Model korozji University of Waterloo wskazuje kompromis w doborze elektrolitu do baterii
Badacze z University of Waterloo przetestowali 20 warunków dla alkalicznych elektrolitów, a następnie wykorzystali AI do znalezienia kompromisu między szybkością korozji aluminium a stabilnością elektrochemiczną. Model korozji University of Waterloo wskazał około 1,35-molowy wodorotlenek potasu, czyli KOH, jako preferowany punkt. Wynik ten nie jest jednak receptą na gotową baterię. To wygenerowana przez model równowaga między dwoma pomiarami korozji w ściśle kontrolowanych warunkach laboratoryjnych.
To rozróżnienie tworzy główne napięcie. Baterie aluminiowo-powietrzne oferują wysoką teoretyczną energię w przeliczeniu na jednostkę aktywnego metalu, lecz alkaliczne elektrolity zużywają aluminium także wtedy, gdy ogniwo pozostaje bezczynne. Silniejsza alkaliczność może wspierać aktywność elektrochemiczną, jednocześnie przyspieszając niepożądane rozpuszczanie i wytwarzanie wodoru. Wybór elektrolitu oznacza więc zarządzanie sprzecznymi celami, a nie tylko minimalizowanie jednej wartości.
Zespół zastąpił część tego procesu prób i błędów sztuczną siecią neuronową oraz dwiema metodami optymalizacji genetycznej. Badanie opublikowane 10 lipca 2026 r. w Frontiers podaje wyniki predykcji powyżej 0,999 w ramach zgromadzonego zbioru danych. Badacze nie testowali jednak wydajności rozładowania kompletnej baterii, długoterminowego cyklowania ani działania poza zmierzonym zakresem chemicznym.
Wynik ten podważa dwie znane strategie rozwoju. Jedna opiera się na testowaniu wielu formulacji i wyborze użytecznego elektrolitu na podstawie dyskretnych eksperymentów. Druga uznaje najniższą przewidywaną szybkość korozji za oczywistą odpowiedź. Praca z Waterloo wskazuje, że żadne z tych podejść nie obejmuje całego problemu projektowego, ponieważ potencjał korozji i prąd korozji nie zawsze mogą poprawiać się jednocześnie.
Model korozji University of Waterloo zmienia wybór elektrolitu
Istotna zmiana nie polega na tym, że AI przewidziała korozję. Polega na tym, że optymalizacja przekształciła zestaw pomiarów laboratoryjnych w konkretny, możliwy do przetestowania warunek dla elektrolitu.
Yasmin Shabeer, Seyed Saeed Madani, Satyam Panchal i Michael Fowler badali komercyjny stop aluminium, magnezu i krzemu. Prace prowadzono na Wydziale Inżynierii Chemicznej University of Waterloo. Finansowanie obejmowało program Canada Research Chair oraz Natural Sciences and Engineering Research Council of Canada.
Badacze poddali próbki stopu działaniu roztworów wodorotlenku sodu, czyli NaOH, oraz KOH. Każdy elektrolit testowano w stężeniach od 1 do 10 molowych. Testy prowadzono w temperaturze 25 stopni Celsjusza w ogniwie trójelektrodowym, używając stopu aluminium jako elektrody roboczej.
Każdy eksperyment rozpoczynał się 15-minutową stabilizacją potencjału obwodu otwartego. Następnie zespół zastosował polaryzację potencjodynamiczną, która mierzy prąd podczas zmiany przyłożonego napięcia, aby oszacować zachowanie korozyjne. Spektroskopia impedancji elektrochemicznej badała, jak granica między metalem a elektrolitem przeciwstawiała się niewielkiemu sygnałowi przemiennemu przy różnych częstotliwościach.
Analizę oparto na dwóch wynikach. Potencjał korozji, zapisywany jako Ecorr, wskazuje elektrochemiczną tendencję związaną z korozją w warunkach testowych. Gęstość prądu korozji, czyli Icorr, służy jako porównawczy wskaźnik szybkości reakcji korozyjnej.
