老师黑色双开真丝旗袍的寓意,内射毛片内射国产夫妻,丰满肥臀大屁股熟妇激情视频

研究成果

研究表明，改進的高活性陰極材料對于陶瓷燃料電池技術的商業化至關重要。然而，材料設計、表征和測試的傳統試錯過程可能會導致漫長而復雜的研究周期。在此，深圳大學謝和平院士、南京工業大學邵宗平教授和香港理工大學倪萌教授等人展示了一種經過實驗驗證的機器學習驅動方法，以加速發現有效的氧還原電極，其中引入離子路易斯酸強度（ISA）作為鈣鈦礦氧化物氧還原反應活性的有效物理描述符，從6871種不同的鈣鈦礦成分中篩選出的四種氧化物被成功合成并證實具有優異的活性指標。實驗表征表明，鈣鈦礦氧化物中A位點的減少和B位點的增加明顯改善了表面交換動力學。理論計算表明，活性的提高主要歸因于ISA在A和B位的極化分布引起的電子對移動，這極大地降低了氧空位形成能和遷移勢壘。

相關論文以“A combined ionic Lewis acid descriptor and machine-learning approach to prediction of efficient oxygen reduction electrodes for ceramic fuel cells”為題發表在Nature Energy。

背景介紹

功能材料在可再生綠色能源技術和實現碳中和，具有極其重要的意義。其中，固體氧化物燃料電池（SOFC）作為綠色電化學裝置的代表，以其高能效、低排放和燃料靈活性而著稱，但商業化進程受其工作溫度高、高運營成本和材料降解的阻礙。因此，保持足夠功率輸出和降低工作溫度缺一不可。然而，實際情況是材料設計、表征和復雜測試程序的反復試驗過程會使得研究周期過長，因此揭示參數和特性之間的關系在材料設計中顯得尤為重要。

最近研究中一個特別感興趣的領域是，通過數據驅動的方法確定材料發現的趨勢，機器學習技術被廣泛用于材料信息學，已發表的實驗數據和開源數據庫中提供的材料信息極大地擴展了科學研究人員對高質量數據集的訪問，目前缺乏能夠準確反映高溫下ORR過程原理的具有代表性的物理描述符。

圖文解析

圖1.?氧還原電極的工作流程

要點：高活性氧還原電極發現的總體工作流程如圖1所示，包括機器學習模型訓練和材料篩選、實驗驗證和DFT分析三個主要部分。首先通過基于對稱電池測試的電化學阻抗譜（EIS）作為初始數據集，收集各種材料ASR值作為活性指標，選擇了九個離子描述符，包括A位和B位：ISA值（AISA和BISA）、離子電負性（AIEN和BIEN）、離子半徑（R_A和R_B）和電離能（AIE和BIE），以及容差因子（t）。然后實施了八種不同的回歸方法來擬合準備好的數據集，包括四種線性回歸方法和四種非線性回歸方法，在這項工作中具有最佳擬合結果的回歸模型用于預測未開發材料的ASR值。為了驗證預測，作者選擇了具有低預測值的潛在材料進行合成、表征和測試。最后，進行DFT計算以獲得電子結構信息，從而闡明指定描述符在ORR過程中的作用。

圖2.?模型評估和描述符重要度分析

要點：使用均方誤差（MSE）作為訓練和評估指標，較低的MSE表示更好的性能。結果顯示，非線性方法大大優于線性模型，表明ASR和離子描述符之間的關系是復雜和隱含的。在所有方法中，ANN模型的ASR擬合結果最好，在訓練集和測試集上的MSE值分別為0.0090和0.0131 Ω cm²。如圖2b所示，所有描述符都有助于構建ANN模型，它們與A位或B位陽離子的物理和化學特征密切相關。BISA在模型中顯示出最大的重要性程度，它可能與內在ORR活性有很強的相關性；已知具有各種氧化態的B位過渡金屬陽離子是ORR 的吸附和解吸中間體，而BISA表明它能夠接受來自分子氧或氧中間體的一對電子，這些電子在反應過程中充當路易斯堿。

請注意，低重要性并不意味著相應的描述符與性能無關，因為可能有多個描述符編碼相同的信息，模型會選擇其中一個，且進一步分析了不同特征組合的重要性（圖2c）。ISA組合表現出最大的重要性，表明它可以被確定為ORR活動的影響因素。然后，將內在ORR活動趨勢呈現為AISA、BISA和兩者組合的函數（圖2d，f）。盡管存在一些偏差，但在大多數數據點上都觀察到線性總體趨勢，其中較低的AISA和較高的BISA導致在一定范圍內更好的ORR活性。

圖3.?合成的鈣鈦礦氧化物樣品的結構和電化學性能

要點：為了闡明這些篩選的正極材料的ORR動力學，通過弛豫時間（DRT）模型的分布分析EIS光譜，并且阻抗隨著溫度的降低呈指數增加。作者還比較了在550和500℃下測量的四種材料的DRT（圖3e）。如圖3e所示，電化學過程可以分解為三個峰，分別表示為高頻（P_HF?）、中頻（P_IF?）和低頻（P_LF?）。結果表明電荷轉移不是限制因素，僅占總極化阻抗的一小部分；相比之下，R_IF值表現出很大的差異，并且以明顯的熱激活為特征。可以看出，SCCN正極的R_IF值遠低于其他三種材料，因此它具有更快的表面氧轉移過程，這有助于其優異的 ORR活性。

圖4.?基于SCCN正極的對稱電池穩定性和單電池性能

圖5.?BSCCFM的形貌

圖6.?氧轉移相關的表征

圖7.?電子結構演化的DFT計算

總體而言，機器學習技術已成功應用于高活性燃料電池陰極的開發。與以往的高通量DFT方法相比，本文的方法能夠在訓練后預測材料性質，僅基于分子式，無需建立分子模型，具有成本低、開發效率高的技術優勢。然而，作為一種數據驅動的方法，數據的數量和質量直接影響機器學習的準確性。目前的數據仍然不足以預測低溫的活動，因此有必要加快構建材料數據庫以供未來機器學習發展。

同時，預測的樣品可能無法形成鈣鈦礦結構，或者與晶格內部的缺陷形成關聯。所有這些情況都可能導致內在活性的變化，而其他重要因素，如耐久性/穩定性，目前的描述是無法預測的。仍需要相關的實驗研究來確保預測材料的適用性?；谏鲜鼍C合方法，本文通過引入ISA作為高溫下有效的ORR描述符并提出經過實驗驗證的機器學習驅動方法，實現了高活性氧還原電極的快速有效發現。因此，成功預測并證實了四種氧化物具有優異的電活性。實驗表征和DFT計算表明，ISA值中的極化與具有降低的氧空位形成能和遷移勢壘的優化電子結構相關，這為氧還原電極設計提供了原理。

Shuo Zhai, Heping Xie?, Peng Cui, Daqin Guan, Jian Wang, Siyuan Zhao , Bin Chen, Yufei Song, Zongping Shao,?Meng Ni, A combined ionic Lewis acid descriptor and machine-learning approach to prediction of efficient oxygen reduction electrodes for ceramic fuel cells，Nature Energy, 2022, https://doi.org/10.1038/s41560-022-01098-3

原創文章，作者：v-suan，如若轉載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2023/10/07/f2bebb530c/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

Nature Energy：機器學習登頂能源頂刊！下一個熱點已經到來！

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

Nature Energy：機器學習登頂能源頂刊！下一個熱點已經到來！

相關推薦

Nature Energy：機器學習登頂能源頂刊！下一個熱點已經到來！