推进固体氧化物电解池研究：基于机器学习和实验数据的方法，用于控制电池堆行为和合成气生产，以实现可持续能源

《JOURNAL OF POWER SOURCES》：Advancing solid oxide electrolysis cell research: A machine learning and experimental data-based approach to stack behavior and syngas production control for sustainable energy

基于44组实验数据，本研究开发了高精度的XGBoost模型，系统关联了H?/C比与电流密度等操作参数与CO?、H?等六种气体成分及流量的关系，通过SHAP分析揭示了参数对输出的动态影响机制，为CO?/水共电解质系统的实时优化和控制提供可解释框架。

　　

安德亚?·巴图尔·乔拉克

尼德德奥默·哈利斯德米尔大学，计算机与信息科学学院，信息系统与技术系，51240，尼德德，土耳其

摘要

本研究探讨了固体氧化物电解池堆栈研究中一个尚未充分探索的挑战：需要一个全面且可解释的框架，将关键的操作参数与各种废气成分和流速联系起来。以往的研究提供的见解较为零散，通常只关注有限的输出或不同的输入特征，因此无法为二氧化碳/水共电解下的系统设计和控制提供必要的整体理解。为了解决这一差距，我们使用了一个包含44个高质量实验点的数据集开发了一个优化的极端梯度提升（eXtreme Gradient Boosting）模型。这些实验数据来自在固定条件（750°C、1.635 SLM蒸汽和大气压）下运行的特定扁平管状镍基堆栈。该模型表现出高预测准确性，决定系数（Coefficient of Determination）值介于0.99630到0.99999之间，所有输出的一致性指数（Index of Agreement）为0.99。这项工作建立了一个透明且严谨的分析框架，旨在促进固体氧化物电解池系统的实时优化、可靠控制和性能研究。虽然该模型为废气控制提供了一个可靠的模板，但其应用到其他几何形状或不同的热制度时需要针对相关数据集进行重新训练。

引言

全球对可持续能源解决方案的需求不断增加，以及迫切需要减少温室气体排放，这促使人们高度重视二氧化碳（CO₂）转化和氢气生产技术[[1], [2], [3]]。通过催化氢化和电化学还原等过程利用CO₂，为应对气候变化提供了有希望的途径，同时还能生成有价值的燃料和化学品。与此同时，氢气作为一种清洁能源载体，在能源存储、运输和工业过程中有着广泛的应用，因此其高效且低成本的生产成为研究的重点。催化、电解系统和材料工程的进步为提高转化效率、降低能源需求和增强这些过程的长期稳定性开辟了新的机会。近年来，文献中报道了许多研究，提出了多种策略和新型材料来优化CO₂转化和氢气生成。

苗等人[4]开发了用于CO₂氢化的xCo/MnO催化剂，以MnO_x作为支撑材料。他们发现Co的负载量会影响催化剂的性能，其中活跃的Co⁰物种是主要的活性中心，而中等的碱性位点有助于CO₂的吸附。MnO_x支撑材料增强了吸附能力，形成了Mn1-yCoyO固溶体，促进了Co纳米颗粒的分散并产生了缺氧位点。该催化剂在420°C的大气条件下表现出显著的CO₂吸附和活化性能，CO₂转化率和CH₄选择性分别达到了57.5%和78.8%。这些发现凸显了MnO_x作为CO₂氢化反应催化剂支撑材料的潜力。季等人[5]使用电化学转化方法在具有等面积Fe阴极和Ni阳极的电解液中可控地生成CH₄和H₂。通过气相色谱分析了不同条件下的气体产物和法拉第效率。研究表明产物显著依赖于电解液成分以及熔盐的组成。犬塚等人[6]使用大型单电池和堆栈进行了CO₂和H₂O的共电解实验。他们发现I-V曲线和热中性电压不受CO₂和H₂O比例的影响，表明逆水煤气转移反应是主要的CO生成反应。研究还表明，堆叠多个电池对反应机制和出口气体组成影响很小。金等人[7]开发了一个三维动态固体氧化物电解池堆栈模型，用于评估加热器故障情况下的系统动态和控制。他们发现，在入口蒸汽加热器故障时堆栈温度梯度变化可以忽略不计，而在入口空气加热器故障时温度梯度会增加。他们提出了两种控制策略：提高入口空气温度和调节操作电流。杨等人[8]利用La_0.6Sr_0.4Co_0.2Fe_0.8O_3-δ/Gd_0.1Ce_0.9O_1.95复合材料设计了复合氧电极。这种复合材料与40 wt%的GDC（LSCF/40GDC）共合成后，显示出更高的导电性和更快的氧交换动力学。镍/氧化钇稳定的氧化锆支撑电池配合LSCF/40GDC氧电极在1.6 V和800°C条件下实现了2.6 A cm^?2的CO₂电解电流密度。这种异质结构增强了界面结合强度，为电子和离子传输提供了连续的网络结构。

考虑到固体氧化物电解池的复杂性，其中包含众多物理和化学过程以及操作条件，使用机器学习工具进行实时优化和性能研究可以提供通用且可接受的解决方案[9]。金等人[10]开发了一种高熵双钙钛矿氧化物，作为氧离子导电固体氧化物电化学电池和质子导电陶瓷的通用电极。通过机器学习，他们确定了化学描述符，使得该材料在可逆应用中表现出优异的性能。基于这种氧化物的质子导电陶瓷在600°C时达到了1018 mW cm^?2的导电率和21.314 ML min^?1的电流密度。顾等人[11]研究了在共电解条件下CO₂电解的起始电压，发现了两个电压依赖的阶段。他们发现，在低电压下，CO主要通过热化学逆水煤气转移反应生成；而在高电压下，逆水煤气转移和CO₂电解同时发生。进料成分和操作参数会影响起始电压和合成气选择性。刘等人[12]开发了一个结合热能存储系统和集中太阳能辐射的混合模型，用于太阳能转换。通过多物理模拟和深度学习算法，该模型在实时辐照条件下优化了电解过程，将入口处的温度变化降低了53%，并减少了75%的波动，从而提高了太阳能转换系统的运行稳定性和效率。

