L'IA Criblant Les Matériaux Des Batteries, L'académicien Ye Siyu De L'université De Guangzhou a Développé Un Modèle D'algorithme D'apprentissage Automatique Qui Peut Être Utilisé Pour La Prédiction Des Matériaux P-SOC.

Auteur : Tian Xiaoyao

Rédacteur en chef : Li Baozhu, Sanyang

Source de l'image de couverture : Photo Network

Des chercheurs de l'Université de Guangzhou ont établi un modèle d'apprentissage automatique basé sur l'algorithme Extreme Gradient Boosting (XGBoost), qui peut être utilisé pour le criblage des électrodes à air P-SOC.

Quelle est la popularité actuelle des nouvelles énergies ? Selon les données de l'Association chinoise des constructeurs automobiles, de janvier à novembre 2023, la part de marché des véhicules à énergie nouvelle dans mon pays a atteint 30,8%, ce qui est dû à la prospérité continue de l'industrie des batteries au lithium. Cependant, outre la technologie des batteries au lithium, les batteries à l’état solide sont également la direction suivie par le capital et les entreprises, et sont même saluées comme le « point final des véhicules électriques ». Ces dernières années, les fabricants d’automobiles et de batteries de Chine, des États-Unis, du Japon et d’Allemagne sont entrés sur le marché les uns après les autres. L’industrie des batteries à semi-conducteurs a connu une frénésie de capitaux initiale et est entrée dans une phase plus pragmatique d’exploration de mise en œuvre.

L'attention accrue du capital et de l'industrie a grandement favorisé les progrès de la recherche scientifique dans les domaines connexes, et le développement de la technologie des batteries alimentées par une énergie propre a également stimulé l'innovation de matériaux clés. Parmi elles, les batteries à oxyde solide conductrices de protons (P-SOC) présentent les avantages d'un fonctionnement à basse température et d'une faible énergie d'activation de conduction ionique. Ils sont progressivement connus du grand public et reçoivent de plus en plus d’attention.

Cependant, un obstacle majeur au développement de P-SOC hautes performances est le manque d’électrodes à air conductrices de protons efficaces. Actuellement, les matériaux d'électrode à air largement utilisés pour les P-SOC sont les oxydes de pérovskite à base de Co/Fe, mais aucune étude systématique n'a été menée sur le rôle des différents éléments sur le site B dans les oxydes de pérovskite à base de Co/Fe.

Pour résoudre ce problème,Des chercheurs de l'Université de Guangzhou ont établi un modèle d'apprentissage automatique basé sur l'algorithme Extreme Gradient Boosting (XGBoost), qui peut être utilisé pour le criblage des électrodes à air P-SOC.Et cela a élargi l’application de l’apprentissage automatique dans les matériaux clés des piles à combustible. À l’heure actuelle, des résultats pertinents ont été publiés dansMatériaux fonctionnels avancés".

Obtenez le papier :
https://onlinelibrary.wiley.com/doi/10.1002/adfm.202309855

Répondez « pile à combustible » pour obtenir le document complet en PDF

Ensemble de données : Variables du système de contrôle

En comparant les performances de prédiction de la forêt aléatoire (RF) et de XGBoost sur l'ensemble de données d'échantillons, cette étude a d'abord sélectionné 792 échantillons contenant 29 caractéristiques comme base de données pour étudier les oxydes de pérovskite à base de Co/Fe avec différents dopants sur le site B.

Architecture du modèle : choisir le meilleur des deux modèles

La tâche de prédiction de régression dans cette étude a comparé deux modèles d'apprentissage d'ensemble, à savoir
* RF, qui peut construire plusieursArbre de décision, et intégrer les prédictions de chaque arbre de décision
* XG-Boost, qui est basé sur l'algorithme d'arbre de décision de boosting de gradient (comme indiqué ci-dessous)

Bien que le modèle XGBoost et le modèle RF présentent tous deux d'excellentes performances de prédiction, on peut voir sur la figure ci-dessous que lorsque la valeur réelle de la variable cible est élevée, le modèle RF sous-estime sa valeur prédite. En revanche, les valeurs prédites du modèle XGBoost sont réparties plus uniformément des deux côtés de la ligne 1:1. donc,Cette étude a sélectionné XGBoost comme modèle principal pour l’analyse de recherche.

Comme le montre la figure ci-dessous, le modèle d’apprentissage automatique basé sur XGBoost utilise la structure de l’élément comme entrée pour filtrer les électrodes à air P-SOC.

Par la suite, l'équipe de recherche a réussi à sélectionner un matériau d'électrode à air à haute efficacité LCN91 pour les P-SOC sur la base des résultats de prédiction de l'apprentissage automatique et des calculs de la théorie fonctionnelle de la densité (DFT), dont l'énergie d'activation est comparable à celle des électrodes à air bien connues.

Conclusion expérimentale : LCN91 a une meilleure activité catalytique

La conductivité protonique est déterminée par une combinaison d'absorption de protons (PAA), de diffusion de protons et de transfert de protons dans l'oxyde. Les expériences montrent que l'écart du PAA est positivement corrélé à l'écart de conductivité protonique, en particulier lorsque la mobilité protonique (c'est-à-dire le coefficient de diffusion) des deux composés est la même, le PAA peut être directement utilisé pour mesurer la conductivité protonique.

