조건도 촉매 효율에 영향을 미칩니다.

반응 시스템은 매우 복잡합니다. 주어진 광전극의 매개변수를 최적화하고 적절한 보조 촉매를 선택하는 방법에는 많은 시행착오 실험이 필요합니다.. 특히, 공촉매의 최적 두께는 전극과 공촉매 모두의 영향을 받기 때문에 선택하기 어렵습니다. 하지만 충분한 데이터가 주어지면 머신러닝은 이를 빠르게 수행할 수 있습니다.

이를 바탕으로,청화대학교 주홍웨이 연구진은 머신러닝(ML)을 사용해 BiVO를 최적화했습니다.₄  광양극용 조촉매. 첫째, 광양극 촉매 시스템의 기본적인 영향 요인과 메커니즘을 논의한다. 이후, 이전 연구의 실험 데이터를 기반으로 데이터베이스가 구축되었고, 머신 러닝 모델이 훈련되었습니다.BiVO 찾기₄  광양극, 조촉매 및 전해셀의 관계. 마지막으로, 머신러닝 모델의 해석가능성을 기반으로,반응 효율성과 가장 밀접하게 관련된 기능을 찾으세요, BiVO를 안내합니다₄  광양극 조촉매의 선택. 이 결과는 "Journal of Materials Chemistry A"에 게재되었습니다.

이 결과는 Journal of Materials Chemistry A에 게재되었습니다.

논문 링크:

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

실험 절차

데이터세트 문헌 연구

머신 러닝 모델의 입력은 반응에 영향을 미치는 12가지 요인과 전극 면적이고, 출력은 1.23V(vs RHE)에서 광전류 밀도의 증가입니다.

84개 논문에서 112개의 BiVO 그룹이 발견되었습니다.₄  광양극 촉매 물분해 실험 데이터, 조성 데이터 세트. BiVO가 주목할 만한 점은 다음과 같습니다.₄  광양극의 형태는 단결정, 나노웜, 랜덤 스태킹, 고밀도 필름을 포함한 4가지 범주로 단순화됩니다. 공촉매의 형태는 균일막, 단층막, 분리막의 세 가지 범주로 단순화됩니다.

모델의 출력, 즉 공촉매에 의한 광전류 밀도의 향상은 낮음(0), 중간(1), 높음(2)의 세 가지 수준으로 분류됩니다.

데이터 처리 스크리닝 및 차원 축소

데이터 수집이 완료되면 다음 7단계를 포함하여 데이터가 전처리됩니다.

1.데이터 정리. 데이터 정리는 데이터를 수정, 복구, 지우는 과정입니다. 대표성이 없어 25개 세트의 데이터가 제외되었습니다.

2.데이터 보간. 많은 연구에서 매우 제한적인 데이터만 제공되고, 서로 다른 연구의 데이터 간 연속성이 부족합니다. 따라서 연구진은 반응 조건, 광양극 형태 및 크기에 기반한 다중 사슬 방정식(MICE)을 통해 누락된 보조 촉매 두께를 보완했습니다.

3.데이터 파티션. 70%의 데이터 세트는 머신 러닝 모델을 위한 훈련 세트와 테스트를 위한 30%로 나뉩니다. 연구진은 데이터 양이 제한적이기 때문에 K-Fold 교차 검증을 사용하여 모델의 정확성을 검증했습니다.

4.데이터 변환. 이 프로세스는 데이터 세트를 모델이 읽을 수 있는 컬렉션으로 변환합니다. One-Hot Encoding을 사용하여 범주형 데이터를 수치형 데이터로 변환한 후, 입력 변수는 109개의 차원을 갖게 됩니다.

5.데이터 정규화. 수치적 데이터의 범위가 일관되지 않은 경우, 서로 다른 입력 변수가 집합 내에서 동일한 가중치를 갖도록 정규화를 통해 데이터를 동일한 범위로 변환해야 합니다. 본 연구에서는 데이터 정규화를 위해 StandardScaler를 사용했습니다.

