寫稿
投稿
近日，浙江大學材料科學與工程學院和氫能研究院陳立新、肖學章團隊與中國有研蔣利軍、李志念團隊合作，在國際頂級期刊Energy Storage Materials上發(fā)表題為“Machine Learning Enabled Customization of Performance-oriented Hydrogen Storage Materials for Fuel Cell Systems” 的研究論文，浙江大學博士研究生周盼盼為論文的第一作者。該研究利用所選隱式/顯式特征值首次將機器學習應用于具有單一C14-Laves 結(jié)構的金屬氫化物的關鍵微結(jié)構以及儲氫性能等目標值。通過將優(yōu)化好的機器學習模型應用于PEMFC 燃料供氫系統(tǒng)的合金成分設計中，成功實現(xiàn)了主動性能掃描/預測以及后續(xù)針對性參數(shù)的合金成分篩選。上述先進范式所定制出的系列Ti-(Zr)-Mn-Cr-VFe 合金相比已報道同等壓力溫度條件下的最優(yōu)材料而言，表現(xiàn)出更優(yōu)越的綜合性能和競爭性的成本優(yōu)勢?；谒兄频母咝阅軆洳牧?，團隊合作研發(fā)的快響應低壓高密度固態(tài)儲氫裝置成功應用于廣州南沙電氫智慧能源站，助力我國首次實現(xiàn)固態(tài)氫能發(fā)電并網(wǎng)。
論文鏈接：https://doi.org/10.1016/j.ensm.2023.102964
氫能作為清潔、高效、應用場景豐富的可再生二次能源，在交通、可再生能源跨季度規(guī)模儲能和分布式供能領域均有巨大的應用潛力，為實現(xiàn)“雙碳”目標提供重要支撐，而如何突破安全、高效、低成本的氫氣儲運技術是氫能應用的核心關鍵。相比于高壓氣態(tài)儲氫和低溫液態(tài)儲氫，低壓室溫固態(tài)儲氫由于其高體積儲氫密度以及性能調(diào)節(jié)的靈活性而備受青睞?？蒲腥藛T為了實現(xiàn)氫能的推廣研究了不同晶體結(jié)構的儲氫材料，目前，固態(tài)儲氫裝置中應用廣泛的為單相C14型Laves合金體系。但在以往的研究中，合金成分與性能優(yōu)化基本上都是通過耗時耗力的實驗試錯方法進行，需耗費大量人力物力；而基于人工智能的機器學習以快速實現(xiàn)Laves合金成分設計和性能優(yōu)化的研究則鮮有報道，這也是未來儲氫材料研究的重要方向。
近日，浙江大學陳立新、肖學章團隊與中國有研蔣利軍、李志念團隊合作，在國際頂級期刊Energy Storage Materials上發(fā)表題為“Machine Learning Enabled Customization of Performance-oriented Hydrogen Storage Materials for Fuel Cell Systems” 的研究論文，浙江大學博士研究生周盼盼為論文的第一作者。
該研究利用所選隱式/顯式(是否直接含有元素信息)特征值首次將機器學習應用于具有單一C14-Laves 結(jié)構的金屬氫化物的關鍵微結(jié)構以及儲氫性能等目標值。通過模型訓練，他們發(fā)現(xiàn)支持向量機(SVM)模型可以對晶胞體積和吸放氫平衡壓等目標值進行很好地描述，而梯度提升決策樹(GBDT)模型在焓變以及儲氫容量等目標值上的性能更優(yōu)。由于儲氫容量要求為越高越好的關鍵性能，而其它相關的儲氫性能都可以根據(jù)具體的應用技術要求進行調(diào)節(jié)。將GBDT 模型針對儲氫容量進行特征重要性排序，發(fā)現(xiàn)影響儲氫容量的決定因素為MeanIonicChar值/Fe含量，上述決定性因素經(jīng)過后續(xù)實驗測試證實其可靠性，這十分有利于儲氫容量的快速預測以及高容量材料的成分設計。
