《Next Energy》：Multi-scale investigation of SSBA-15/sulfonated polysulfone composites for fuel cells: Integrating machine learning predictions and quantum chemical validation
编辑推荐：
摘要：开发高性能质子交换膜（proton exchange membrane，PEM）需要清晰理解宏观物理特性与微观界面相互作用之间的关系。在本研究中，研究人员建立了一种新的多尺度模拟方法，用于预测和分析经磺化介孔二氧化硅（SSBA-15）改性后的磺化聚砜膜的
摘要：开发高性能质子交换膜（proton exchange membrane，PEM）需要清晰理解宏观物理特性与微观界面相互作用之间的关系。在本研究中，研究人员建立了一种新的多尺度模拟方法，用于预测和分析经磺化介孔二氧化硅（SSBA-15）改性后的磺化聚砜膜的性能。利用Orange Data Mining，研究人员开发了一种快速的数据驱动材料筛选替代模型，以在器件级多物理场修正优化之前加速候选膜材料的筛选。该机器学习（machine learning，ML）工作流程采用实验测量中的描述符，成功预测了燃料电池的功率。在性能最优的架构（梯度提升与随机森林）中，留一交叉验证（leave-one-out cross-validation，LOOCV）奇偶图中相关系数达到r = 0.99，同时R2 = 0.950，证实了高质量的预测能力。全局敏感性分析（RReliefF）识别出质子传导率为最关键的材料描述符，其次是吸水率和离子交换容量（ion-exchange capacity，IEC）。在PM6半经验水平（Gaussian 09）下进行的补充量子化学验证揭示了强的界面结合（?G = -46.71 kcal mol?1）和增加的偶极矩（6.48 D），证明存在高度极化且热力学稳定的界面。这种原子级路径揭示了一种特殊的相互作用通道，其中独特的界面结合驱动了最佳的膜形态，通过有效的预筛选途径有效地将分子级相互作用与器件性能联系起来。
论文解读：多尺度研究揭示SSBA-15/磺化聚砜复合膜性能优化机制
研究背景与目的
燃料电池通过直接将燃料中的化学能转化为电能，为解决能源短缺问题提供了有效方案，且污染物排放极低。质子交换膜（proton exchange membrane，PEM）燃料电池在便携式、汽车和家用领域展现出巨大潜力，其性能很大程度上取决于膜材料。Nafion作为商业标准被广泛采用，但其高成本和环境危害性促使研究人员开发替代的无氟碳氢膜材料，如聚醚醚酮、聚砜（polysulfone，PSU）和聚苯并咪唑。PSU因其低成本、商业化可得性和良好的热机械稳定性而被视为优选材料，但其疏水性和低质子传导率限制了应用，需通过磺化形成磺化聚砜（SPSU）来改善。设计合适的膜需优化磺化度和离子电荷密度，同时维持高温下的保水性能并避免过度溶胀。添加有序结晶结构如共价有机框架和金属有机框架已被证明有效，而功能化无机填料如磺化介孔二氧化硅（SSBA-15）因其优异的热机械稳定性、低廉的合成成本以及与碳氢主链的良好界面相容性而具有竞争力。然而，复合PEM的设计过程仍以经验性、适应性和耗时性为主，难以处理多种物理材料描述符与操作描述符（如电压、电流和功率密度）之间复杂的非线性耦合。近年来，数据驱动的机器学习和材料设计中的大规模建模技术已能够从有限但信息丰富的数据集中实现更稳健的性能预测与结构优化。
本研究旨在建立一种新的多尺度模拟方法，将数据驱动的机器学习预测与半经验量子化学验证相结合，以预测和分析SSBA-15/磺化聚砜复合膜的性能。通过这种方法，研究人员希望弥合分子级界面行为与器件级功率输出之间的尺度差距，为燃料电池膜材料的理性设计提供高效预筛选途径。
研究方法与关键技术
