背景
：
阴离子交换膜（AEM）的降解阻碍了碱性燃料电池的实际应用。这个问题激发了大量的实验和理论研究。然而，通过正交实验设计化学稳定性高的膜材料，实验工作量大，工作效率低，难以将高维模型的许多变量直接关联起来，得出普遍的结论来指导材料的结构设计。
在燃料电池AEM的设计中引入人工智能（AI）辅助设计可以有效解决这一问题，提高工作效率，本研究突出了数据驱动模型预测AEM碱性稳定性的潜力，因此在碱膜燃料电池的开发中可以避免不必要的实验。
文章介绍
基于此，苏州大学闫峰教授在国际知名期刊《能源与环境科学》上发表了题为“Machine Learning Analysis and Prediction Models of Alkaline Anion Exchange Membranes for Fuel Cells”的论文。
本文首次提出人工智能（AI）技术来预测燃料电池AEM的化学稳定性。基于材料基因组学策略，通过Hammett取代常数对AEM的化学稳定性进行量化，然后对决策树进行分类。
在本文采用的五种机器学习算法中，人工神经网络（ANN）在预测AEM的化学稳定性方面表现出最高的准确性（R2=0.9978）。在AI计算分析的基础上，作者进一步开展了长期化学稳定性实验，证明了所提方法的鲁棒性和预测准确性。
图 1.阴离子聚合物膜的结构描述和机器学习识别聚合物结构的概述。
本文要点
要点1：决策树分析，以表征具有高化学稳定性的AEM
这
通过Hammett取代常数对聚合物的化学结构进行量化，并在168 h后根据电导率保留率对AEM进行数字分类。决策树对15个复杂官能团的重要性进行了排序，对于季胺阴离子交换膜，化学稳定性高的聚合物主链优先获得化学稳定性高的AEM。
然而，当使用相对不稳定的聚合物主链（如PPO）时，决策树建议应优先考虑阳离子基团和聚合物主链之间的间距。对决策树的准确分析有利于设计高度化学稳定的AEM。
要点2：ANN模型预测AEM随时间推移的电导率
在本文中，使用了五种机器学习算法来预测AEM的碱性稳定性。SVR、GPR、RFR、XGR 和 ANN 的 R2 值分别为 0.5106、0.9213、0.9862、0.9971 和 0.9978。
在五种机器学习算法中，人工神经网络可以在用户输入AEM的物理和化学特性时快速准确地预测电导率与时间的关系，从而避免大量重复实验。
第3点：实验验证了ANN模型的稳健性
对于相对不稳定的聚合物骨架（例如PPO），应调整阳离子基团与聚合物主链之间的间隔物或阳离子基团的保护基团，以最大限度地提高聚合物的碱性稳定性。
为了验证ANN模型是否能够预测具有不同间距或保护组的基于PPO的AEM的基本稳定性，我们对四个简单的AEM进行了长期稳定性实验。
实验结果表明，4条记录的R2值分别为0.9811、0.9572、0.9989和0.9354。四条记录的Rmse值分别为4.03、4.69、1.72和3.70。因此，ANN成功地预测了这些AEM在60°C下具有不同保护基团的化学稳定性。
文章链接
燃料电池碱性阴离子交换膜的机器学习分析与预测模型
关于通讯作者
闫峰，苏州大学教授，江苏省特聘教授，国家杰出青年基金获得者。
主要从事离子液体和离子高分子功能材料应用的基础研究。在探索综合利用离子聚合物的电导率和离子交换性能构建（准）固体电解质材料和新型功能分子材料方面，提出了一系列新思路和新方法，建立和发展了集多组分、多层次结构、多功能配位于一体的功能材料体系。它实现了高导电性、高化学稳定性，以及几种具有光学、电学和分子识别功能的新型离子聚合物分子组装体或材料。它为离子聚合物的发展以及化学与材料科学的交叉领域做出了有益的探索。近年来，它在Angew成立。化学。;高级材料;科学高级;高级功能。母校;在Adv. Sci等国际学术期刊上发表SCI论文150余篇。
第一作者介绍
邹秀阳是苏州大学材料化学化工系2020级博士生。
他的主要研究兴趣包括阴离子交换膜的设计与制造、分子动力学模拟以及机器学习方法的应用。
研究小组介绍
本课题组主要从事离子液体和离子高分子功能材料应用的基础研究。在多离子液体的设计与合成方面开展了一系列研究工作，包括能量器件与能量聚合物、抗菌高分子材料、电致变色材料与器件、离子凝胶与柔性可穿戴器件、大分子染料等。课题组现有师资5人，实验室近500平方米，设备硬件齐全，科研氛围浓厚活跃，课题组氛围融洽，鼓励学生积极参与技术会议，提供海外交流机会。
添加官方微信加入群聊
SCI二氧化碳互助小组
SCI催化材料交流组
备注：[名称-机构-研究方向]。
描述
如果本文内容存在版权问题，请及时联系我们处理。
欢迎读者转发和宣传本文。
“科学资料站”将不断提升自身水平，为读者分享更多优质资料咨询，欢迎关注我们。
请联系 contact@scimaterials.cn 提交
确认我们
要感谢作者对本文的支持。
标签： 决策树
评论列表