论文标题：Machine Learning-Guided Gradient Dual-Proton Conducting Catalytic Layers for High Temperature Proton Exchange Membrane Fuel Cells in Aviation

期刊：Engineering

DOI：https://doi.org/10.1016/j.eng.2025.10.031

微信链接：点击此处阅读微信文章

在航空绿色能源领域，高温质子交换膜燃料电池一直是研究热点之一。北京航空航天大学北京市仿生材料与器件重点实验室张劲团队在中国工程院院刊《Engineering》发表了一篇题为“Machine Learning-Guided Gradient Dual-Proton Conducting Catalytic Layers for High Temperature Proton Exchange Membrane Fuel Cells in Aviation”（基于机器学习的双质子导体梯度催化层在航空用高温质子交换膜燃料电池中的应用）的研究论文，共同第一作者为王昕和姚健，通讯作者为张劲和蒋三平。该论文基于机器学习和多物理场模拟的方法介绍了一种新型的双质子导体梯度催化层，在160 ℃典型高温工况下实现了超过2 W·cm?²的峰值功率密度，并表现出更优的运行稳定性。

在航空领域，未来燃料电池系统要同时满足“高功率、轻量化和高可靠性”，传统在80 ℃左右运行的低温质子交换膜燃料电池往往需要体积庞大的散热系统，难以满足机载应用对比功率的苛刻要求。以磷酸（PA）为质子导体、在160 ℃左右无水运行的高温质子交换膜燃料电池（HT-PEMFC），被认为是面向航空推进的关键技术之一。然而，高温条件下以磷酸（PA）为质子导体时，磷酸在催化层中的迁移和流失会导致质子传输中断和铂催化剂利用率降低，成为制约电池功率密度和寿命的核心瓶颈。为了克服这些限制，研究人员提出了一种双质子导体梯度催化层。

该研究的核心在于通过机器学习与三维多物理场模拟相结合，指导构建具备质子导体梯度分布的双质子导体催化层，从根本上缓解HT-PEMFC中催化层内磷酸非均匀分布带来的性能瓶颈。研究人员用随机森林等机器学习方法定量识别出“催化层内磷酸体积分数”这一主导电池性能的关键描述符。并通过耦合格子玻尔兹曼方法的三维多物理场模型，揭示了磷酸由膜侧向气体扩散层侧逐渐递减的梯度分布及其对电池性能的严重抑制作用。在此基础上，作者设计了多种梯度结构电极验证了这一模拟结果，并在催化层外侧引入有机膦酸 EDTMPA，与磷酸共同构建稳定的双质子导体网络，有效修复靠近气体扩散层一侧的“质子缺乏区”，在 160 ℃、H?/O?工况下实现2.16 W·cm?²的峰值功率密度与优异的动态工况稳定性，为面向航空应用的高温燃料电池实现高比功率与长寿命运行提供了一条全新的催化层结构设计路径。

图1 （a）展示了以随机森林等模型为基础的特征重要性分析结果，七个结构与工艺描述符中，催化层单位体积磷酸含量的贡献权重最高。（b）皮尔逊系数。（c）实验数据集与机器学习测试数据点的对比。（d）汇总了包括TPB-PBAP、mPBI、Dapozol®PBI、AB-PBI、PES-PVP等在内的多种高温膜体系的实验数据，单位体积磷酸含量对功率密度的影响呈现“火山型”关系。

研究团队采用机器学习方法来确定影响高温燃料电池性能的关键因素。他们发现在众多因素中，催化层内的磷酸含量是影响电池性能最重要的指标，其对整体性能的贡献占比达 25.5%——远远超过传统参数。此外，通过对比大量文献，发现催化剂层内的磷酸盐含量与电池的功率密度呈火山型关系，这为后续催化剂层的优化奠定了理论基础。

图2 （a）展示了不同工作电压条件下催化剂层（CL）内的电流密度分布特征。（b）在压力差作用下，体积分数为 40%（phi）的 PA 的三维空间分布特征。对 CL 中垂直流动方向上孔隙介质模型横截面在标准化流动距离下的定量分析。（c）催化剂层中的 PA 分布情况以及（d）在孔隙中的分布情况。

图3 梯度铂负载示意图（a）从气体扩散层（GDL）到质子交换膜（模型 1）以及（b）从质子交换膜到气体扩散层（模型 2）。（c）模型 1 的线性扫描伏安曲线（LSV），展示了当气体扩散层横向放置时，在不同的铂负载分布模式下质子交换膜一侧性能的下降情况。（d）模型 2 的 LSV 曲线，展示了当质子交换膜横向放置时，在气体扩散层一侧性能的下降情况，同时考虑了不同的铂负载分布模式。

研究团队采用耦合格子玻尔兹曼方法的三维多物理场模型，揭示了在实际工作条件下，催化层内磷酸（PA）的分布是动态可迁移的，呈现出“靠近膜侧质子导体富集，远离膜侧质子导体缺乏”的分布状态。且无论阳极还是阴极，电流密度都随远离高温质子膜（HT-PEM）的距离增加而显著下降，这证明磷酸的非均匀分布严重影响了催化层内远离膜侧的催化剂效率。

图4 （a）给出了三种不同阴极气体扩散电极（GDE）的结构布局示意：IN 型将催化层主要布置在靠近PEM的一侧；OUT 型则将催化层主要布置在靠近GDL的一侧；MIX 型则为催化剂与碳粉均匀混合的催化层结构。（c）–（h）为三种电极横截面的结构示意图,可清晰看到IN、OUT 与 MIX 电极中碳载体与铂颗粒的分布。

