AI가 배터리 소재를 스크리닝하고, 광저우대 Ye Siyu 교수가 P-SOC 소재 예측에 활용할 수 있는 머신러닝 알고리즘 모델을 개발했다.
저자: Tian Xiaoyao
편집자: 이보주, 산양
표지 이미지 출처: 포토네트워크
광저우 대학의 연구진은 P-SOC 공기 전극의 스크리닝에 사용할 수 있는 Extreme Gradient Boosting(XGBoost) 알고리즘을 기반으로 한 머신 러닝 모델을 구축했습니다.
현재 새로운 에너지는 얼마나 인기가 있나요? 중국자동차공업협회의 데이터에 따르면, 2023년 1월부터 11월까지 우리나라 신에너지차 시장점유율은 30.8%에 도달했는데, 이는 리튬 배터리 산업의 지속적인 번영에 힘입은 것입니다. 그러나 리튬 배터리 기술 외에도 고체 배터리 역시 자본과 기업이 추구하는 방향이며, 심지어 "전기 자동차의 종착점"으로 불리기도 합니다. 최근 들어 중국, 미국, 일본, 독일 등 세계 각국의 자동차 및 배터리 기업들이 잇따라 이 시장에 진출하고 있습니다. 고체 전지 산업은 초기 자본 투자에 대한 과열 현상을 경험했으며, 보다 실용적인 구현 방안 모색 단계로 접어들었습니다.
자본과 산업계의 높은 관심은 관련 분야의 과학 연구 진전을 크게 촉진했으며, 청정 에너지로 추진되는 배터리 기술의 개발은 핵심 소재의 혁신도 이끌었습니다. 그 중 양성자 전도성 고체산화물 전지(P-SOC)는 낮은 온도 작동과 낮은 이온 전도 활성화 에너지라는 장점이 있습니다. 그들은 점차 사람들에게 알려지고 점점 더 많은 관심을 받고 있습니다.
그러나 고성능 P-SOC 개발의 주요 장애물은 효율적인 양성자 전도체 공기 전극이 부족하다는 것입니다. 현재 P-SOC에 널리 사용되는 공기 전극 물질은 Co/Fe 기반 페로브스카이트 산화물이지만, Co/Fe 기반 페로브스카이트 산화물의 B 부위에 있는 다양한 원소의 역할에 대한 체계적인 연구는 없었습니다.
이 문제를 해결하려면광저우 대학의 연구진은 P-SOC 공기 전극의 스크리닝에 사용할 수 있는 Extreme Gradient Boosting(XGBoost) 알고리즘을 기반으로 한 머신 러닝 모델을 구축했습니다.그리고 핵심 연료 전지 소재에 머신 러닝의 적용을 확대했습니다. 현재 관련 결과는 다음과 같이 발표되었습니다.첨단 기능성 소재".
신문을 받으세요:
https://onlinelibrary.wiley.com/doi/10.1002/adfm.202309855
전체 논문 PDF를 받으려면 "연료 전지"라고 답장하세요.
데이터 세트: 제어 시스템 변수
본 연구에서는 랜덤 포레스트(RF)와 XGBoost의 예측 성능을 샘플 데이터 세트에서 비교하여, B 부위에 다른 도펀트를 갖는 Co/Fe 기반 페로브스카이트 산화물을 연구하기 위한 데이터베이스로서 29개 특징을 포함하는 792개 샘플을 먼저 선별했습니다.
모델 아키텍처: 두 모델 중 가장 좋은 것을 선택하세요
본 연구의 회귀 예측 과제는 두 가지 앙상블 학습 모델을 비교했습니다.
* 다중으로 구축 가능한 RF의사결정 트리, 그리고 각 의사결정 트리의 예측을 통합합니다.
* 그래디언트 부스팅 의사결정 트리 알고리즘을 기반으로 하는 XG-Boost(아래 그림 참조)
XGBoost 모델과 RF 모델 모두 우수한 예측 성능을 보여주지만, 아래 그림에서 볼 수 있듯이 대상 변수의 실제 값이 클 경우 RF 모델이 예측 값을 과소평가합니다. 이와 대조적으로 XGBoost 모델의 예측값은 1:1 선의 양쪽에 더 균등하게 분포됩니다. 그러므로,본 연구에서는 연구 분석을 위한 주요 모델로 XGBoost를 선택했습니다.
아래 그림에서 보듯이, XGBoost 기반의 머신 러닝 모델은 요소 구조를 입력으로 사용하여 P-SOC 공기 전극을 스크리닝합니다.
이후 연구팀은 머신 러닝 예측 결과와 밀도 함수 이론(DFT) 계산을 기반으로 P-SOC용 고효율 공기 전극 소재인 LCN91을 성공적으로 선별했으며, 이 소재의 활성화 에너지는 잘 알려진 공기 전극과 유사합니다.
실험 결론: LCN91은 더 나은 촉매 활성을 가지고 있습니다
양성자 전도도는 산화물 내에서의 양성자 흡수(PAA), 양성자 확산, 양성자 전달의 조합에 의해 결정됩니다. 실험 결과, PAA의 갭은 양성자 전도도 갭과 양의 상관관계가 있는 것으로 나타났으며, 특히 두 화합물의 양성자 이동도(즉, 확산 계수)가 같을 때 PAA를 직접 사용하여 양성자 전도도를 측정할 수 있습니다.
