传统上,优化质子交换膜燃料电池(PEMFC)中膜电极组件(MEA)的性能需要很多实验,因为它涉及复杂的电化学,热力学和流体动力学过程。
有鉴于此,南京大学刘建国教授等人,首次引入人工智能(AI)辅助模型来确定基于非贵金属电催化剂的质子交换膜燃料电池的关键参数,从而减少了MEA开发过程中不必要的实验。
本文要点
1)设计了AI辅助的分析和预测模型,以协助基于NPME的PEMFC的研究。首先,通过在数据库上对其进行训练来应用机器学习算法,从而对未来的研究工作进行启发式研究。可视化的决策树确定了实现高性能的必要条件。
2)为了打破半电池和燃料电池测试之间的不一致,AI建议研究人员在NPMEs的研究中考虑应用因素,因为这些因素影响很大。对燃料电池性能的评估应在实际水平上进行,而不应局限于电化学测试。
3)在人工智能领域广泛应用的16种竞争算法中,决策树和XGBoost在确定高性能MEA的关键因素方面表现出了良好的准确性(分别为86.7%和91.4%)。人工神经网络(ANN)在预测最大功率密度方面显示了最好的准确性(R2=0.9621),在26个输入特征的未知I‐V极化曲线的预测方面展现了良好的再现性(R2>0.99)。
总之,该工作证明了机器学习是提高MEA设计和实验效率的一种很好的方法,借助AI,相信该领域的研究人员可以提高实验工作的效率和质量,并且PEMFC中NPME的商业化将很快实现。
参考文献:
Rui Ding et al. Designing AI‐aided analysis and prediction models for nonprecious metal electrocatalyst‐based proton exchange membrane fuel cells. Angew., 2020.
DOI: 10.1002/anie.202006928
https://doi.org/10.1002/anie.202006928