机器学习赋能 PEM 水电解槽：精准预测涂层 PTL 腐蚀行为，加速氢能产业发展

为解决 PEM 水电解槽中 PTL 腐蚀致其耐久性受限的问题，研究人员开展用机器学习模型预测 PTL 涂层腐蚀行为的研究。结果显示 ANN 模型预测效果最佳，这有助于优化 PTL 涂层成分，推动 PEM 水电解槽商业化。

　　在全球致力于实现可持续能源转型的大背景下，氢能作为一种清洁高效的能源载体，正逐渐成为研究的热点。通过水电解产生的绿色氢能，能够为交通运输等领域提供零排放的燃料，有力地推动全球的脱碳进程。质子交换膜（PEM）水电解槽因其具有较高的效率（60 - 80％）、对可再生能源波动的快速响应能力以及紧凑的设计，成为大规模生产绿色氢能的理想选择。然而，PEM 水电解槽在实际应用中却面临着严峻的挑战，其中多孔传输层（PTL）的腐蚀问题尤为突出。

PTL 在 PEM 水电解槽中起着至关重要的作用，它不仅负责将水高效地传输到阳极催化剂层，还能帮助移除产生的氧气，为催化剂层和双极板之间提供导电通路，并为膜电极组件提供结构稳定性。但在 PEM 水电解槽的酸性环境中，PTL 极易发生腐蚀，特别是在水分解反应所需的高过电位条件下，腐蚀情况会更加严重。这不仅影响了 PEM 水电解槽的性能，还限制了其使用寿命和商业推广。目前，为了提高 PTL 的耐久性和耐腐蚀性，研究人员通常会采用各种沉积技术在 PTL 表面涂覆防腐涂层，并通过实验来表征这些涂层的性能。但传统的预测涂层性能的方法，无论是基于大量实验还是复杂的物理 - 电化学建模，都存在着时间长、成本高的问题。因此，寻找一种更高效、准确的方法来预测 PTL 涂层的腐蚀行为，对于优化涂层设计、提高 PEM 水电解槽的性能和加速其商业化进程至关重要。

在这样的背景下，研究人员开展了一项旨在利用机器学习（ML）模型预测 PEM 水电解槽中不同合金成分 PTL 涂层腐蚀行为的研究。该研究成果发表在《Artificial Intelligence Chemistry》上。

在研究过程中，研究人员主要运用了以下几种关键技术方法：首先是实验制备技术，通过等离子溅射在 Ti PTL 基底（Ti - felt）上涂覆不同铌（Nb）和钽（Ta）合金比例的涂层，制备出具有不同特性的 PTL 涂层样本；其次是多种表征测试技术，利用恒电位极化测试评估涂层材料的电化学稳定性和性能，通过寿命终止（EOL）测试模拟长期运行条件以评估 PTL 的耐久性和降解情况，还使用测角仪测量涂层表面接触角来表征表面润湿性；最后是机器学习建模技术，开发了极端梯度提升（XGB）和人工神经网络（ANN）模型，将实验获得的数据进行分类处理，用于预测腐蚀电流密度和 EOL 电压。

研究结果主要分为以下几个部分：

1. Dataset 1 - 恒电位极化
   • XGB 建模：基于 Dataset 1 开发的 XGB 模型，使用 Nb - Ta 比、恒电位极化时间和接触角作为输入特征预测腐蚀电流密度。分别使用平均绝对误差（MAE）和均方误差（MSE）作为损失函数进行优化。XGB - MAE 模型在训练、交叉验证和测试中表现出色，R²值均达到 0.999，但在预测高腐蚀电流密度区域时存在偏差。XGB - MSE 模型与 XGB - MAE 模型表现相似，且增加树深度也未改善结果，表明 XGB 模型在捕捉数据非线性趋势方面存在局限性。
   • ANN 建模：ANN 模型同样使用三个输入特征预测腐蚀电流密度。经过优化确定了模型架构和超参数，分别使用 MAE 和 MSE 作为损失函数训练 ANN - MAE 和 ANN - MSE 模型。ANN - MAE 模型在预测未见过的 Nb - Ta 合金数据时表现优于 XGB 模型，R²达到 0.990。ANN - MSE 模型表现最佳，R²达到 0.993，在其他性能指标上也表现出色，能够有效预测 PTL 涂层的电化学稳定性和耐腐蚀性。
   
   
2. Dataset 2 - 寿命终止测试
   • XGB：基于 Dataset 2 开发的 XGB 模型，使用涂层合金比、EOL 测试时间和接触角作为输入特征预测 EOL 电压。XGB - MAE 模型在训练数据上表现良好，但预测未见过的数据时准确性较低，R²为 0.842。XGB - MSE 模型在训练数据上表现优秀，在未见过的数据上 R²提高到 0.911，但在后期预测中仍存在不一致性。
   • ANN：基于 Dataset 2 开发的 ANN 模型，使用与 XGB 模型相同的输入特征预测 EOL 电压。引入了随机失活（dropout）概率函数以防止过拟合。ANN - MAE 模型在未见过的合金数据上 R²达到 0.941，加入 0.1 的 dropout 概率后（ANN - MAE - DRPT），R²提高到 0.958。ANN - MSE 模型表现最佳，R²达到 0.960，加入 0.1 的 dropout 概率后（ANN - MSE - DRPT），R²达到 0.966，在所有模型中预测准确性最高。
   
   

研究结论和讨论部分指出，该研究通过实验测量和机器学习技术，有效地预测了 PTL 涂层的腐蚀电流密度和 EOL 电压，这两个指标是评估 PTL 耐腐蚀性的关键指标。研究结果表明，ANN 模型在预测 PTL 涂层的耐腐蚀性能和降解行为方面表现最为出色，其预测准确性（R²）在腐蚀电流密度预测中超过 0.99，在 EOL 电压预测中达到 0.966。这一研究成果具有重要意义，为 PEM 水电解槽 PTL 涂层成分的优化提供了精准的数据驱动预测方法，能够加快优化进程，有助于提高 PEM 水电解槽的性能和耐久性，推动其在绿色氢能生产领域的广泛应用。此外，研究人员还提出未来可以将这些机器学习模型与优化算法（如遗传算法）相结合，进一步寻找最佳的涂层比例，从而进一步提升 PTL 的性能，为实现可持续的氢能经济奠定坚实的基础。