Pomiary te nie opisują identycznych właściwości. Mniej ujemny potencjał korozji może wyglądać korzystnie, podczas gdy rosnąca gęstość prądu sygnalizuje szybszą utratę materiału. To rozdzielenie wyjaśnia, dlaczego wybór najlepszego stężenia na podstawie pojedynczego rankingu może wprowadzać badaczy w błąd.
Eksperymenty wykazały również znaczenie rodzaju elektrolitu. Przy takich samych stężeniach KOH na ogół powodował bardziej ujemny potencjał korozji i wyższą gęstość prądu korozji niż NaOH. Artykuł wiąże tę różnicę z zależnymi od kationów efektami obejmującymi ruchliwość jonów, hydratację oraz elektryczną warstwę podwójną w pobliżu powierzchni metalu.
Wyższe stężenie nie dawało prostej odpowiedzi liniowej. Niska i umiarkowana alkaliczność sprzyjały aktywacji anodowej, podczas gdy przy wysokich stężeniach obserwowano zachowanie ograniczone transportem i procesami międzyfazowymi. W praktyce dodawanie większej ilości wodorotlenku przestawało ostatecznie powodować proporcjonalne zmiany elektrochemiczne.
Dyfrakcja promieniowania rentgenowskiego nie wykryła krystalicznych produktów korozji po ekspozycji. Autorzy interpretują ten wynik jako ciągłe rozpuszczanie powierzchni, któremu towarzyszą głównie amorficzne lub krótkotrwałe warstwy powierzchniowe. Pozostawia on także lukę, ponieważ dyfrakcja promieniowania rentgenowskiego nie może w pełni opisać kształtu korozji, rozwoju wżerów ani nanoskali chemii powierzchni.
Badacze wytrenowali sztuczną sieć neuronową na danych elektrochemicznych. Jej pięć danych wejściowych reprezentowało rodzaj elektrolitu, stężenie, temperaturę, przyłożony potencjał i zmierzoną gęstość prądu. Dwa cele modelu stanowiły Ecorr i Icorr.
Przeszukiwanie siatki oceniło 351 konfiguracji sieci neuronowej. Wybrana sieć zawierała trzy warstwy ukryte z 20, 25 i 25 neuronami. Wykorzystywała algorytm uczenia Adam, współczynnik uczenia 0,001 oraz 500 epok uczenia.
Badanie podaje wartości R-kwadrat powyżej 0,999 dla obu przewidywanych wyników. R-kwadrat mierzy, jak ściśle prognozy odzwierciedlają zmienność danych referencyjnych modelu. Tak wysoka wartość wskazuje na ścisłe dopasowanie w tym zbiorze danych, ale nie potwierdza dokładności dla innych stopów ani środowisk pracy.
Wytrenowany model stał się szybkim substytutem eksperymentów. Zamiast fizycznie testować każde pośrednie stężenie, algorytmy optymalizacyjne mogły odpytywać przewidywane zachowanie korozyjne w ciągłej przestrzeni poszukiwań. Proces wygenerował proponowany punkt pracy pomiędzy pierwotnymi skokami co jeden mol.
Dlatego model korozji University of Waterloo ma znaczenie. Zrobił więcej niż odtworzenie zmierzonych wyników. Wygenerował węższą hipotezę, którą badacze mogą podważyć za pomocą ukierunkowanych eksperymentów.
Dlaczego baterie aluminiowo-powietrzne potrzebują kompromisu, a nie minimum
Elektrolit w baterii aluminiowo-powietrznej musi umożliwiać anodzie uwalnianie użytecznej energii bez zużywania zbyt dużej ilości metalu przez pasożytniczą korozję.
