机器学习驱动的质子陶瓷燃料电池制造特征重要性分析：优化材料与工艺的关键指南

为解决质子陶瓷燃料电池(PCFC)材料与制造工艺优化难题，研究人员采用机器学习(ML)方法，通过XGBoost模型和SHAP分析，系统评估了591组数据中55个特征对峰值功率密度(MPD)的影响，揭示了Co、Ba、Pr等关键材料组分及烧结温度、电解质厚度等工艺参数的权重，为高效PCFC制造提供了数据驱动的优化路径。

　　

在全球能源转型的背景下，质子陶瓷燃料电池（PCFC）因其高效率、低温运行潜力成为绿色能源技术的新星。然而，其发展面临双重挑战：一方面，材料体系需兼顾质子传导率与化学稳定性，如BaZr_0.1Ce_0.7Y_0.2O_3-δ(BZCY)等电解质的Zr/Ce配比直接影响离子电导率；另一方面，制造工艺中烧结温度（>1400°C）与电极/电解质结构匹配问题导致性能波动。传统试错法耗时耗力，亟需数据驱动的智能优化方案。

为此，研究人员整合了124篇文献中的591组实验数据，涵盖55个材料与工艺特征，以峰值功率密度(MPD)为目标变量，系统评估了6种机器学习模型的预测能力。研究发现，XGBoost模型以训练集R²=0.9911、验证集R²=0.8217的优异表现脱颖而出。通过网格搜索优化gamma和reg_lambda等超参数后，采用SHAP（Shapley Additive Explanations）方法解析了关键影响因素。

数据收集与模型构建
研究团队构建了包含阳极（Ni/电解质比例）、阴极（Co-Ba-Pr基钙钛矿）和电解质（Zr-Ce-Yb-Y体系）的材料组分数据库，以及烧结温度、时间、厚度等12项工艺参数。采用min-max归一化处理温度与工艺参数，通过5折交叉验证确保模型稳健性。

关键研究结果

1. 材料组分的影响
阴极材料中，Co的SHAP值最高（均值0.38），其高催化活性与热膨胀系数失配风险形成矛盾；Ba（0.32）通过扩大晶格提升离子传导，而Pr（0.25）增强氧表面交换。电解质中Zr与Ce呈现拮抗效应：低Zr含量（蓝色数据点）提升性能，而高Ce含量（红色）导致性能下降，印证了BZCYYb1711中Zr⁴⁺(84pm)与Ce⁴⁺(97pm)的离子半径平衡机制。

2. 制造工艺的优化窗口
阳极功能层厚度（A_Thickness）是最大工艺变量，薄层化可缩短质子传输路径；阴极烧结温度呈现双峰分布，1350-1450°C区间存在性能极值。电解质厚度（E_Thickness）的强负相关（SHAP=-0.41）证实了纳米级沉积技术的优势，如脉冲激光沉积可将欧姆损耗降低至0.28Ω·cm²。

3. 特征交互作用
SHAP交互图显示，工作温度（O_Temp）与各层厚度存在显著协同效应。例如在600°C时，电解质厚度每减少10μm可使MPD提升17%，而阴极中Pr-Ni组合的弱交互作用（|SHAP|<0.05）提示材料设计需避免简单叠加。

结论与展望
该研究通过ML量化了PCFC材料-工艺-性能的复杂映射关系，首次证实制造工艺（占TOP10特征的60%）比材料组分更具优化潜力。例如微波烧结工艺可使性能提升1.7倍至0.85W/cm²（600°C），这为突破传统材料研发范式提供了新思路。未来研究可结合生成对抗网络（GAN）构建虚拟微结构，进一步加速PCFC的智能化设计。论文发表于《Array》，为能源材料领域的数字孪生技术树立了标杆。