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

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。
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
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。
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
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。
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
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/

(0)

相关推荐