AI 筛选电池材料，广州大学叶思宇院士开发可用于 P-SOC 材料预测的机器学习算法模型
💡
原文中文，约2700字，阅读约需7分钟。
📝
内容提要
广州大学研究人员使用极限梯度增强算法的机器学习模型，成功筛选出高效材料LCN91用于P-SOC空气电极。研究团队选择XGBoost作为主要模型，并发现Ni有利于LCN91中的水化反应。该研究为开发高质子导电性和适当热膨胀系数的新型空气电极提供了指导。
🎯
关键要点
-
广州大学研究人员建立了基于极限梯度增强算法的机器学习模型，用于P-SOC空气电极的筛选。
-
2023年新能源汽车市场占有率达到30.8%，固态电池成为新的研究方向。
-
质子导电固体氧化物电池（P-SOC）具备低温操作和低离子传导活化能的优点。
-
目前P-SOC使用的空气电极材料主要是基于Co/Fe的钙钛矿氧化物，缺乏系统研究。
-
研究团队通过XGBoost模型筛选出792个样本，比较了随机森林和XGBoost的预测性能。
-
最终筛选出高效空气电极材料LCN91，其活化能与现有材料相媲美。
-
LCN91的质子电导率与氧化物中质子吸收量、质子扩散和转移相关。
-
研究发现Ni有利于LCN91中的水化反应，提升了材料的催化活性。
-
尽管LCN91表现优异，但其热膨胀系数较高，可能影响电池寿命。
-
研究为未来开发高质子导电性和适当热膨胀系数的新型空气电极提供了指导。
-
鸿基创能致力于质子交换膜燃料电池的国产化，打破国外技术垄断。
-
预计到2030年，绿氢需求将增长到7500万吨，氢能燃料电池将与整个能源体系相关联。
➡️