W ogniwie aluminiowo-powietrznym aluminium utlenia się na anodzie, podczas gdy tlen uczestniczy w reakcji katodowej. Taka architektura pobiera jeden z reagentów z otaczającego powietrza, co pomaga zmniejszyć masę przenoszoną wewnątrz systemu. Aluminium ma także teoretyczną grawimetryczną gęstość energii 8,1 kilowatogodziny na kilogram jako materiał aktywny.
Ta teoretyczna wartość nie jest równa praktycznej energii ogniwa. Osprzęt, elektrolit, elementy katody, niepełne wykorzystanie i reakcje uboczne obniżają wydajność na poziomie systemu. Mimo to podstawowy potencjał sprawia, że chemia aluminiowo-powietrzna pozostaje istotna dla zastosowań, w których magazynowana energia ma większe znaczenie niż proste ładowanie elektryczne.
Elektrolit pełni jednocześnie kilka funkcji. Transportuje jony, wspiera rozpuszczanie aluminium podczas użytecznego rozładowania i wpływa na produkty reakcji na anodzie. Skoncentrowane roztwory alkaliczne mogą jednak atakować aluminium także wtedy, gdy ogniwo pozostaje w spoczynku.
Ta niepożądana reakcja zużywa materiał aktywny bez dostarczania użytecznego prądu do zewnętrznego obciążenia. Może także uwalniać wodór, co rodzi problemy związane ze sprawnością, zarządzaniem ciśnieniem i bezpieczeństwem. Artykuł University of Waterloo traktuje więc korozję jako zmienną projektową, a nie kosmetyczny problem materiałowy.
Problem ten odróżnia systemy aluminiowo-powietrzne od konwencjonalnych akumulatorów litowo-jonowych. W wielu konstrukcjach aluminiowo-powietrznych przywrócenie pojemności wymaga mechanicznej wymiany lub recyklingu zużytej anody aluminiowej. Każdy gram utracony wskutek samokorozji zmniejsza użyteczny zwrot z tego cyklu wymiany.
Stężenie elektrolitu tworzy szczególnie trudny wybór. Słaby roztwór może ograniczać transport jonowy lub kinetykę użytecznej reakcji. Bardziej agresywny roztwór może poprawiać aktywność elektrochemiczną, jednocześnie przyspieszając rozpuszczanie podczas pracy lub okresów bezczynności.
Zespół z Waterloo sformalizował ten konflikt za pomocą dwóch celów. Optymalizacja dążyła do niższego Icorr, jednocześnie przesuwając Ecorr w stronę mniej ujemnej wartości. Poprawa jednego celu ostatecznie pogarszała drugi, tworząc zestaw niezdominowanych rozwiązań zwany frontem Pareto.
Front Pareto obejmuje wybory, w których żaden cel nie może ulec poprawie bez pogorszenia innego. Badacze wybrali jego punkt kolanowy, w którym dalsza poprawa potencjału korozji wymagała nieproporcjonalnego wzrostu prądu korozji. Punkt ten pojawił się w pobliżu 1,35 M KOH.
Przewidywane wartości przy tym stężeniu wyniosły Ecorr równe minus 1,6199 wolta oraz Icorr równe 0,0876 ampera na centymetr kwadratowy. Liczby te należy odczytywać łącznie. Żaden z tych pomiarów sam w sobie nie wyjaśnia, dlaczego algorytm preferował ten warunek.
Co istotne, KOH nie był łagodniejszym elektrolitem w dopasowanych eksperymentach. Badanie na ogół obserwowało bardziej agresywną korozję w KOH niż w NaOH przy równoważnej molowości. Optymalizator mimo to wybrał warunek KOH, ponieważ poszukiwał określonej równowagi między oboma celami.
Ta pozorna sprzeczność jest najbardziej użytecznym wynikiem badania. Pokazuje, dlaczego „najniższa korozja” jest niepełną instrukcją projektową. Warunek, który ogranicza jeden wskaźnik, może powodować niekorzystny potencjał elektrochemiczny lub ograniczać użyteczną aktywność anody.