6.데이터 밸런스. 이 연구에서는 다양한 출력 범주의 데이터 분포가 확연히 불균형을 보였으며, 0은 약 34%, 1은 약 52%, 2는 약 14%를 나타냈습니다. 오버샘플링과 언더샘플링 방법은 일반적으로 샘플을 재처리하는 데 사용됩니다. 전자는 작은 샘플 세트에 데이터를 추가하는 것이고, 후자는 큰 샘플 세트에서 데이터를 삭제하는 것입니다. 본 연구에서는 데이터 밸런싱을 위해 SMOTE 오버샘플링 알고리즘을 사용했습니다.

7.차원 축소. 데이터 차원 축소는 모델을 단순화하고 과도한 적합을 피하기 위해 데이터 정보를 최대한 유지하면서 데이터의 차원을 줄이는 것입니다. 데이터 차원 축소를 위한 일반적인 방법에는 특성 선택과 특성 추출이 있습니다.

모형 제작 신경망 + 트리 모델

본 연구에서 사용된 신경망은 두 개의 은닉층으로 구성되어 있다.첫 번째 층의 뉴런 수는 8~96개이고, 두 번째 층의 뉴런 수는 0~96개입니다. 모델의 하이퍼파라미터 조합은 무작위 검색과 베이지안 최적화를 통해 자동으로 최적화됩니다.

또한 연구진은 병렬 배깅 알고리즘과 랜덤 포레스트(RF) 알고리즘, 직렬 에이다부스트 알고리즘, 그래디언트 부스팅 알고리즘을 포함한 4가지 트리 모델 알고리즘의 성능도 비교했습니다.

모델의 평가 기준에는 정확도, 정밀도, 혼동 행렬, F1 점수, 재현율 곡선 및 AUC가 포함됩니다.

설명 가능성 샤프

해석 가능한 모델은 사람들이 머신 러닝 모델의 의사 결정 과정을 이해하는 데 도움이 됩니다. 모델 해석성을 개선하는 데는 두 가지 주요 기술이 있습니다.내재적 해석 가능성과 사후적 해석 가능성.

전자는 선형 회귀, 로지스틱 회귀, 의사결정 트리와 같은 자체 설명적 모델을 통해 달성될 수 있습니다. 이 방법은 해석 가능성이 높지만 정확도는 낮습니다. 후자는 앙상블 방법, 지원 벡터 머신, 신경망과 같은 대리 모델을 통해 기존 모델을 설명합니다.

또한,SHAP(Shapley Additive Explanation) 방법은 게임 이론에서 Shapley 값을 사용하여 모델의 기능 중요도를 계산할 수 있습니다., 공촉매 설계에 영감을 제공했습니다.

실험 결과

성능 비교 랜덤 포레스트 모델이 가장 좋습니다

연구진은 교차 검증을 통해 모델의 하이퍼파라미터를 최적화한 후 신경망과 트리 모델 알고리즘의 성능을 비교했습니다.그 중 랜덤포레스트 알고리즘은 70.37%의 검정 정확도와 0.784의 AUC로 일반화 능력이 가장 우수했습니다. .

랜덤 포레스트 모델은 낮은 성과와 중간 성과의 프로모터를 정확하게 식별하고 이를 높은 성과로 오인하지 않는다는 점이 주목할 만합니다.이는 랜덤포레스트 모델이 고성능 공촉매의 특성을 정확하게 포착할 수 있음을 보여줍니다..

a: 다양한 모델의 정확도, 교차 검증 정확도, 테스트 정확도 및 AUC.

b: 랜덤 포레스트 모델의 혼동 행렬;

c: 랜덤 포레스트 모델의 ROC 곡선;

d: 랜덤 포레스트 모델의 학습 곡선.

그런 다음 연구자들은 낮음과 중간 성과를 한 범주로, 높음 성과를 다른 범주로 그룹화하여 모델을 이진 출력으로 변환했습니다.랜덤포레스트의 정확도는 96.30%이고 AUC는 0.79입니다. .

기능 중요도 프로모터 유형

적합된 랜덤 포레스트 모델에 대한 특징 중요도 분석을 수행하면 모델의 해석성을 개선할 수 있습니다.PEC 전해조의 내재적 특성의 중요성은 지니 계수 또는 평균 불순물 감소를 통해 평가할 수 있습니다..

