基于机器学习的固体氧化物电池氢氧化机制分类方法

《Energy and AI》：A Machine Learning Based Method for Hydrogen Oxidation Mechanisms Classification in Solid Oxide Cells

　　

固体氧化物电池（Solid Oxide Cells, SOC）中反应机制的研究可为改进电极结构、优化操作条件和提升电池性能奠定理论基础。传统的机制研究方法涉及通过实验生成电池性能曲线或构建基本反应模型，这种方法复杂且易受人为误差影响。在本研究中，研究人员引入了一种基于机器学习的新型机制识别方法。该模型能够从电化学阻抗谱（Electrochemical Impedance Spectroscopy, EIS）中高精度提取动力学细节，并准确分类四种氢氧化机制。结果表明，利用先进的人工智能工具可以将复杂的传统电化学分析简化为自动化黑箱模型，为研究人员摆脱昂贵且费力的实验提供了有前景的解决方案。

固体氧化物燃料电池（SOFC）能够在600–1000 °C高温下将化学能直接转化为电能，并兼容氢气、烃类等多种燃料，但其阳极反应机制极为复杂，涵盖气体吸附/解吸、表面扩散、体相扩散及电荷转移等过程。传统机制研究方法主要依赖实验性能曲线或基本反应模型，不仅对研究人员专业知识要求极高，且结果易受主观因素影响，不同研究团队之间甚至存在矛盾（如Mogensen等与Mizusaki等关于氢气和水分压影响的争议）。因此，发展客观、高效且自动化的机制识别方法对优化电极结构、提升电池性能及多物理场模型预测精度具有重要意义。

在该研究中，研究人员以Ni/YSZ（镍/氧化钇稳定的氧化锆）阳极上的氢氧化反应为案例，采用四种广为认可的反应机制（M1: Mogensen等的氢溢出机制；M2: Bessler等的凝聚氢溢出机制；M3: Mizusaki等的氧溢出机制；M4: Bieberle等的氧溢出机制）。通过建立一维瞬态基元反应动力学模型，耦合电荷守恒、质量守恒及基元化学反应，并利用指数电压阶跃信号结合非均匀步长傅里叶变换算法加速电化学阻抗谱（EIS）计算，生成大量模拟样本。使用双向长短期记忆（Bidirectional Long Short-Term Memory, BiLSTM）神经网络，以EIS数据和H₂/H₂O分压比作为输入，通过三层BiLSTM（256→128→64单元）及全连接层实现自动分类。模型在2000个模拟样本（每种机制500个）上训练，验证集准确率达84.8%，测试集准确率为77%，宏F₁分数为85.0%。混淆矩阵显示M2机制分类完全正确（100%），M1、M3、M4均约80%。通过两个实验案例验证：Case 1利用Mogensen等实验数据，模型预测为M1机制（氢溢出），与原始研究结论一致；Case 2利用de Boer等实验数据，虽不属于四种训练机制，但模型仍正确归类为氢溢出机制，表明其对未训练类别具有参考判别能力。研究还指出，当前模型为黑箱模型，未来可通过引入注意力机制增强可解释性，并可扩展至动力学参数回归预测。

该研究证明了机器学习能够高效捕捉阳极电化学与EIS之间的深层关联，省去传统电化学参数提取与计算步骤，为SOFC反应机制研究提供了一种更简单、快速且稳健的自动化方法。论文发表在《Energy and AI》。

**关键技术方法**：主要技术方法包括：1）建立一维瞬态SOFC模型，耦合电荷守恒、质量守恒及基元反应动力学，考虑双电层电容效应和扩展Fick扩散模型；2）采用指数电压阶跃信号和傅里叶变换算法加速EIS计算，生成大量模拟数据；3）使用BiLSTM神经网络，以EIS数据和H₂/H₂O分压比为输入，通过三层BiLSTM（256→128→64单元）、Dropout（0.15–0.2）及全连接层（1024→512→256）进行分类。样本来源于模拟生成的2400个样本，最终选用2000个样本（每种机制500个）进行训练验证。

**研究结果**：

**3.1 模型训练**：对比不同样本量（800–2400），发现样本量为2000时验证集准确率最高（84.8%），测试集准确率为77%。混淆矩阵显示M2分类完全正确（100%），M1、M3、M4分别为77.4%、80.0%、84.5%的F₁分数，宏F₁分数85.0%，表明模型有效学习各机制特征。

**3.2 模型验证**：通过两个实验案例验证。Case 1使用Mogensen等实验数据（H₂/H₂O分压比0.9985:0.0015和0.97:0.03），模型预测为M1机制（氢溢出），与原始结论一致。Case 2使用de Boer等实验数据，虽不属于四种机制，但模型仍正确归类为氢溢出机制，表明模型对未训练类别有参考能力，但仅限于同种材料体系（Ni/YSZ），其他电极材料需重新训练。

**3.3 展望**：当前模型为黑箱模型，缺乏物理可解释性；未来可结合注意力机制映射模型权重与物理过程，提高可解释性；可接受更多输入类型（如动力学参数回归）；需要开发高质量大规模数据集以提升预测精度；本研究验证了神经网络在多分类电化学反应机制中的可行性。

**总结讨论部分**：讨论指出，模型虽然有效，但本质为黑箱模型，物理可解释性需进一步探索。通过耦合注意力机制等工具，可建立权重与具体物理过程的映射，从而阐明复杂动力学行为（如高频电荷转移或低频传质对机制的影响）。本研究为SOFC阳极电化学反应机制研究提供了新途径，可大幅降低时间成本和主观因素影响，并可为催化化学、有机化学等领域提供参考。但需强调，模型依赖大规模数据集，数据来源和质量对精度影响显著，当前使用模拟数据，未来需发展高质量可靠数据集。

**研究结论翻译**：在本研究中，研究人员开发了一种机器学习模型，用于识别固体氧化物燃料电池（SOFC）Ni/YSZ阳极的氢氧化电化学机制。结果表明，该模型在识别和分类四种常用机制时达到了约80%的准确率。该研究证明，机器学习模型能够捕捉阳极电化学与电化学阻抗谱（EIS）之间更微妙、内在和全面的关系，而无需进行电化学性质提取和计算，从而简化了电化学分析。总之，提出了一种更简单、更快且更稳健的方法来阐明固体氧化物燃料电池阳极的电化学氧化机制。