Wcześniejsze badania już wskazały korozję jako wąskie gardło w wielu konstrukcjach baterii. Szeroki przegląd kolektorów prądowych opisuje, jak skład elektrolitu, napięcie, temperatura i właściwości powierzchni aluminium wpływają na rozpuszczanie w ogniwach opartych na licie. Komponent i mechanizm różnią się od anody aluminiowo-powietrznej, lecz wniosek inżynieryjny jest podobny: korzyści wynikających z elektrolitu nie można oddzielić od zgodności z metalem.
Dla twórców baterii aluminiowo-powietrznych presja jest natychmiastowa. Potrzebują formulacji elektrolitów, które wspierają użyteczne rozładowanie, ograniczają straty w spoczynku, kontrolują wodór i tolerują zanieczyszczenia. Model zawężający przestrzeń poszukiwań może oszczędzić eksperymenty, ale tylko wtedy, gdy jego cele odpowiadają wymaganiom docelowej baterii.
Jak AI znalazła kompromis przy 1,35 M KOH
Wkład modelu wynika z połączenia nieliniowej predykcji z metodą wyszukiwania, która zachowuje konkurujące cele związane z korozją.
Sztuczna sieć neuronowa nauczyła się zależności między zarejestrowanymi zmiennymi elektrochemicznymi. Sieci neuronowe są użyteczne, gdy dane wejściowe i wyjściowe oddziałują nieliniowo, jak miało to miejsce w całym zakresie stężeń. Model nie zaczynał od kompletnego równania fizycznego dla każdej reakcji powierzchniowej.
Proces uczenia najpierw znormalizował zmienne, aby można było porównać wartości w różnych skalach. Następnie badacze zmieniali głębokość warstw, liczbę neuronów, współczynniki uczenia oraz parametr optymalizatora Adam. To uporządkowane wyszukiwanie zidentyfikowało konfigurację, która ściśle odtwarzała dostępne wartości docelowe.
Podane wartości R-kwadrat dla uczenia, testowania i walidacji dla Icorr wyniosły odpowiednio 0,99975, 0,99975 i 0,99970. Porównanie wyrażone w jednostkach fizycznych dało wartość R-kwadrat równą 0,99974. Wyniki te sugerują niewielki widoczny błąd w ramach podziału danych zastosowanego w badaniu.
Kolejny etap wykorzystał model jako niedrogi predyktor. Standardowy algorytm genetyczny szukał pojedynczego rozwiązania po połączeniu dwóch celów z równymi wagami. Algorytmy genetyczne naśladują selekcję, krzyżowanie i mutację, aby poprawiać rozwiązania kandydackie w kolejnych generacjach.
Równe ważenie wprowadza element oceny. Zakłada, że potencjał korozyjny i gęstość prądu zasługują na równoważny wpływ po normalizacji. Inny schemat ważenia mógłby faworyzować inny obszar przestrzeni projektowej.
Zespół dodał więc NSGA-II, wielokryterialny algorytm genetyczny, który nie sprowadza obu celów do jednego ważonego wyniku. Zachował on zakres niezdominowanych warunków elektrolitu i ujawnił kompromis między nimi. Punkt kolanowy reprezentował kandydata najbliższego wyidealizowanemu połączeniu maksymalnego Ecorr i minimalnego Icorr.
Oba podejścia optymalizacyjne zbiegły się w pobliżu 1,35 M KOH. Metoda skalarna przewidziała Ecorr bliski minus 1,619876 wolta oraz Icorr na poziomie 0,087859 ampera na centymetr kwadratowy. NSGA-II zwrócił niemal tę samą lokalizację i pomiary.
Zgodność dwóch strategii optymalizacji sprawia, że wybrany punkt jest mniej zależny od jednej formulacji matematycznej. Nie stanowi jednak niezależnej walidacji eksperymentalnej, ponieważ obie metody odpytywały tę samą wytrenowaną sieć neuronową.