공촉매와 관련된 매개변수는 랜덤 포레스트 모델의 예측에 가장 큰 영향을 미칩니다.특히 프로모터의 종류와 프로모터의 금속 종류. 두 번째로 중요한 것은 공촉매의 제조 방법인데, 이는 공촉매의 형태와 크기에도 영향을 미칩니다. 또한, 광양극의 크기도 랜덤 포레스트 모델의 출력에 상당한 영향을 미칩니다. 그러므로,PEC 광양극을 최적화할 때,공촉매는 주요 지표가 되어야 하며, 광양극 크기는 최적화되어야 합니다..

SHAP 분석 프로모터의 두께

연구진은 또한 SHAP를 사용하여 이진 출력 랜덤 포레스트 모델의 기능 중요도를 계산했습니다.

안에,프로모터의 두께는 가장 중요한 입력 특징입니다.. 두께가 감소함에 따라 SHAP 값은 증가하며, 이는 모델 성능에 미치는 영향이 커집니다. 공촉매의 두께가 5~10nm일 때 SHAP는 양의 값을 나타내어 두께를 줄이면 모델 성능이 향상될 가능성이 있음을 나타냅니다.

전해질 농도가 0.5M을 초과하면 SHAP은 양성입니다.이는 고농도 전해질이 PEC 광전극 성능 향상에 유익하다는 것을 나타냅니다..

또한 결과에 따르면 붕산칼륨 완충액이 가장 이상적인 전해질이고, 코발트 함유 촉매가 성능 향상에 유익하며, 금속 수산화물이 성능 향상에 유익합니다.

c: SHAP 값에 대한 프로모터 두께의 영향

d: 광양극 두께가 SHAP 값에 미치는 영향

e: 전해질 농도가 SHAP 값에 미치는 영향.

요약하자면 BiVO₄  단결정에서 두께가 5~10nm인 코발트 기반 수산화물은 농도가 0.5M 이상인 붕산칼륨 전해질에서 우수한 PEC 물 분해 성능을 나타낼 수 있습니다.

PEC 물 분해: 더욱 유망한 수소 생산 솔루션

세계 인구가 증가함에 따라, 세계의 에너지 수요도 계속해서 증가하고 있습니다.재생에너지 확보가 시급한 과제로 떠올랐다. 태양 에너지는 재생 가능하고 탄소 배출이 없는 에너지원으로, 전 세계 재생 에너지의 99% 이상을 차지합니다. 그러나 화석 연료를 완전히 대체하려면 태양 에너지의 간헐적 특성을 해결하기 위한 대규모 에너지 저장 장비가 필요합니다. 배터리는 단기 에너지 저장 요구 사항을 충족할 수 있습니다.하지만 장기적이고 계절적인 저장을 위한 유일한 방법은 연료입니다..

식물은 광합성을 통해 빛 에너지를 이용해 물에서 전자를 추출하고, 그 전자를 고에너지 화학 결합으로 저장할 수 있습니다. 연구자들은 이 과정에서 영감을 얻어 태양에너지를 이용해 물을 분해하고, 태양에너지를 수소 생성물에 저장하기 시작했습니다.

수소는 에너지 밀도(MJ/kg)가 높고 탄소 배출이 없습니다. 이는 수소 경제에 직접 사용될 수도 있고, 피셔-트롭쉬 반응을 통해 탄소 연료로 합성될 수도 있어, 기존 에너지 시설과 일치합니다.

현재 가장 효과적인 태양 에너지 변환 장치는 태양광 발전 장비(PV, Photovoltaics)로, 태양 에너지를 전기 에너지로 변환한 후 물의 전기 분해를 통해 수소를 생산합니다.하지만 이런 접근 방식은 화석 연료와 경쟁하기에는 비용이 너무 많이 듭니다..

PEC 물 분해는 저렴한 수소 생산 옵션을 제공합니다. 그러나 이 반응에서는 운반체 전달 속도가 느리고, 재결합률이 높고, 전극이 쉽게 부식되고, 수질이 높아야 하기 때문에 PEC의 물 분해 효율이 낮고 유지 관리 비용이 높습니다.

연구진은 AI의 도움으로 PEC 광양극과 공촉매의 조합을 최적화하여 PEC 전극의 설계 효율성을 크게 개선할 수 있었습니다. 동시에 설명 가능한 AI는 반응에 가장 중요한 전극 특성을 식별하고 전극 최적화를 위한 참고 자료를 제공하며 글로벌 에너지 위기를 해결하기 위한 새로운 솔루션을 제공할 수 있습니다.

참조 링크:

[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