《Computers & Chemical Engineering》：Performance Optimization of Proton Exchange Membrane Electrolyzer Cell Using Experimental and Machine Learning Approaches
编辑推荐：
质子交换膜电解槽（PEMEC）性能优化研究通过实验与机器学习结合，分析钛 felt与钛粉末两种PTL材料、温度及水流率的影响，发现钛粉末显著提升性能，温度效应明显而水流率影响小，并建立AdaBoost预测模型验证了多参数交互作用。
梅沙克·B·恩贡古（Meshac B. Ngungu）|王凯晨（Kaichen Wang）|姆布拉·恩戈伊·纳德热格（Mbula Ngoy Nadège）|卢万晨（Wanchen Lu）|迈克尔·N·扬茨（Michael N. Yang’tshi）|康斯坦特·库南布·姆博利基多拉尼（Constant Kunambu Mbolikidolani）|徐超（Chao Xu）
中国华北电力大学新能源储能技术实验室，北京102206
摘要
本研究系统地探讨了质子交换膜电解槽（PEMEC）在氢气生产中的性能优化问题，结合了实验分析和机器学习方法。研究了关键的操作参数（如温度和水流速率）以及多孔传输层（PTL）材料对电化学性能的影响。通过扫描电子显微镜（SEM）、极化曲线和电化学阻抗谱（EIS）对两种PTL材料——钛毡（Ti-felt）和钛粉（Ti-powder）进行了表征。结果表明，在相同条件下，钛粉显著提升了PEMEC的性能。相比之下，水流速率的变化对性能影响甚微，这突显了在某些情况下材料属性相对于流体动力学的主导作用。此外，温度的升高也显著改善了性能。通过将机器学习（特别是AdaBoostRegressor模型）应用于PEMEC的优化，建立了性能趋势和操作参数相互作用的预测模型。
引言
氢气对于全球向可持续能源系统的转型至关重要，它是工业运营、发电和交通等领域中化石燃料的清洁替代品（Akpasi等人，2025年；FAN，2024年）。在各种氢气生成方法中，利用质子交换膜电解槽（PEMEC）的水电解方法因其高效、紧凑的设计以及在动态条件下的运行能力而备受关注（Liu等人，2024年）。与传统碱性电解槽不同，PEMEC具有快速响应时间和高电流密度，使其能够与太阳能和风能等可再生能源结合使用（Ahaotu等人，2025年；Lindquist和Boettcher）。
提高PEMEC的性能需要关注多个关键因素，包括操作温度、水流速率、膜的性质以及多孔传输层（PTL）的特性。尽管PEM电解技术取得了显著进展，但仍存在一些关键挑战阻碍其大规模应用，如能源效率、材料降解和操作稳定性等问题，这些问题共同限制了该技术满足工业规模氢气生产需求的能力。
一个核心问题是PTL的优化，它是影响PEMEC电化学性能的关键组成部分。PTL材料的选择依赖于先进的表征技术，如扫描电子显微镜（SEM），该技术可以揭示孔径分布和形态等关键微观结构细节。结合水流速率和温度等操作参数，这些材料属性在决定系统总效率和寿命方面起着关键作用。然而，目前对通过SEM评估的PTL微观结构与操作条件之间复杂相互作用的理解仍然有限。尽管已有大量研究关注催化剂材料和膜的性质，但PTL在控制电荷传输和质量传输动态中的关键作用尚未得到充分研究。因此，将SEM等技术的微观结构洞察整合到PTL设计中，将有助于加深理解并加速高性能PEMEC的开发。
现有的PEMEC性能评估方法主要依赖于实验研究或数值建模（Bayat等人，2025年）。虽然这些方法提供了有价值的见解，但它们通常耗时、资源密集，并且在捕捉PEMEC行为中的复杂非线性关系方面存在局限性。此外，机器学习（ML）在预测分析方面的潜力尚未得到充分探索。尽管已有相关研究（Batalla等人，2024年；Han等人，2024年），但将其与先进的ML方法结合仍处于早期阶段。这代表了一个未充分利用ML预测能力来优化PEMEC性能的机会。
