机器学习量身定制的阳极,用于在质子导体固体氧化物电解细胞中高效地产生能
Fangyuan Zheng1, Baoyin Yuan2, Youfeng Cai1
1Huangpu Hydrogen Energy Innovation Center, School of Chemistry and Chemical Engineering, Guangzhou University, Guangzhou, 510006, People's Republic of China.
Nano-micro letters
|May 23, 2025
概括
机器学习确定了新的矿氧化物La0.9Ba0.1Co0.7Ni0.3O3-δ (LBCN9173) 和La0.9Ca0.1Co0.7Ni0.3O3-δ (LCCN9173),作为质子导体固体氧化物电解电池 (P-SOEC) 的高性能阳极. 这些阳极提高了能能源生产的效率和质子导电性.
科学领域:
- 材料科学 材料科学 材料科学
- 电化学 电化学 电化学
- 能源转换 能源转换
背景情况:
- 导质子的固体氧化物电解电池 (P-SOEC) 对于高效的能源生产至关重要,但需要高性能阳极.
- 现有的阳极在实现水电解的高催化活性和离子导电性方面面临着挑战.
研究的目的:
- 使用机器学习方法为P-SOEC设计和开发新的高性能阳极材料.
- 研究水氧化动力学和定制阳极材料中的质子导电的协同增强.
主要方法:
- 机器学习模型辅助设计La0.9Ba0.1Co0.7Ni0.3O3-δ (LBCN9173) 和La0.9Ca0.1Co0.7Ni0.3O3-δ (LCCN9173) 的矿氧化物.
- 实验验证与密度函数理论 (DFT) 计算相结合.
- 对放松时间光谱和吉布斯能量的分布分析,以阐明反应机制.
主要成果:
- 氧化物LBCN9173和LCCN9173证明了对水氧化反应动力学和质子导电的协同增强.
- 该LBCN9173阳极促进了H2O解离,从而实现了卓越的性能.
- 使用LBCN9173阳极的P-SOEC在1.3V时实现了2.45A cm-2的记录电流密度,在650°C时实现了低极化阻力 (0.05 Ω cm2) 和低极化阻力.
结论:
- 机器学习为P-SOECs设计高性能阳极提供了强大的框架.
- 开发的LBCN9173阳极显著推进了P-SOEC技术,以高效地生产气.
- 这项研究为加速发现用于清洁能源应用的先进材料铺平了道路.