图5 （a）展示了基于IN、MIX 和 OUT 三种阴极电极构型的高温燃料电池在160 ℃条件下的极化曲线和功率密度曲线，（b）循环伏安曲线，（c）离子电阻和有效表面积，（d）塔菲尔斜率，以及（e）三种气体扩散电极的氧气传输电阻。 （f）氧传输电阻中与压力无关的电阻（RPI）的示意图。

研究团队通过将Pt/C催化剂放置在催化层内部的不同部位，设计了三种梯度催化层。并通过全方位的电化学性能表征，验证了多物理场模拟中磷酸的非均匀分布行为。

图6 （a）OUT 电极中 PA 非均匀分布的示意图，以及 OUT + EDTMPA 电极中双质子导体的分布情况；（b）PA-PA 和 PA-EDTMPA 在不同工作温度下的质子传导率；（c）PA 与 EDTMPA 之间的结合能（ΔE结合）；（d）PA、EDTMPA 以及 EDTMPA-PA 混合物的拉曼光谱。

图7（a）在 160°C、氢气/空气条件下（化学计量比为 1.25/2.50）、无气体加湿和背压的情况下，基于 OUT、OUT + PA 和 OUT + EDTMPA 阴极的燃料电池的电流-电压（I-V）曲线。 （b）OUT、OUT + PA 和 OUT + EDTMPA 阴极的离子电阻、电化学表面面积（ECSA）以及（c）塔菲尔斜率。 （d）基于 OUT、OUT + PA 和 OUT + EDTMPA 阴极的燃料电池的极化解耦。

为解决上述PA分布不均所导致的问题，研究团队引入了一种基于有机膦酸 EDTMPA 和 PA 的双质子导体体系。EDTMPA 和 PA 之间的强氢键作用形成了更加稳定的质子传导网络。与纯 PA 系统相比，EDTMPA - PA 混合物在更宽的温度范围内表现出更高的质子电导率和更低的活化能，确保即使在催化剂层中初始质子导体含量较低的区域，也能保持连续的质子通路。采用双质子导体混合体系优化后的 OUT 电极的各项电化学性能有了显著提升。特别是其功率密度提高了 62.3%，这表明 EDTMPA 可以有效增强质子传导路径的可用性。并且额外的 EDTMPA 促进了在 PA 匮乏区域中酸的富集，从而在催化剂层内形成了连续的质子传导网络。因此，这种双质子导体策略有效地缓解了上述研究中观察到的局部质子缺乏现象。

图 8 （a）ALL 电极以及经 EDTMPA 改良后的 ALL 电极的示意图。 （b）在 160°C、氢气/空气条件下（化学计量比为 1.25/2.50）、不进行气体加湿和背压处理的基于 ALL 电极和 ALL + EDTMPA 电极的燃料电池的 I-V 曲线。 （c）在 160°C、氢气/氧气条件下（化学计量比为 1.25/2.50）、不进行气体加湿且背压为 1.5 巴的基于 ALL + EDTMPA 电极的燃料电池的 I-V 曲线。 （d）在 160°C、氢气/空气条件下（化学计量比为 1.25/2.50）、不进行气体加湿且有背压 1.5 巴的情况下，ALL 电极和（e）ALL + EDTMPA 电极的 PA 保留率的变量电流循环稳定性测试曲线。

进一步的，通过将这种双质子导体系统整合到全尺寸电极（ALL + EDTMPA）中，研究人员在 160°C、1.5 bar背压、H₂/O₂条件下实现了 2.16 W·cm^-2 的峰值功率密度，完全达到了并超过了航天燃料电池的功率密度目标。经过多次高强度动态负载循环测试后，电池仍表现出极佳的稳定性。

这项研究不仅为高温质子交换膜燃料电池催化层的结构设计提供了一种全新的思路，还为面向航空应用的高比功率燃料电池系统提供了关键的技术支撑。通过结合机器学习、三维多物理场模拟与实验验证，系统揭示了催化层内磷酸非均匀分布对质子传导和铂利用率的影响，并在此基础上提出了“双质子导体梯度催化层”这一创新设计策略。该策略不仅显著提升了电池在高温、大电流密度下的输出功率和稳定性，还为缓解磷酸流失、延长电池寿命提供了可工程化的解决方案。未来，这种以数据驱动和机理模拟相结合的催化层设计方法，有望在航空燃料电池、电动无人机、高空长航时平台以及高温分布式能源系统等领域得到推广应用，推动高温质子交换膜燃料电池技术向更高比功率、更长寿命和更高系统效率方向发展。

论文信息：

Xin Wang, Jian Yao, Zhenguo Zhang, Jialin Zhang, Baohua Liu, Wen Liu, Wen Li, Shanfu Lu, Yan Xiang, Haining Wang, San Ping Jiang, Jin Zhang. Machine Learning-Guided Gradient Dual-Proton Conducting Catalytic Layers for High Temperature Proton Exchange Membrane Fuel Cells in Aviation. Engineering. in press

开放获取：

https://doi.org/10.1016/j.eng.2025.10.031

更多内容

Engineering期刊工程管理学科新一届编委会成立暨工作部署会顺利召开

双喜临门！我社《Engineering》《中国工程科学》入选2025中国国际影响力学术期刊榜单

《工程（英文）》：引领工程科技创新 服务国家战略需求

喜报：Engineering海外传播斩获佳绩！

Engineering征稿启事：人工智能赋能工程科技