머신 러닝에서 특징 중요도 점수는 예측 모델을 구축할 때 각 특징의 상대적 중요도를 결정하는 데 사용됩니다. 실험적 경험과 이론을 결합한 특징 중요도 순위는 구성된 머신 러닝 모델을 검증하고 모델의 해석성을 개선하는 데 도움이 될 수 있습니다. 아래 그림은 XGBoost 모델의 PAA 예측에서 특징 중요도 순위를 보여줍니다.
본 연구에서는 B 사이트에서 도핑 원소의 역할을 명확하게 연구하기 위해 La를 A 사이트에 고정하고 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 및 Yb를 도핑 원소(B1)로 사용했습니다.
Ni의 존재에 따른 ΔE(수화 엔탈피)의 감소는 Ni가 LCN91에서 수화 반응에 유익하다는 것을 나타냅니다. 왜냐하면 ΔE가 작을수록 수화 반응이 더 쉽게 진행되기 때문입니다.
요약하자면,LCN91은 수화 반응에 더 적합합니다.이는 LCN91의 PAA가 LCN82보다 높다는 머신 러닝 모델이 예측한 결과와 일치합니다. 반면, LCN91 산화물은 촉매 활성이 더 좋습니다.
실험적 평가 결과, LCN91은 우수한 P-SOC 공기 전극으로 간주되지만 LaCoO3 계열 산화물의 열팽창 계수(TEC)는 전해질 물질에 비해 매우 높아 장기 작동 중에 전극이 전해질에서 떨어져 나가 배터리 수명이 단축될 수 있습니다.
LCN91은 아직 개선과 향상이 필요한 부분이 있지만, 본 연구에서는 기계 모델과 DTF 계산을 결합하여 LCN91의 우수한 양성자 전도도를 검증하였으며, 높은 양성자 전도도와 적절한 열팽창 계수를 갖춘 새로운 공기 전극 산화물의 미래 개발을 위한 지침을 제공했습니다.
예시위 학자 "수소연료전지는 단지 시작일 뿐"
현재, "탄소 정점과 탄소 중립"은 전 세계적인 합의가 되었습니다. 수소 에너지는 매장량이 풍부하고 깨끗하고 효율적이며 재생 가능한 에너지원으로서 다양한 산업의 탈탄소화를 위한 중요한 방법을 제공합니다. 양성자 전도체 고체산화물 전지(P-SOC)는 원자재 비용이 낮고, 환경에 미치는 영향이 적으며, 이론 전기분해 효율이 높다는 장점이 있습니다. 이곳은 물 전기분해를 통한 녹색 수소 생산 분야의 연구 중심지이자 핫스팟입니다.
연료 전지 전기 촉매 및 촉매층/MEA 설계 분야에서 국제적으로 인정받는 선도적 전문가로서,예시위 학자는 오랫동안 양성자 교환막 연료 전지 연구 및 개발의 다양한 측면에 헌신해 왔습니다.그는 현재 캐나다 공학 아카데미 회원이며, 광저우 대학 화학 및 화학 공학부 교수, 황푸 수소 에너지 혁신 센터의 이사 겸 수석 과학자, 홍지 창능 테크놀로지(광저우) 유한회사의 부회장 겸 최고 기술 책임자를 맡고 있습니다.
홍지창능은 광저우에 자리를 잡은 최초의 국가 전문화·혁신형 '소형 거인' 연료전지용 막 전극 연구개발 생산 기업으로, 고성능 막 전극(MEA)의 대량 국산화 및 산업화에 힘쓰고 있으며, 국내외 연료전지 제조업체에 저렴하고 고성능의 막 전극 핵심 부품을 공급하고, 중국이 핵심 연료전지 소재에 대한 장기간의 외국 기술 의존 문제를 해결하고 있습니다.
그것은 이해된다홍지창능은 독자적으로 최초의 완전 자동화된 MEA 패키징 생산라인을 개발하였고, 국제적으로 선도적인 수준에 부합하는 독자적인 지적재산권을 보유한 자동차용 연료전지 막 전극을 생산하였습니다.이는 이 산업에서 외국 기업의 기술 독점을 깨고 중국 내 이 산업의 공백을 메웠습니다. 2022년 홍지창능의 연간 막전극 출하량은 170만개에 달했습니다.
국제수소에너지위원회(IHC)는 2030년까지 녹색 수소 수요가 7,500만 톤으로 증가할 것으로 예상한다고 밝혔습니다. 재생 가능하고 탄소가 적은 수소에 대한 전 세계 수요는 향후 10년 동안 50% 증가할 것입니다. 기존 에너지 기업과 수소연료전지의 '우정' 덕분에 수소연료전지의 개발은 더 이상 순수한 연료전지 차량에만 국한되지 않고, 궁극적으로는 전체 에너지 시스템과 긴밀하게 연결될 것입니다.