Ta różnica ma znaczenie przy interpretacji modelu korozji University of Waterloo. Zbieżność wskazuje na wewnętrzną spójność między metodami optymalizacji. Nie dowodzi, że fizyczne ogniwo pracujące przy 1,35 M KOH przewyższy każdą alternatywę.
Podejście to nadal oferuje praktyczną zmianę w planowaniu laboratoryjnym. Tradycyjny screening polegałby na testowaniu stężeń w z góry określonych odstępach, porównywaniu pomiarów i wyborze kolejnego zestawu eksperymentów. Wytrenowany model zastępczy może najpierw badać wartości pośrednie, pozwalając badaczom przeznaczyć czas laboratoryjny na najbardziej informacyjne kandydatury.
Strategia ta przypomina aktywne uczenie, w którym model pomaga wybrać następny eksperyment zamiast biernie analizować ukończony zbiór danych. Niniejsza praca nie opisała powtarzalnej pętli aktywnego uczenia. Jej przepływ pracy tworzy jednak podstawę do jej wdrożenia.
Przyszły system mógłby przetestować przewidywane optimum, dodać wynik do zbioru danych i ponownie wytrenować model. Badacze mogliby następnie próbkować obszary, w których niepewność pozostaje wysoka. Powtarzanie tego cyklu ujawniłoby, czy pozorny punkt kolanowy pozostaje stabilny wraz z poszerzaniem się materiału dowodowego.
AI jest coraz częściej wykorzystywana do pokrewnych problemów akumulatorowych, w tym prognozowania właściwości elektrolitów, screeningu materiałów i analizy interfejsów. Przegląd AI w badaniach nad akumulatorami z 2026 roku wskazuje na te same możliwości, jednocześnie identyfikując ograniczoną jakość danych, uogólnialność i interpretowalność jako trwałe przeszkody.
Przeszkody te są szczególnie istotne w przypadku korozji. Przygotowanie powierzchni, skład stopu, rozpuszczone zanieczyszczenia, przepływ, temperatura i protokoły testowe mogą zmieniać mierzone zachowanie. Model może bardzo dobrze dopasować się do czystego eksperymentu, nie uwzględniając jednak każdej zmiennej występującej w działającym systemie.
Przepływ pracy Waterloo należy zatem lepiej rozumieć jako optymalizację wspieraną eksperymentami, a nie autonomiczne odkrywanie chemiczne. Ludzie zdefiniowali rodziny elektrolitów, zakres stężeń, procedurę testową, zmienne docelowe i preferowaną regułę kompromisu. AI efektywnie przeszukiwała te granice.
Dla zespołów inżynieryjnych taki podział pracy jest wartościowy. Modele mogą zachowywać złożone zależności eksperymentalne i klasyfikować testy kontrolne. Badacze nadal decydują, czy cel modelu odzwierciedla wartość dla akumulatora.
Niemal Doskonałe Prognozy Nie Oznaczają Lepszego Akumulatora
Wyjątkowe dopasowanie modelu jest również powodem, dla którego jego ograniczenia zasługują na szczególną uwagę.
Wartość R-kwadrat powyżej 0,999 brzmi rozstrzygająco. Jakość prognozy zależy jednak od relacji między danymi treningowymi a zadawanym pytaniem. Zbiór danych w badaniu pochodził z jednego komercyjnego stopu aluminium-magnez-krzem, dwóch elektrolitów wodorotlenkowych i jednej temperatury.
Zakres stężeń był szeroki i obejmował od 1 do 10 M. Jednak bazowa siatka eksperymentalna pozostała uporządkowana i chemicznie wąska. Model nie miał generalizować między licznymi rodzinami stopów, dodatkami, zanieczyszczeniami, temperaturami ani konstrukcjami katod powietrznych.
Niektóre dane wejściowe również wymagają ostrożnej interpretacji. Przyłożony potencjał i zmierzona gęstość prądu znalazły się wśród pięciu cech predykcyjnych. Icorr był jednym z wyników. Zależności między eksperymentalnie powiązanymi zmiennymi elektrycznymi mogą wspierać dokładną interpolację, zapewniając jednocześnie mniejszą pewność w nowych reżimach pracy.