研究團隊將優(yōu)化好的機器學習模型應用于PEMFC 燃料供氫系統(tǒng)的合金成分設計任務中，并成功實現(xiàn)了主動性能掃描/預測以及后續(xù)針對性參數(shù)的合金成分篩選。此外，為了解決機器學習難以解釋的機理問題，該工作還利用DFT計算揭示了合金中原子占位隨機性與P-C-T平臺斜率之間的關系?？傮w上，實驗所測得的儲氫特性與機器學習預測值之間呈現(xiàn)出令人滿意的準確性和驗證關系。令人振奮的是，上述先進范式所定制出的系列Ti-(Zr)-Mn-Cr-VFe 合金相比已報道同等壓力溫度條件下的最優(yōu)材料而言，表現(xiàn)出更優(yōu)越的綜合性能（飽和容量為1.90 wt% / 127.30 kg H2/m3）和競爭性的成本優(yōu)勢（$ 9.03/kg）?；谒兄频母咝阅軆洳牧?，團隊合作研發(fā)的快響應低壓高密度固態(tài)儲氫裝置成功應用于廣州南沙電氫智慧能源站，是我國首次實現(xiàn)固態(tài)氫能發(fā)電并網(wǎng)，引領了我國在固態(tài)儲供氫領域的技術發(fā)展和市場應用。綜上所述，該研究中基于機器學習的設計框架思路與相關理論分析方法為定制具有優(yōu)異吸放氫性能的高密度儲氫材料提供了一套更為便捷、有效的策略。
論文中展示的主要分析圖表如下：
圖1. (a) 典型的試錯型實驗與以機器學習為基礎的成分定制之間的比較； (b) 數(shù)據(jù)集中元素的分布情況； (c) 目標值的散布矩陣； (d) 本工作中機器學習過程。
圖2. 基于 Magpie 特征以及不同數(shù)據(jù)集劃分方式得到的最優(yōu) ML 模型在 (a) 晶胞體積， (b) ln Pa, (c) ln Pd, (d) ΔHd 以及 (e) 儲氫容量等目標值上的平均性能；不同數(shù)據(jù)集劃分下得到的GBDT模型在訓練儲氫容量目標值時獲得的 (f-h) 特征重要性以及 (i-k) 與特征值相關的SHAP 值； (l) 儲氫容量與 MeanIonicChar 之間的關系； (m) 當TiMn2合金的B側(cè)Mn原子在進行可能的元素取代后獲得到MeanIonicChar值及預測的儲氫容量 (假設所有獲得的合金都具有單一的 C14 Laves 結(jié)構)。
圖3. (a) 基于不同特征的機器學習性能的定性比較； (b) 基于金屬氫化物的分布式 PEMFC 供氫系統(tǒng)示意圖； 利用最優(yōu)ML模型對Ti0.9Zr0.12MnxCry(VFe)2-x-y (0≤x, y≤2, 0≤x+y≤2) 合金系列預測并篩選的 (c) In Pa, (d) ln Pd 以及 (e) 儲氫容量值； (f) 合金化與性能測量過程示意圖； (g) 所驗證的Ti-(Zr)-Mn-Cr-(VFe)合金的 XRD 圖譜； (h) 多組分 C14-Laves 相的晶體結(jié)構； (i) Ti0.9Zr0.12Mn1.2Cr0.55(VFe)0.25合金的SEM以及能譜圖。
圖4. 所選Ti-(Zr)-Mn-Cr-VFe 合金的P-C-T以及熱力學Van’t Hoff曲線。
圖5. (a) 分布式 PEMFC燃料電池供氫系統(tǒng)的示意圖； (b-e) Ti0.9Zr0.12Mn1.2Cr0.55(VFe)0.25合金在不同工況下的吸放氫性能； (f)在同等溫度和壓力水平(1~3 MPa & 20oC)下的已報道儲氫合金的儲氫容量及成本比較； (g) 對于未來合金成分性能優(yōu)化的展望。
圖6. 快響應低壓高密度固態(tài)儲氫裝置成功應用于廣州南沙電氫智慧能源站
（作者：李壽權）
