Vorhersage der Bildung von Sauerstofflücken mittels maschinellen Lernens

Wir haben einen neuen Transfer-Learning-Ansatz für die Vorhersage der Energie zur Bildung von Sauerstofflücken für einige Perowskite entwickelt, um darüber neue mögliche Materialien für Brennstoffzellenkathoden zu identifizieren

Die Verringerung der CO2-Emissionen hat für die Volkswirtschaften in aller Welt oberste Priorität, um die Verpflichtungen zum Umweltschutz zu erfüllen. Daher kommt der Entwicklung neuer, kosteneffizienter Energieumwandlungstechnologien große Bedeutung zu. Eine dieser Technologien ist die Festoxidzelle (SOC), die entweder chemische in elektrische Energie mit hohem Wirkungsgrad umwandelt (SOFC: Solid Oxide Fuel Cell) oder erneuerbare Energie zur Herstellung von Wasserstoff oder synthetischen Kraftstoffen auf Wasserstoffbasis nutzt (SOEC: Solid Oxide Electrolysis Cell). Darüber hinaus kann die SOC in einem Gerät auch in beiden Modi abwechselnd betrieben werden (rSOC: reversible solid oxide cell). Zu den wichtigsten Energieträgern gehören Wasserstoff, Erdgas, Biogas und andere erneuerbare Brennstoffe, und die daraus resultierende Verringerung der CO2-Emissionen ist ein wichtiges Argument für den großtechnischen Einsatz dieser Technologie. Die Degradationseffekte in beiden Betriebsarten sind jedoch nach wie vor ein wichtiges Forschungsthema. Vor allem im SOFC-Betrieb hat sich die Degradation der Luftelektroden als ein Hauptproblem erwiesen, das die Lebensdauer und Haltbarkeit der Stacks einschränkt und eine entscheidende Herausforderung für eine erweiterte Anwendung darstellt.

(La,Sr)(Co,Fe)O3-δ (LSCF) ist eines der wichtigsten Luftelektrodenmaterialien für SOC-Anwendungen. Sr ist jedoch ein sehr reaktives Element und trägt zu verschiedenen Degradationsproblemen bei. Daher ist es wünschenswert, neue, Sr-freie Luftelektrodenmaterialien zu finden. Die potenziellen Materialien sollten chemisch und mechanisch mit den angrenzenden Komponenten kompatibel sein, eine gute Toleranz gegenüber Verunreinigungen in der umgebenden Atmosphäre aufweisen und eine niedrige Energie zur Bildung von Sauerstofflücken haben, um einen schnellen Sauerstoffaustausch an der Oberfläche und eine schnelle Diffusion zu gewährleisten. Perowskit-Oxide (ABO3) mit kubischer Symmetrie haben ein hohes Potenzial als Luftelektrodenmaterialien für SOC-Anwendungen gezeigt. Im Allgemeinen macht die große Anzahl von Kandidaten für potenzielle Luftelektrodenmaterialien eine systematische Suche nach neuen und besseren Materialien schwierig oder sogar unmöglich. Daher ist die Anleitung durch maschinelle Lernwerkzeuge, insbesondere künstliche neuronale Netze (ANNs), zur Optimierung von Materialeigenschaften ein vielversprechender Ansatz.

Wir haben einen neuen Transfer-Learning-Ansatz für die Vorhersage der Energie zur Bildung von Sauerstofflücken für einige ABO3-Perowskite entwickelt, und zwar von einem mit zwei Spezies dotierten System zu einem mit vier Spezies dotierten System. Hierfür wird ein künstliches neuronales Netz verwendet. Anhand eines Trainingsdatensatzes mit zwei Spezies werden Vorhersagemodelle für die Bestimmung der Energie der Sauerstoffleerstellenbildung trainiert. Für die Vorhersage der Sauerstoffleerstellenbildungsenergie von mit vier Elementen dotierten Perowskiten wird ein formal ähnlicher Merkmalsraum definiert. Die Übertragbarkeit der Vorhersagemodelle zwischen physikalisch ähnlichen, aber unterschiedlichen Datensätzen, d. h. Trainings- und Testdatensätzen, wurde durch weitere statistische Analysen der Restverteilungen validiert. Der vorgeschlagene Ansatz ist ein wertvolles Hilfsmittel für die Suche nach neuen Energiematerialien.

Referenz: Yin, X.; Spatschek, R.; Menzler, N.H.; Hüter, C. A Pragmatic Transfer Learning Approach for Oxygen Vacancy Formation Energies in Oxidic Ceramics. Materials 2022, 15,2879. https://doi.org/10.3390/ma15082879