张等人[13]开发了一种性能优化方法，该方法考虑了热安全限制，并能快速确定在不同功率输入下的最佳固体氧化物电解池操作条件。他们将深度神经网络与一维多物理场模型集成，分析了不同操作条件对固体氧化物电解池堆栈功率和效率的影响。他们使用粘菌算法在功率和热限制下优化了操作参数，实现了固体氧化物电解池的最大效率，并为未来的动态控制策略提供了理论支持。艾哈迈德等人[14]在分子动力学模拟中使用了基于神经网络的原子间势，研究了掺杂Co的Brownmillerite中的氧化物离子传输。结果表明，温度、Co掺杂和氧空位增强了导电性，其中Co掺杂增加了扩散系数。这项研究为下一代电解技术提供了一个数据驱动的框架。朱等人[15]开发了一种混合深度学习架构，用于控制太阳能收集器的温度梯度。该架构结合了卷积神经网络、长短期记忆、多物理和回归模型，用于风能预测、模拟和温度分布。结果显示，混合深度学习架构将固体氧化物电解池的温度梯度从±20°C降低到了±5°C，并实现了从18%到99%的接近完全的风能利用率。杨等人[16]开发了四种机器学习模型来预测固体氧化物电解池过程的性能，使用Shapley加性解释（SHAP）和部分依赖性图分析来分析它们对输出的影响。XGBoost算法是核心模型，电解池描述符对性能影响最大。在固体氧化物电解池系统中，有效面积、电压和温度是三个最具影响力的因素，高温、高压和低有效面积是最有利的H₂生产条件。经过多目标优化后，确定了最佳电流强度和氢气产量。

现有文献显示，人们越来越关注利用机器学习来优化和预测固体氧化物电解池的性能。然而，对这些研究的回顾表明，虽然许多研究探讨了材料属性、系统设计或特定性能指标（如氢气产量），但很少有研究能够全面且可解释地将关键的操作参数（如进料中的H₂/C比例和施加的电流密度）与扁平管状镍基固体氧化物电解池堆栈在CO₂/H₂O共电解条件下的六种关键废气成分和流速联系起来。现有工作往往只关注这些输出的一部分，或者依赖于不同的输入特征集，从而限制了对系统在不同操作条件下的整体理解。本研究通过开发和严格验证一个优化的XGBoost模型来填补这一空白，该模型仅基于输入的H₂/C比例和电流密度，就能准确预测固体氧化物电解池堆栈中的CO₂含量、CO₂流速、H₂含量、H₂流速、CO含量和CO流速。此外，它还通过使用SHAP分析提供了深刻的机制洞察，揭示了这些操作参数如何单独和协同影响每个输出。这种方法提高了模型的透明度，并加深了对潜在电化学和热化学过程的理解，包括观察到的CO生成“转折点”等复杂现象。值得注意的是，该框架模型仅适用于稳定操作条件下的瞬时性能，在这种情况下，来源实验研究表明该系统在500小时内具有长期稳定性，碳沉积可忽略不计，降解率也在可接受范围内，从而验证了所分析的具体操作制度的实际稳定性。从这个角度来看，这项工作不仅提供了一个良好的预测工具，还提供了一个可解释的框架，用于支持固体氧化物电解池系统在可持续能源应用中的实时优化、可靠控制和先进性能研究。

数据采集方法

本分析所使用的数据来自陈等人[17]之前发表的研究，该研究系统地探讨了氢气浓度对扁平管状镍基固体氧化物电解池堆栈在同时电解CO₂和水（H₂O）过程中的操作效率和长期稳定性的影响。选择这两个输入参数（H₂/C比例和电流密度）是合理的，因为所有

XGBoost模型开发和预测框架

固体氧化物电解池内部复杂的物理和化学过程相互作用需要先进的分析工具来进行实时优化和性能预测。在这种情况下，机器学习提供了一种强大的方法，可以模拟复杂系统行为并从实验数据中提取可操作的见解。本研究采用了XGBoost模型，这是一种高效且通用的集成学习技术，用于预测扁平管状电解池的关键操作输出

结果与讨论

本节提供了全面的分析，将实验观察结果与从优化的XGBoost模型中得出的高级见解无缝结合。首先总结了输入H₂/C比例和电流密度对固体氧化物电解池堆栈废气成分和CO₂转化的影响，这些结论直接来自原始实验数据（第5.1节）。在此基础上，第5.2节进一步

结论

本研究成功开发并严格验证了一个优化的XGBoost模型，用于提供在CO₂/H₂O共电解条件下固体氧化物电解池堆栈性能的全面且可解释的分析。该工作填补了文献中的一个重要空白，将进料中的氢碳比和施加的电流密度这两个关键操作参数与六种关键废气成分和流速的全谱联系起来

写作过程中生成式AI和AI辅助技术的声明

仅使用NotebookLM软件来提高语言质量和可读性，使用后作者仔细审查并编辑了内容，并对最终版本的出版物负全责。

利益冲突声明

作者声明他没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

作者衷心感谢陈等人[17]的细致实验工作，他们为本文提供的全面分析提供了基础数据集。