AI 如何降低绿色氢成本

快速阅读: 据《印度教商业线》最新报道，AI通过机器学习优化绿氢生产，提升效率5%-15%，降低成本。专家指出硬件成本下降使AI经济实惠，但AI催化剂需实验验证。研究者开发新方法设计高效低成本双金属催化剂，助力绿氢商业化，推动可持续能源发展。

绿氢的成本高昂（每公斤至少4美元）；电解槽和电力是成本的两大关键驱动因素，也是研究的核心所在。然而，经济学终究无法与物理学争辩。在降低生产成本方面，能做的始终有限。但如今，一条新路径正在开启，通过人工智能（AI）及其分支机器学习（ML）来应对这一顽固的成本难题。AI/ML能够在生产的每个环节提供支持——分析温度、压力和输入电力等实时操作参数；预测故障；并协助寻找替代昂贵稀有材料（例如铂和铱，一克价值5000美元）的催化剂。国际能源署的《2023年绿色氢能评论》显示，超过50个绿色氢能项目正在应用AI，涉及约5亿美元的投资。在众多试点项目中，AI的应用带来了5%-15%的效率提升；随着更多操作数据的累积，这一比例有望进一步提高。亚马逊西雅图的阿什什·萨克塞纳在2024年6月的一篇论文中指出，西门子能源公司采用了一种名为“强化学习”（RL）的机器学习技术，这种技术在线调整其电解过程中7万多个参数，从而实现了8%-10%的改进。“所使用的模型结合设备控制变量和性能指标，制定了最佳控制策略。”萨克塞纳说，并指出硬件、传感器及物联网连接成本的下降使得AI变得经济实惠。专家如萨克塞纳强调了AI在预测性维护和工艺优化中的价值。当设备持续运行时，AI模型会利用实时设备性能数据预测故障。在寻找催化剂方面，AI可以发挥更大的作用，特别是在识别电解槽中用于氢气析出反应（HER）的经济型催化剂上。催化剂能够加速化学反应而不被消耗，在电解槽中促进氢气和氧气的析出。催化剂的性能受到合金材料的结构、组成、电子配置、吸附位点几何形状等因素交互作用的影响。分析数百种材料的参数以确定正确的组合是一项艰巨的任务，但AI可以简化这一过程。然而，这里存在一个问题：为什么AI提出的氢气析出反应（HER）催化剂未能成为主流？的确，AI已经提出了几个有趣的催化剂，这一点我们会在后面讨论，但问题在于生成这些AI模型所需的实验数据成本和复杂性。印度理工学院马德拉斯分校的凯·维平教授和普拉哈拉德·帕丹教授正在开发一种新型机器学习方法，用于预测和设计高性能、低成本的双金属催化剂，用于氢析出反应（HER）和氧析出反应（OER）。他们使用从Catalysis-hub数据库提取的数据集，该数据集涵盖了大量关于HER和OER的合金催化信息。他们在一篇尚未经过同行评审的论文中提到，该数据集包含16,226个不同的数据点，其中8,856个条目专注于HER催化，7,370个条目专门针对OER催化。维平和帕丹创造了一种“系统化、数据驱动的催化剂设计方法，以克服传统试错法的局限性”。顺便提及，该模型适用于设计任何催化剂，而不仅限于氢析出反应。通过使用回归算法如随机森林、XGBoost和支持向量回归，该模型可以“精准预测双金属合金表面氢吸附的吉布斯自由能——这是催化活性的重要描述符。”维平告诉量子，“吉布斯自由能是一种热力学量，它告诉我们一个化学过程是否可以自发进行，而无需额外能量。”尽管我们尚未对新催化剂进行实验验证，但我们正利用训练好的模型筛选和预测有前景的双金属候选物，这些预测通过密度泛函理论模拟进一步评估，以在实验测试前确认其理论潜力。AI驱动的催化剂设计已产生了一些候选物，包括基于贝叶斯遗传算法的“镍掺杂碳量子点”；钌-锰-钙-镨混合氧化物催化剂；以及铜-铝催化剂。需要指出的是，设计催化剂仅仅是第一步（但至关重要）——它必须长期稳定运行，而非短期内表现出色后迅速失效。它还应无缝融入现有系统中。AI正在助力解决这一关键部分。一旦有了提高电解槽效率的系统（实际上涵盖整个绿色氢能价值链，包括可再生能源资产），以及一种负担得起的催化剂，那么绿色氢能便可以迈入商业领域。“通往可持续氢经济的道路复杂且多元，需要跨学科界限的创新解决方案。”维平和帕丹写道。“通过先进的机器学习方法，我们正处于潜在突破的边缘，这可能彻底改变绿色氢能的生产，使我们显著接近脱碳、可持续的全球能源系统。”

(以上内容均由Ai生成)