陈立新教授团队《Energy Storage Materials》:“机器学习”加速储氢材料创制,助力固态储氢发电

发布者:史杨审核:终审:发布时间:2023-09-19浏览次数:642

       近日,浙江大学材料科学与工程学院陈立新、肖学章团队与中国有研蒋利军、李志念团队合作,在国际顶级期刊Energy Storage Materials上发表题为“Machine Learning Enabled Customization of Performance-oriented Hydrogen Storage Materials for Fuel Cell Systems” 的研究论文,浙江大学博士研究生周盼盼为论文的第一作者。该研究利用所选隐式/显式特征值首次将机器学习应用于具有单一C14-Laves 结构的金属氢化物的关键微结构以及储氢性能等目标值。通过将优化好的机器学习模型应用于PEMFC 燃料供氢系统的合金成分设计中,成功实现了主动性能扫描/预测以及后续针对性参数的合金成分筛选。上述先进范式所定制出的系列Ti-(Zr)-Mn-Cr-VFe 合金相比已报道同等压力温度条件下的最优材料而言,表现出更优越的综合性能和竞争性的成本优势。基于所研制的高性能储氢材料,团队合作研发的快响应低压高密度固态储氢装置成功应用于广州南沙电氢智慧能源站,助力我国首次实现固态氢能发电并网

       论文链接:https://doi.org/10.1016/j.ensm.2023.102964

氢能作为清洁、高效、应用场景丰富的可再生二次能源,在交通、可再生能源跨季度规模储能和分布式供能领域均有巨大的应用潜力,为实现“双碳”目标提供重要支撑,而如何突破安全、高效、低成本的氢气储运技术是氢能应用的核心关键。相比于高压气态储氢和低温液态储氢,低压室温固态储氢由于其高体积储氢密度以及性能调节的灵活性而备受青睐。科研人员为了实现氢能的推广研究了不同晶体结构的储氢材料,目前,固态储氢装置中应用广泛的为单相C14Laves合金体系。但在以往的研究中,合金成分与性能优化基本上都是通过耗时耗力的实验试错方法进行,需耗费大量人力物力;而基于人工智能的机器学习以快速实现Laves合金成分设计和性能优化的研究则鲜有报道,这也是未来储氢材料研究的重要方向。

近日,浙江大学陈立新、肖学章团队与中国有研蒋利军、李志念团队合作,在国际顶级期刊Energy Storage Materials上发表题为“Machine Learning Enabled Customization of Performance-oriented Hydrogen Storage Materials for Fuel Cell Systems” 的研究论文,浙江大学博士研究生周盼盼为论文的第一作者。

该研究利用所选隐式/显式(是否直接含有元素信息)特征值首次将机器学习应用于具有单一C14-Laves 结构的金属氢化物的关键微结构以及储氢性能等目标值。通过模型训练,他们发现支持向量机(SVM)模型可以对晶胞体积和吸放氢平衡压等目标值进行很好地描述,而梯度提升决策树(GBDT)模型在焓变以及储氢容量等目标值上的性能更优。由于储氢容量要求为越高越好的关键性能,而其它相关的储氢性能都可以根据具体的应用技术要求进行调节。将GBDT 模型针对储氢容量进行特征重要性排序,发现影响储氢容量的决定因素为MeanIonicChar/Fe含量,上述决定性因素经过后续实验测试证实其可靠性,这十分有利于储氢容量的快速预测以及高容量材料的成分设计。研究团队将优化好的机器学习模型应用于PEMFC 燃料供氢系统的合金成分设计任务中,并成功实现了主动性能扫描/预测以及后续针对性参数的合金成分筛选。此外,为了解决机器学习难以解释的机理问题,该工作还利用DFT计算揭示了合金中原子占位随机性与P-C-T平台斜率之间的关系。总体上,实验所测得的储氢特性与机器学习预测值之间呈现出令人满意的准确性和验证关系。令人振奋的是,上述先进范式所定制出的系列Ti-(Zr)-Mn-Cr-VFe 合金相比已报道同等压力温度条件下的最优材料而言,表现出更优越的综合性能(饱和容量为1.90 wt% / 127.30 kg H2/m3)和竞争性的成本优势($ 9.03/kg)。基于所研制的高性能储氢材料,团队合作研发的快响应低压高密度固态储氢装置成功应用于广州南沙电氢智慧能源站,是我国首次实现固态氢能发电并网,引领了我国在固态储供氢领域的技术发展和市场应用。综上所述,该研究中基于机器学习的设计框架思路与相关理论分析方法为定制具有优异吸放氢性能的高密度储氢材料提供了一套更为便捷、有效的策略。论文中展示的主要分析图表如下:

1. (a) 典型的试错型实验与以机器学习为基础的成分定制之间的比较; (b) 数据集中元素的分布情况; (c) 目标值的散布矩阵; (d) 本工作中机器学习过程。

2. 基于 Magpie 特征以及不同数据集划分方式得到的最优 ML 模型在 (a) 晶胞体积, (b) ln Pa, (c) ln Pd, (d) ΔHd 以及 (e) 储氢容量等目标值上的平均性能;不同数据集划分下得到的GBDT模型在训练储氢容量目标值时获得的 (f-h) 特征重要性以及 (i-k) 与特征值相关的SHAP ; (l) 储氢容量与 MeanIonicChar 之间的关系; (m) TiMn2合金的BMn原子在进行可能的元素取代后获得到MeanIonicChar值及预测的储氢容量 (假设所有获得的合金都具有单一的 C14 Laves 结构)

3. (a) 基于不同特征的机器学习性能的定性比较; (b) 基于金属氢化物的分布式 PEMFC 供氢系统示意图; 利用最优ML模型对Ti0.9Zr0.12MnxCry(VFe)2-x-y (0≤xy≤2, 0≤x+y≤2) 合金系列预测并筛选的 (c) In Pa, (d) ln Pd 以及 (e) 储氢容量值; (f) 合金化与性能测量过程示意图; (g) 所验证的Ti-(Zr)-Mn-Cr-(VFe)合金的 XRD 图谱; (h) 多组分 C14-Laves 相的晶体结构; (i) Ti0.9Zr0.12Mn1.2Cr0.55(VFe)0.25合金的SEM以及能谱图。

4. 所选Ti-(Zr)-Mn-Cr-VFe 合金的P-C-T以及热力学Van’t Hoff曲线。

5. (a) 分布式 PEMFC燃料电池供氢系统的示意图; (b-e) Ti0.9Zr0.12Mn1.2Cr0.55(VFe)0.25合金在不同工况下的吸放氢性能; (f)在同等温度和压力水平(1~3 MPa & 20oC)下的已报道储氢合金的储氢容量及成本比较; (g) 对于未来合金成分性能优化的展望。         

6. 快响应低压高密度固态储氢装置成功应用于广州南沙电氢智慧能源站