选择合适的机器学习算法取决于数据结构、问题领域以及可解释性、准确性和计算效率之间的权衡。最常用的机器学习技术包括K-最近邻（KNN）、支持向量机（SVM）、随机森林（RF）和AdaBoost回归器。这些算法之间的差异在于它们的归纳偏见：KNN是一种基于几何的“懒惰”学习器（Kumar，2019年）；SVM是一种利用核理论的“最大间隔”优化器；RF和AdaBoost是集成方法，但策略不同：RF通过自助聚合减少方差，促进模型独立性；AdaBoost通过自适应加权减少偏差，形成依赖性的序列模型。在实际应用中，RF通常作为稳健的高性能基准，需要较少的超参数调整；而AdaBoost虽然可以实现更高的准确性，但在噪声数据上容易过拟合。SVM在存在明显边界分离的情况下表现优异，而KNN则适用于小型、低维数据集和简单的距离度量。
此外，选择合适的ML模型对于准确预测性能至关重要。传统的回归模型常用于电化学研究（Giordano等人，2023年），但往往无法捕捉到控制PEMEC行为的复杂非线性关系。尽管AdaBoost回归器等先进ML技术在其他科学领域展现了出色的预测能力，但尚未应用于基于PTL材料、温度和水流速率变化的PEMEC性能预测。这突显了一个亟需进一步研究的研究空白。解决这些空白对于推动下一代高效PEM电解槽的发展至关重要。
本研究利用实验数据、先进ML技术和电化学表征方法的协同潜力，旨在通过研究PTL材料、水流速率和温度的影响来建立优化PEMEC性能的新框架。这样的框架不仅将增强对PTL材料功能和操作参数的理解，还将为设计更高效、更具成本效益的PEM电解槽开辟可能性。
本研究采用了AdaBoost回归器进行PEMEC性能预测。与传统依赖确定性方法的电化学模型不同，本研究引入了一种基于ML的预测框架，能够捕捉PTL特性、温度和水流速率之间的复杂非线性相互作用，这是基于全面的电化学和ML整合的跨学科研究。此外，ML预测结果通过真实实验室数据进行了严格验证，确保了其可靠性和稳健性。与以往仅关注实验或数值方法的研究不同，本研究将PTL的表征与扫描电子显微镜图像、极化曲线、Kramers-Kronig变换、KKT误差验证、EIS、DRT正则化参数选择、DRT特性分析以及机器学习相结合，提供了全面的性能评估。最后，通过比较不同条件下的钛毡和钛粉，本研究为PTL选择提供了新的见解，以实现最佳的氢气生产效率，从而实现了系统的PTL评估。
如图1.a所示，水电解实验装置由PEMEC、电热恒温水浴、精密蠕动泵、可编程直流电源和数字扭矩扳手组成。精密蠕动泵包括驱动器、泵和软管，可以手动或自动调节流量，以满足实验所需的不同水流速率。电热恒温水浴由PID数字控制器调节。
实验室规模的PEMEC采用多层结构设计，如图2所示。该设计使用了环氧树脂端板保证结构完整性，并配备了集成加热棒的铝板以实现精确的温度控制。内部结构包括镀金电流分布板以确保良好的电接触，以及聚四氟乙烯（PTFE）密封垫。此外，还加工出了蛇形流道图案以优化流体流动。
在使用PEMEC生产氢气的过程中，温度会影响电池的可逆电压、活化过电位和欧姆过电位（Zhao等人，2022年；Zhao等人，2022年）。实验中，初始水流速设定为30 mL/min，进水温度分别调整为40°C、50°C、60°C、70°C和80°C。随后，水流速率再次调整为40 mL/min，进水温度保持不变。
本研究通过结合先进的电化学方法和机器学习，建立了一个稳健的框架来提升PEMEC的性能。系统地研究了PTL材料（钛毡与钛粉）和操作参数（温度和水流速率）对氢气生产效率的影响。
梅沙克·B·恩贡古（Meshac B. Ngungu）：方法论、验证、正式分析、数据整理、初稿撰写、审稿与编辑、可视化。
王凯晨（Kaichen Wang）：方法论、研究、审稿与编辑、数据整理。
姆布拉·恩戈伊·纳德热格（Mbula Ngoy Nadège）：审稿与编辑、正式分析。
卢万晨（Wanchen Lu）：验证、研究、数据整理。
迈克尔·N·扬茨（Michael N. Yang’tshi）：正式分析、审稿与编辑、资源准备。
康斯坦特·库南布·姆博利基多拉尼（Constant Kunambu Mbolikidolani）：审稿与编辑。
本研究的支持数据可应要求向相应作者索取。由于隐私或伦理限制，这些数据不对外公开。