W artykule podano, że dane podzielono na podzbiory treningowy, testowy i walidacyjny. Losowe lub ściśle powiązane podziały mogą umieszczać pomiary z podobnych warunków eksperymentalnych w każdym podzbiorze. Zapewnia to wymagający sprawdzian dopasowania numerycznego, ale niekoniecznie surowy test ekstrapolacji chemicznej.
Silniejszy test zewnętrzny wyłączałby cały region stężeń, rodzinę elektrolitów, skład stopu lub kampanię eksperymentalną. Badacze mogliby wtedy sprawdzić, czy model przewiduje warunki, z którymi nie zetknął się blisko podczas treningu. Opublikowane wyniki nie potwierdzają takiego poziomu generalizacji.
Zoptymalizowane stężenie 1,35 M wprowadza dodatkowy wymóg weryfikacyjny. Oryginalne eksperymenty wykorzystywały roztwory od 1 do 10 M, podczas gdy model przeszukiwał przestrzeń w sposób ciągły między zmierzonymi punktami. Bezpośredni eksperyment przy 1,35 M określiłby, czy przewidywany punkt kolanowy przetrwa test fizyczny.
Autorzy stwierdzają również, że bezpośrednie korelacje z wydajnością rozładowania aluminium-powietrze wykraczały poza zakres badania. Nie użyto pełnego ogniwa, aby wykazać wyższą dostarczoną energię, lepszą trwałość magazynową, wolniejsze gromadzenie gazu lub dłuższy czas pracy przy wybranym warunku.
Potencjał korozyjny i gęstość prądu korozyjnego są wartościowymi wskaźnikami, lecz akumulator ma więcej ograniczeń. Potrzebuje odpowiedniej przewodności jonowej, transportu tlenu, stabilności katody, napięcia rozładowania, możliwych do opanowania produktów reakcji oraz akceptowalnego zachowania w oczekiwanym zakresie temperatur.
Powierzchnia testowa wprowadza kolejne ograniczenie. Próbki mechanicznie szlifowano, czyszczono etanolem i eksponowano na powierzchni 0,79 centymetra kwadratowego. Elektrody komercyjne mogą mieć większe powierzchnie, inne wykończenia, pozostałości produkcyjne, struktury ziarniste i zanieczyszczenia stopu.
Zespół powtórzył pomiary elektrochemiczne co najmniej trzy razy i zgłosił spójne trendy. Wspiera to odtwarzalność w obrębie wybranej procedury. Nie eliminuje jednak niepewności związanej ze skalowaniem.
Zastosowanie ciągłych przemiatań polaryzacyjnych tworzy kolejne zastrzeżenie. Badacze wyjaśniają, że Ecorr i Icorr wykorzystano do analizy porównawczej, a nie do ścisłego wyznaczania kinetyki z idealnych obszarów Tafela. Czytelnicy powinni zatem unikać traktowania wartości prądu jako uniwersalnych prognoz żywotności.
Dowody dotyczące powierzchni również pozostają niepełne. Dyfrakcja promieniowania rentgenowskiego nie wykryła krystalicznych produktów korozji, wspierając interpretację ciągłego rozpuszczania i amorficznych warstw. Autorzy wzywają do zastosowania skaningowej mikroskopii elektronowej lub mikroskopii optycznej, aby wyjaśnić morfologię korozji.
To dalsze badanie ma znaczenie, ponieważ równe średnie gęstości prądu mogą ukrywać różne wzorce uszkodzeń. Szerokie, równomierne rozpuszczanie może wpływać na elektrodę inaczej niż lokalne wżery lub pęknięcia. Model wytrenowany wyłącznie na zbiorczych pomiarach elektrycznych nie może rozróżnić tych wyników bez odpowiadających im etykiet powierzchniowych.