Dans l’apprentissage automatique, les scores d’importance des fonctionnalités sont utilisés pour déterminer l’importance relative de chaque fonctionnalité lors de la création d’un modèle prédictif. En combinant l’expérience expérimentale et la théorie, le classement de l’importance des fonctionnalités peut nous aider à vérifier le modèle d’apprentissage automatique construit et à améliorer l’interprétabilité du modèle. La figure ci-dessous montre le classement de l’importance des fonctionnalités dans la prédiction PAA du modèle XGBoost.

Afin d'étudier clairement le rôle des éléments dopants sur le site B, cette étude a fixé La sur le site A et utilisé 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 et Yb comme éléments dopants (B1).

La diminution de ΔE (enthalpie d'hydratation) avec la présence de Ni indique que Ni est bénéfique pour la réaction d'hydratation dans LCN91 car plus le ΔE est petit, plus la réaction d'hydratation se déroule facilement.

En résumé,Le LCN91 est plus propice à la réaction d’hydratation.Cela est cohérent avec les résultats prédits par le modèle d’apprentissage automatique, dans lesquels le PAA de LCN91 est supérieur à celui de LCN82. Pendant ce temps, l’oxyde LCN91 a une meilleure activité catalytique.

Des évaluations expérimentales ont montré que le LCN91 est considéré comme une bonne électrode à air P-SOC, cependant, le coefficient de dilatation thermique (TEC) des oxydes de la famille LaCoO3 est très élevé par rapport au matériau de l'électrolyte, ce qui peut entraîner la chute de l'électrode de l'électrolyte pendant un fonctionnement à long terme, raccourcissant ainsi la durée de vie de la batterie.

Bien que le LCN91 présente encore des domaines nécessitant des améliorations et des perfectionnements, cette étude a vérifié l'excellente conductivité protonique du LCN91 en combinant des modèles de machines et des calculs DTF, et a également fourni des orientations pour le développement futur de nouveaux oxydes d'électrodes à air avec une conductivité protonique élevée et des coefficients de dilatation thermique appropriés.

L'académicien Ye Siyu : les piles à combustible à hydrogène ne sont qu'un point de départ

À l’heure actuelle, le « pic carbone et la neutralité carbone » sont devenus un consensus mondial. En tant que source d’énergie propre, efficace et renouvelable disposant de vastes réserves, l’énergie hydrogène constitue un moyen important de décarboner diverses industries. La cellule à oxyde solide à conducteur de protons (P-SOC) présente les avantages d'un faible coût des matières premières, d'un faible impact environnemental et d'une efficacité d'électrolyse théorique élevée. Il s'agit du centre de recherche et du point névralgique dans le domaine de la production d'hydrogène vert par électrolyse de l'eau.

En tant qu'expert de premier plan reconnu internationalement dans le domaine de l'électrocatalyse des piles à combustible et de la conception de couches catalytiques/MEA,L'académicien Ye Siyu s'est depuis longtemps engagé dans divers aspects de la recherche et du développement des piles à combustible à membrane échangeuse de protons.Il est actuellement membre de l'Académie canadienne d'ingénierie, professeur à l'École de chimie et de génie chimique de l'Université de Guangzhou, directeur et scientifique en chef du Centre d'innovation en énergie hydrogène de Huangpu, et vice-président et directeur de la technologie de Hongji Chuangneng Technology (Guangzhou) Co., Ltd.

En tant que première entreprise nationale spécialisée et innovante de type « petit géant » dans le domaine de la recherche, du développement et de la production d'électrodes à membrane pour piles à combustible à s'installer à Guangzhou, Hongji Chuangneng s'engage à localiser et à industrialiser à grande échelle des électrodes à membrane haute performance (MEA) pour les piles à combustible à membrane échangeuse de protons, en fournissant des composants de base d'électrodes à membrane à faible coût et haute performance aux fabricants de piles à combustible nationaux et étrangers, résolvant ainsi le problème de la dépendance à long terme de la Chine à l'égard des technologies étrangères pour les matériaux de base des piles à combustible.

Il est entendu queHongji Chuangneng a développé de manière indépendante la première ligne de production d'emballages MEA entièrement automatisée et a produit des électrodes à membrane pour piles à combustible automobiles avec des droits de propriété intellectuelle indépendants qui sont conformes au niveau international de premier plan.Il a brisé le monopole technologique des entreprises étrangères dans cette industrie et a comblé le vide dans cette industrie en Chine. En 2022, les expéditions annuelles d'électrodes à membrane de Hongji Chuangneng ont atteint 1,7 million de pièces.

La Commission internationale de l'énergie hydrogène indique que la demande en hydrogène vert devrait atteindre 75 millions de tonnes d'ici 2030. La demande mondiale en hydrogène renouvelable à faible teneur en carbone augmentera de 501 millions de tonnes au cours des 10 prochaines années. Grâce à « l’amitié » entre les entreprises énergétiques traditionnelles et les piles à combustible à hydrogène, le développement des piles à combustible à hydrogène ne se limitera plus aux véhicules à pile à combustible pure, mais sera finalement étroitement lié à l’ensemble du système énergétique.