质子交换膜燃料电池催化剂层降解机制与预测建模研究进展

为解决质子交换膜燃料电池(PEMFCs)催化剂层(CL)降解导致的效率与耐久性瓶颈，研究人员系统综述了铂溶解、碳载体腐蚀等关键降解机制，整合加速应力测试(ASTs)、电化学表征(如CV/EIS)与多尺度建模方法，提出物理-数据融合的混合建模框架，为高稳定性CL设计提供理论支撑。

　　

随着全球能源结构向低碳化转型，质子交换膜燃料电池(PEMFCs)因其高能量转换效率和零排放特性成为氢能利用的核心装置。然而，制约其商业化应用的关键瓶颈在于催化剂层(CL)的不可逆降解——铂(Pt)纳米颗粒的溶解、奥斯特瓦尔德熟化(Ostwald ripening)、碳载体腐蚀以及颗粒团聚等问题，导致电化学活性表面积(ECSA)持续下降，最终引发电池性能衰减。传统实验方法如加速应力测试(ASTs)虽能模拟长期运行工况，但耗时耗力且难以揭示微观机制；而单一建模方法中，物理模型参数复杂，数据驱动模型又缺乏可解释性。如何建立精准的CL降解预测体系，成为推动PEMFC技术突破的重要科学问题。

针对这一挑战，国际University of Rabat的Laghryb Ilham团队在《International Journal of Hydrogen Energy》发表综述，系统梳理了CL降解机制、实验诊断技术与建模方法的最新进展。研究通过整合循环伏安法(CV)、电化学阻抗谱(EIS)等原位表征手段与多尺度建模策略，创新性提出物理机理与机器学习融合的混合建模框架，为CL寿命预测和材料优化提供了新范式。

关键技术方法
研究采用三层次技术路线：(1)实验层面结合ASTs模拟实际工况，通过电压循环、湿度波动等加速应力诱导降解；(2)表征技术涵盖电化学方法(CV检测ECSA、EIS分析界面反应动力学)与显微技术(TEM观测Pt颗粒形貌演变)；(3)建模方法对比分析物理模型(如Pt溶解动力学方程)与数据驱动模型(机器学习预测ECSA衰减)，最终构建混合模型集成两者优势。

研究结果

1. 基础机制解析
   CL降解主要源于四类机制：Pt²⁺
   溶解-再沉积导致活性位点流失；碳载体在>1.0 V vs RHE电位下发生电化学氧化；Pt颗粒因温度/电位波动发生团聚；奥斯特瓦尔德熟化引发小颗粒溶解与大颗粒生长。TEM观测证实，ASTs后Pt平均粒径从3 nm增至8 nm，ECSA下降40%。

2. 实验诊断突破
   ASTs通过动态负载循环(0.6-1.0 V)将数月降解压缩至百小时，同步结合在线EIS识别电荷转移阻抗增长。差分电化学质谱(DEMS)首次捕获到CO₂
   释放信号，直接证实碳腐蚀的发生。

3. 建模策略创新
   物理模型成功量化Pt溶解速率与电位/温度的关系(Arrhenius方程R²

0.95)，但无法预测局部异质性；机器学习模型(随机森林、LSTM)在ECSA衰减预测中误差<5%，但依赖大数据训练。混合模型通过物理约束提升数据外推能力，寿命预测误差较单一模型降低32%。

结论与展望
该研究确立了CL降解的多尺度关联规律：宏观性能衰减(电压损失0.12 mV/h)与微观ECSA下降呈指数关系，而碳载体腐蚀是后期性能骤降的主因。提出的混合建模框架兼具机理透明性与预测精度，为CL材料设计提供新工具。未来需开发原位-operando联用技术，并引入量子计算优化Pt-载体相互作用模型，最终实现"设计-制造-服役"全链条降解调控。这项成果不仅推动PEMFC耐久性研究从经验走向理性设计，更为其他电化学系统衰减机制研究提供了方法论借鉴。