Cel optymalizacji również zasługuje na analizę. Punkt kolanowy jest matematycznym kompromisem między Ecorr i Icorr, a nie uniwersalną definicją wydajności akumulatora. Stacjonarna jednostka zapasowa, przedłużacz zasięgu i jednorazowe terenowe źródło zasilania mogą inaczej wyceniać trwałość magazynową, moc szczytową i zarządzanie gazem.
Badacze mogą także preferować NaOH z powodów wykraczających poza dwa modelowane cele. Badanie zaobserwowało niższą agresywność korozyjną NaOH przy równoważnych stężeniach. Kompatybilność materiałowa, kwestie zaopatrzenia, zachowanie podczas zamarzania, przewodność i dalszy recykling mogą zmienić wybór na poziomie systemu.
Porównywalne badania akumulatorów pokazują, dlaczego potrzebna jest szersza walidacja. Badanie porównawcze kolektorów prądowych z aluminium wykazało wyraźnie różną stabilność w pięciu ciekłych elektrolitach. Chociaż praca dotyczyła kolektorów w akumulatorach litowo-jonowych, ilustruje, jak zmiana soli lub rozpuszczalników może odwrócić wnioski wyciągnięte z jednej rodziny chemicznej.
Uczenie maszynowe może zmniejszyć liczbę eksperymentów potrzebnych do znalezienia obiecujących warunków. Nie może sprawić, że wykluczone zmienne staną się nieistotne. Niemal doskonała interpolacja powinna prowadzić do bardziej ukierunkowanych testów fizycznych, a nie do ich ograniczania.
Trzy Testy Pokażą, Czy Model Ma Znaczenie
Wynik University of Waterloo stanie się istotny tylko wtedy, gdy jego przewidywany kompromis przetrwa bezpośrednie eksperymenty, szerszą chemię i pracę pełnego ogniwa.
Pierwszym sygnałem jest fizyczny test przy około 1,35 M KOH. Badacze powinni powtórzyć pomiary polaryzacyjne i impedancyjne przy dokładnie tym stężeniu, zamiast polegać na interpolacji między całkowitymi molowościami. Potwierdzenie wzmocniłoby tezę, że model znalazł rzeczywisty elektrochemiczny punkt kolanowy.
Test powinien obejmować sąsiednie stężenia. Wąski zakres pomiarów wokół proponowanego punktu ujawniłby, czy 1,35 M oznacza stabilne optimum, czy matematycznie precyzyjną odpowiedź na płaskiej krzywej. Replikacja z użyciem oddzielnie przygotowanych partii elektrolitu dodatkowo sprawdziłaby czułość.
Bezpośrednia charakterystyka powierzchni powinna towarzyszyć pomiarom elektrycznym. Skaningowa mikroskopia elektronowa może ujawnić lokalne uszkodzenia, a chemiczne metody badania powierzchni mogą analizować warstwy tlenkowe i wodorotlenkowe. Obserwacje te sprawdziłyby sugerowane przez model przejście między reżimami ograniczonymi aktywacją i transportem.
Jeśli zmierzone Ecorr i Icorr będą zgodne z prognozami, model korozji University of Waterloo zyska wiarygodność jako narzędzie interpolacyjne. Niezgodność osłabiłaby konkretne optimum, lecz nadal dostarczyłaby użytecznych informacji do ponownego treningu.
Drugim sygnałem jest zewnętrzna walidacja w warunkach, których sieć nie widziała. Badacze mogliby wyłączyć temperaturę, inny stop aluminium lub elektrolit zawierający dodatki. Sukces w takich testach miałby większe znaczenie niż kolejny losowy podział ściśle powiązanych obserwacji.
Temperatura powinna otrzymać wczesną uwagę. Opublikowane eksperymenty prowadzono w temperaturze 25 stopni Celsjusza, podczas gdy praktyczne systemy mogą pracować przy zimnych rozruchach i wyższych temperaturach. Kinetyka reakcji, przewodność, wydzielanie gazu i stabilność warstw mogą zmieniać się wraz z temperaturą.