本研究采用双层计算框架，在开源平台Orange Data Mining中实现。数据集包含92条经过整理的实验数据，来自先前的工作及文献基准值，涵盖SSBA-15填充量（0–5 wt%）、操作温度（35–80°C，阈值可达140°C）、电池电压和电流密度等描述符，以功率密度为回归目标。研究中使用了多种机器学习模型，包括随机森林（Random Forest，RF）、梯度提升（Gradient Boosting）、支持向量机、多层感知器神经网络和k最近邻。模型通过留一交叉验证（LOOCV）评估，并使用RReliefF算法进行全局敏感性分析。补充的量子化学计算采用PM6半经验方法（Gaussian 09），构建SPSU碎片与磺化SSBA-15之间的水合界面簇模型，在气相近似下进行几何优化，以计算结合自由能（?G）、偶极矩和分子静电势（MESP）图。
研究结果与讨论
机器学习模型评估与多算法基准测试：通过LOOCV评估，集成模型显著优于单学习器。随机森林和梯度提升分别达到R2=0.934和0.950，均方根误差最低至0.050，预测偏差低于3%。神经网络和SVM的预测精度略低，这与树集成方法在小规模、良好结构数据集上的已知优势一致。
SSBA-15填充量的预测优化：随机森林模型预测3 wt% SSBA-15填充量的膜在80°C下达到最大功率密度约816 mW cm?2，优于1 wt%和5 wt%复合膜，也优于Nafion 117（451 mW cm?2）。这一最优值表现出了逾渗行为，约3 wt%时形成连续的质子传导通道网络，过量填充则导致填料聚集并阻碍传输通道。
算法收敛性与模型鲁棒性：多种不同数学框架的算法（随机森林、kNN、神经网络和SVM）均一致预测3 wt% SSBA-15为最优，表明预测结果具有高度一致性，排除了单算法过拟合的可能性，验证了ML作为高性能PEM高通量设计和优化加速工具的有效性。
敏感性分析——性能驱动因素识别：RReliefF分析表明，电流密度（权重0.290）和电池电压（权重0.260）是最强的全局预测因子，系统温度（0.120）次之。在材料描述符中，质子传导率（0.068）是限速因素，吸水率（0.031）和离子交换容量（0.031）贡献相当，膜厚度（0.021）和溶胀率（0.015）影响最弱。这一排序表明，虽然离子交换容量必须提供足够的酸性位点，但给定系统中功率密度的限制因素是连续质子传导通道网络的通达性，即体相质子传导率。
ML描述符与Gaussian分子洞察之间的关联：PM6计算结果显示，SPSU/SSBA-15界面的结合自由能为-46.71 kcal mol?1，表明高度稳定。MESP图显示，集中在中心的深红色区域表明磺酸基团和水分子氧孤对电子形成了高度负电位阱，为移动质子提供了低能量路径，证实了工作质子传导通道的存在。复合簇的偶极矩为6.48 D，相比单独组分明显增加，表明界面发生显著极化，与Grotthuss型质子跳跃机制一致，也为ML模型中质子传导率的最高重要性提供了分子层面的证据。
多尺度结果综合：结合量子化学计算、机器学习模型和实验测量，研究强烈表明SSBA-15不仅是惰性结构填料，还作为膜内活性电化学组分组分发挥功能。界面处强静电氢键网络降低了质子迁移势垒，提高了整体质子传导率。梯度提升预测与QM描述符之间的高度一致性表明，这类基于片段的建模方法能够在系统框架内理解复合膜的必要传输动力学，以数据驱动方式定义高性能配方，减少耗时且昂贵的试错过程。
讨论与研究结论
本研究讨论了气相优化限制，指出该近似忽略了溶胀膜的高介电非均质环境。水域和聚合物基体共同调节氢键强度和质子转移势垒，因此所报告的相互作用能应视为定性趋势，可能相对于完全溶剂化描述存在系统高估。未来计算将采用隐式溶剂模型，纳入水/聚合物介质的介电响应，以更准确地评估溶剂化效应并验证所识别趋势的稳健性。
总之，本研究建立了一个多尺度筛选替代模型，在完整电池CFD优化之前提供有效的材料过滤层。通过LOOCV验证的机器学习集成模型和RReliefF敏感性分析，识别出质子传导率为主要材料描述符。模型确定3 wt% SSBA-15为最优填充量，在80°C下实现816 mW cm?2的最大功率密度，并在同等条件下超过Nafion 117。PM6计算揭示了致密堆积、高偶极矩的水合界面（?G = -46.71 kcal mol?1，偶极矩 = 6.48 D），MESP图证实了水介导的质子传导路径，符合Grotthuss机制。该分子层面的理解解释了ML模型所预测的高质子传导率的来源。综合来看，这些发现确立了磺化SBA-15作为聚砜膜有前景的电活性填料，并展示了ML-QM联合工作流能够减少试错时间，加速新型燃料电池材料的发现和优化。
