利用机器学习加速高性能阳极的发现，以用于质子传导型固体氧化物燃料电池（SOFCs）

《Sustainable Materials and Technologies》：Machine learning for accelerating the discovery of high-performance cathodes for proton-conducting SOFCs

　　

摘要

开发高性能阴极对于推进质子传导性固体氧化物燃料电池（H-SOFCs）的发展至关重要，但传统的试错方法效率较低。在这项研究中，我们利用机器学习（ML）通过直接预测面积特定电阻（ASR）来加速新阴极材料的发现，面积特定电阻是氧还原反应（ORR）活性的关键指标。人工神经网络（ANN）表现出卓越的预测准确性。特征重要性分析表明，电负性和带中心是控制ASR的两个关键因素。ANN模型预测BaCo_0.38Fe_0.38Zr_0.095Y_0.095Ga_0.05O₃（BCFZYGa）具有异常低的ASR。实验验证证实，BCFZYGa的性能优于现有的BaCo_0.4Fe_0.4Zr_0.1Y_0.1O₃（BCFZY）阴极，显示出更强的氧/质子扩散能力、更低的反应障碍以及更优异的燃料电池性能。使用BCFZYGa阴极的电池在700?°C时的峰值功率密度达到2132?mW?cm^?2。这项工作证明了基于ML的设计方法在高性能H-SOFC阴极开发中的有效性。

引言

可持续材料和技术在应对当前能源和环境挑战方面起着关键作用[1], [2], [3], [4], [5], [6], [7], [8]。燃料电池作为可持续能源应用的重要设备受到了广泛关注。在各类型燃料电池中，固体氧化物燃料电池（SOFCs）具有全固态结构的优势，这消除了与液体泄漏相关的问题[9]。此外，SOFCs中使用氧化物基电极催化剂无需贵金属，从而降低了成本[10], [11]。然而，传统的SOFCs通常在非常高的温度下运行，导致电池寿命缩短、材料兼容性问题及密封困难[12], [13]。因此，降低运行温度已成为SOFCs发展的主要目标[14], [15]。

质子传导性SOFCs（H-SOFCs）为实现这一目标提供了可行的途径。与氧离子传导电解质不同，质子传导氧化物具有更低的传导激活能，这有利于在低温下运行[16], [17]。多项研究表明，这些材料在低温下可实现比氧离子电解质更高的导电性，从而降低电解质电阻[18], [19]。因此，H-SOFCs已成为中温SOFC领域的研究热点[20], [21]。

虽然采用质子传导电解质解决了电解质相关的问题[22]，但观察到随着温度的降低，阴极的动力学性能会显著下降，严重影响燃料电池的整体性能[23]。传统的阴极氧化物材料仅在高温下表现出良好的氧还原反应（ORR）活性[24], [25]，当运行温度降低时性能会急剧下降。过去十年间，人们投入了大量精力开发高性能阴极材料，并取得了一些显著成果[26]。然而，大多数发展仍然依赖于传统的试错实验方法[27], [28]，这种方法往往耗时且成本高昂。

机器学习（ML）的兴起正在彻底改变材料科学领域，为新材料的发现提供了巨大潜力，尤其是在清洁能源领域[29]。实际上，多项研究展示了ML辅助材料设计在SOFC领域的高效率，其中一些研究专门针对H-SOFC阴极[30], [31]。不过，大多数研究仅关注预测影响阴极活性的中间性质，如质子化程度。直接预测H-SOFC阴极的ORR活性（通常通过面积特定电阻ASR量化）仍然是一个重大挑战。据我们所知，目前只有针对氧离子传导SOFCs（O-SOFCs）实现了ML驱动的ASR直接预测[32]。鉴于H-SOFCs和O-SOFCs在阴极工作机制上的根本差异[33]，探索H-SOFC ASR的直接预测潜力是一个有吸引力的研究方向。

如果能够仔细训练和验证ML模型以实现卓越的预测性能，将能够快速准确地评估新型H-SOFC阴极材料的ASR。这将大大缩短材料筛选周期并降低研发成本。本研究涉及对机器学习模型的仔细训练、选择和验证，以获得最佳的预测准确性。我们的目标是成功而准确地评估新型H-SOFC阴极材料的ASR，从而加速筛选过程。后续实验用于验证预测阴极的效果，确认其在中温SOFC应用中的卓越性能。

部分片段

材料与方法

从文献[34], [35], [36], [37], [38], [39], [40], [41], [42], [43], [44], [45], [46], [47], [48], [49], [50], [51], [52], [53], [54], [55], [56], [57], [58], [59]中提取了600?°C下各种钙钛矿型阴极组成的实验ASR值。数据集包括基于Ba、Sr、Co、Fe、Zr、Y、Ce和其他过渡金属的组成。对于每种组成，计算了十个描述符以捕捉材料的电子和几何性质。

结果与讨论

图1(a)和(b)展示了ANN和RF方法的工作原理。图1(c)和(d)显示了使用ANN和RF方法获得的H-SOFC阴极ASR值的训练和测试结果。由于数据集规模较小，采用了留一法交叉验证（LOOCV）而不是k折交叉验证来获得无偏的模型性能估计。选择了均方误差（MSE）作为训练和评估指标，其中较低的MSE值表示更好的性能

结论

我们成功开发了一种基于ML的方法，可以直接预测H-SOFCs阴极的ASR。在研究的模型中，ANN模型展现了最佳的预测性能，获得了最低的训练和测试MSE。随后使用训练好的ANN模型对一系列B位掺杂的BCFZY氧化物进行了筛选，其中掺Ga的组成（BCFZYGa）被预测为所有测试组成中ASR最低的。这一预测得到了成功验证

CRediT作者贡献声明

宋文辉：撰写 – 原稿，研究，形式分析。尹周希：撰写 – 原稿，研究，形式分析。尹彦如：撰写 – 审稿与编辑，监督，研究，形式分析。戴海璐：验证，研究。余寿夫：验证。顾月圆：形式分析。恩里科·特拉维萨：撰写 – 审稿与编辑，监督。毕雷：撰写 – 审稿与编辑，项目管理，概念构思。

利益冲突声明

作者声明他们没有已知的会干扰本文研究的财务利益或个人关系。

致谢

本工作得到了中国国家自然科学基金（ grant Numbers: 52272216 和 52572230）的支持。

宋文辉|尹周希|尹彦如|戴海璐|余寿夫|顾月圆|恩里科·特拉维萨|毕雷

华南大学资源环境与安全工程学院燃料电池小组，中国衡阳 421001