四虎成人精品无码永久在线,末成年av女网站,国产色综合天天综合网

南大劉建國/李佳ACS AMI: 機器學習指導有效提高質子交換膜燃料電池的Pt利用率

盡管質子交換膜燃料電池（PEMFC）已受到關注，但與膜電極組件（MEA）中的Pt基催化劑相關的高成本仍然是大規模應用的巨大障礙。為了解決這一緊迫問題，必須提高MEA中Pt的利用效率。面對眾多相互作用的參數，為了盡可能降低實驗成本，機器學習（ML）實現這一目標的有效策略。

針對該領域的需求，南京大學劉建國教授、李佳副研究員等人創新性地綜合運用了不同種類的ML算法和一系列黑盒解釋方法，以獲得可靠的定性和定量分析結果。為保證實驗數據集和ML模型的高可靠性，PEMFC性能數據（共126條）來自自身實驗室并對應不同的MEA制備和測試參數。

然后，作者為精確預測模型訓練9種不同的ML算法。在超參數優化后，功率密度和Pt利用率的最優預測模型在測試集上可以實現R²= 0.973/0.968 的高精度。為了在更高維度的參數空間中使用更多參數進行更有效的分析，作者使用選定的核心特征訓練的最佳預測模型與遺傳算法（GA）相結合來替代真實實驗。

圖1. ML模型的特征重要性總結

通過定量參數掃描，可以快速得到基于GA結果的溶劑、催化劑負載量、攪拌方式、固體含量和超聲噴涂流速的最佳參數組合。ML的預測得到了實驗結果的有力驗證，最終的MEA產品在0.6 V的單電池和0.15 mg cm^-2的超低總負載下實現了0.147 gPt kW^-1的Pt利用率和1.02 W cm^-2的功率密度。

除了取得優異的性能外，這項工作更重要的成就是展示了如何在工業過程中充分利用ML以低成本進行正交實驗從而快速優化多個復雜參數。結合解釋方法，具有高預測精度的ML模型可以快速提供工業過程的多參數建議，從而以極低的實驗成本完成高價值目標。

圖2. 實驗驗證ML模型預測的類似趨勢

Effectively Increasing Pt Utilization Efficiency of the Membrane Electrode Assembly in Proton Exchange Membrane Fuel Cells through Multiparameter Optimization Guided by Machine Learning, ACS Applied Materials & Interfaces 2022. DOI: 10.1021/acsami.1c23221

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/2023/10/15/6b75abf467/

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

南大劉建國/李佳ACS AMI: 機器學習指導有效提高質子交換膜燃料電池的Pt利用率

相關推薦