南大刘建国/李佳ACS AMI: 机器学习指导有效提高质子交换膜燃料电池的Pt利用率

尽管质子交换膜燃料电池（PEMFC）已受到关注，但与膜电极组件（MEA）中的Pt基催化剂相关的高成本仍然是大规模应用的巨大障碍。为了解决这一紧迫问题，必须提高MEA中Pt的利用效率。面对众多相互作用的参数，为了尽可能降低实验成本，机器学习（ML）实现这一目标的有效策略。

针对该领域的需求，南京大学刘建国教授、李佳副研究员等人创新性地综合运用了不同种类的ML算法和一系列黑盒解释方法，以获得可靠的定性和定量分析结果。为保证实验数据集和ML模型的高可靠性，PEMFC性能数据（共126条）来自自身实验室并对应不同的MEA制备和测试参数。

然后，作者为精确预测模型训练9种不同的ML算法。在超参数优化后，功率密度和Pt利用率的最优预测模型在测试集上可以实现R²= 0.973/0.968 的高精度。为了在更高维度的参数空间中使用更多参数进行更有效的分析，作者使用选定的核心特征训练的最佳预测模型与遗传算法（GA）相结合来替代真实实验。

图1. ML模型的特征重要性总结

通过定量参数扫描，可以快速得到基于GA结果的溶剂、催化剂负载量、搅拌方式、固体含量和超声喷涂流速的最佳参数组合。ML的预测得到了实验结果的有力验证，最终的MEA产品在0.6 V的单电池和0.15 mg cm^-2的超低总负载下实现了0.147 gPt kW^-1的Pt利用率和1.02 W cm^-2的功率密度。

除了取得优异的性能外，这项工作更重要的成就是展示了如何在工业过程中充分利用ML以低成本进行正交实验从而快速优化多个复杂参数。结合解释方法，具有高预测精度的ML模型可以快速提供工业过程的多参数建议，从而以极低的实验成本完成高价值目标。

图2. 实验验证ML模型预测的类似趋势

Effectively Increasing Pt Utilization Efficiency of the Membrane Electrode Assembly in Proton Exchange Membrane Fuel Cells through Multiparameter Optimization Guided by Machine Learning, ACS Applied Materials & Interfaces 2022. DOI: 10.1021/acsami.1c23221

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/15/6b75abf467/

南大刘建国/李佳ACS AMI: 机器学习指导有效提高质子交换膜燃料电池的Pt利用率

相关推荐