Różnorodność stopów jest równie ważna. Badany materiał składał się w przybliżeniu w 99 procentach z aluminium oraz magnezu, krzemu, żelaza, miedzi, chromu, tytanu i innych drobnych składników. Komercyjne anody mogą wykorzystywać inne strategie stopowania, szczególnie w celu kontrolowania korozji i zachowania podczas rozładowania.
Rozszerzenie przestrzeni chemicznej sprawdziłoby, czy przepływ pracy można uogólnić poza wybór między NaOH a KOH. Dodatki mogą tłumić wydzielanie wodoru lub modyfikować warstwy powierzchniowe, ale tworzą też więcej zmiennych. To właśnie w tej rozszerzonej przestrzeni screening wspierany przez AI powinien oferować największą przewagę.
Trzecim sygnałem jest wydajność pełnego ogniwa. Użyteczny elektrolit do ogniwa aluminium-powietrze musi dostarczać energię za pośrednictwem kompletnego układu anody, separatora, elektrolitu i katody powietrznej. Badacze muszą mierzyć napięcie rozładowania, wykorzystanie aluminium, wydzielanie wodoru, straty w stanie spoczynku i zarządzanie produktami reakcji.
Test pełnego ogniwa mógłby również porównać 1,35 M KOH z najlepszym warunkiem dla NaOH i konwencjonalną wartością bazową. Takie porównanie ujawniłoby, czy dwucelowe optimum modelu poprawia wyniki, za które faktycznie płacą twórcy zastosowań.
Dotychczasowe badania pokazują, dlaczego warto wyjść poza pomiary w układach półogniw. Badania nad korozją aluminium od dawna wskazują, że skład elektrolitu może zmieniać przebieg korozji wżerowej i zachowanie warstw ochronnych. Niedawne badanie pasywacji również powiązało stabilność aluminium z warunkami pracy kolektorów prądowych w akumulatorach litowo-jonowych.
Chemia i role elektrod są inne, dlatego wyniki te nie mogą potwierdzić optimum wyznaczonego w Waterloo. Wzmacniają jednak jedną lekcję: użyteczność powierzchni aluminium zależy od całego środowiska elektrochemicznego, a nie od pojedynczej, odizolowanej właściwości materiału.
Jeśli wszystkie trzy sygnały będą zgodne, badania mogą wesprzeć bardziej efektywny cykl rozwoju. Eksperymenty generowałyby uporządkowane dane dotyczące korozji, model wskazywałby kompromisy, a kolejne testy korygowałyby model. Następnie pełne ogniwa rozstrzygałyby, czy zoptymalizowane zmienne zastępcze tworzą rzeczywistą wartość dla systemu.
Taki proces może również poprawić dokumentację naukową. Zespoły zajmujące się akumulatorami muszą łączyć formulacje, etapy przygotowania, przebiegi elektrochemiczne, obrazy powierzchni i wersje modeli. Przeszukiwalna baza wiedzy inżynierskiej może pomóc zachować informacje o tym, dlaczego jeden kandydat przeszedł dalej, a inny zakończył się niepowodzeniem.
Na razie wynik ma węższy zakres, ale nadal jest użyteczny. Naukowcy z University of Waterloo zidentyfikowali nieliniowy kompromis związany z korozją i przełożyli go na falsyfikowalny cel eksperymentalny. Nie potwierdzili jednak komercyjnego elektrolitu, ogniwa o dłuższej żywotności ani uniwersalnego predyktora korozji.
Kolejny krok należy do laboratorium. Należy bezpośrednio przetestować prognozę dla 1,35 M KOH, poddać model próbie w nieznanych warunkach i porównać kompletne ogniwa z wiarygodnymi punktami odniesienia. Jeśli wyniki będą zgodne, wspomagana przez AI optymalizacja korozji przejdzie od dokładnej interpolacji w kierunku praktycznego projektowania akumulatorów.
