近日，深圳大學謝和平院士與其博士生翟朔分別為通訊和第一作者，香港理工大學倪萌教授、南京工業大學邵宗平教授為共同通訊作者在Nature Energy（IF：67.439）以深圳大學為第一單位發表了題為" A combined ionic Lewis acid descriptor and machine-learning approach to prediction of efficient oxygen reduction electrodes for ceramic fuel cells" 的研究成果。該研究將機器學習、理論計算與陶瓷固體氧化物開發相結合，開發了一個經過實驗驗證的陰極材料機器學習篩選技術，實現了固體氧化物燃料電池篩選高活性陰極材料的重大突破。

    實現煤炭的清潔高效利用,推動煤炭革命,對我國能源結構改革具有重大戰略意義！當前，現代化的燃煤電廠受到卡諾循環的限制，單位發電量的煤炭消耗量居高不下，同時難以破解煤炭發電固有的CO2大量排放的技術瓶頸，無法真正實現煤炭的清潔低碳利用。謝和平院士團隊率先提出並正在攻關「近零碳排放直接煤燃料電池（DCFC）發電技術」(CN114284533A)。該技術可打破卡諾循環的限制，不通過燃燒,而是將改性煤炭的化學能通過電化學氧化過程直接轉換為電能，同時在系統內原位實現CO2二次能源化利用。其中DCFC是基於固體氧化物燃料電池，其陰極提供了碳氧化反應所需的氧離子，材料的本徵活性對氧還原反應的動力學反應速率有着決定性作用。然而，傳統的材料設計、表徵和測試依賴低效的試錯過程，往往需要漫長的研究周期。

    基於上述研究思考，該研究創新將機器學習、理論計算與固體氧化物燃料電池陰極材料設計相結合，實現了快速、有效的從龐大的鈣鈦礦組分中篩選高活性陰極材料。該研究闡明了鈣鈦礦氧化物路易斯酸性調控策略提升本徵活性的機理，揭示了路易斯酸性在A位和B位離子的極化分佈引起電子對的偏移，進而降低氧空位的生成能和遷移能壘的機制。該成果為團隊正在攻關的「近零碳排放直接煤燃料電池發電技術」提供了理論依據與技術支持。（記者 林麗青）

頂圖：基於機器學習的固體氧化物燃料電池陰極材料開發總體工作流程圖