University of Waterloo 腐蝕模型找出電池電解液取捨

University of Waterloo 的研究人員測試了 20 種鹼性電解液條件，然後利用 AI 尋找鋁腐蝕速率與電化學穩定性之間的折衷方案。University of Waterloo 腐蝕模型選出約 1.35 莫耳濃度的氫氧化鉀（KOH）作為較理想的條件。然而，這項結果並非製成完整電池的配方，而是在嚴格控制的實驗室條件下，模型針對兩項腐蝕量度所產生的平衡結果。

這個分別正是核心張力所在。鋁空氣電池按活性金屬單位計算，具備很高的理論能量密度；但鹼性電解液亦會在電池閒置時消耗鋁材。較強的鹼性可支援電化學活性，卻會加速非預期的溶解及氫氣生成。因此，選擇電解液意味著管理互相競爭的目標，而不只是把單一數值降至最低。

團隊以人工神經網絡及兩種遺傳優化方法，取代部分反覆試驗的過程。其於 2026 年 7 月 10 日在 Frontiers 發表的研究指出，在所建立的數據集內，預測評分高於 0.999。然而，研究人員並未測試完整電池的放電表現、長期循環，或量度化學範圍以外的運作情況。

這項結果對兩種常見開發策略提出挑戰。其一是測試大量配方，再從離散實驗中挑選可行的電解液；其二是假定預測腐蝕速率最低的條件必然是最佳答案。Waterloo 的研究認為，兩種做法都未能涵蓋完整設計問題，因為腐蝕電位與腐蝕電流未必可以同步改善。

University of Waterloo 腐蝕模型改變電解液選擇方式

重點不在於 AI 預測了腐蝕，而在於優化程序把一組實驗室量度轉化為具體、可供驗證的電解液條件。

Yasmin Shabeer、Seyed Saeed Madani、Satyam Panchal 及 Michael Fowler 研究了一種商用鋁鎂矽合金。這項工作來自 University of Waterloo 化學工程系，資助包括 Canada Research Chair 計劃及加拿大自然科學與工程研究委員會。

研究人員把合金樣本暴露於氫氧化鈉（NaOH）及 KOH 溶液中。每種電解液均測試了 1 至 10 莫耳濃度，測試在攝氏 25 度的三電極電池中進行，並以鋁合金作為工作電極。

每次實驗均先進行 15 分鐘開路穩定化。之後，團隊採用動電位極化法，在掃描施加電壓時量度電流，以估算腐蝕行為；並以電化學阻抗譜法，檢視金屬與電解液界面如何在不同頻率下抵抗微小交流訊號。

分析以兩項輸出為基礎。以 Ecorr 表示的腐蝕電位，反映在測試條件下與腐蝕相關的電化學趨勢；腐蝕電流密度 Icorr 則可作為腐蝕反應速率的比較指標。

這些量度並不描述完全相同的性質。較不負的腐蝕電位或許看似有利，但上升的電流密度則意味著材料流失加快。這種差異說明，若只根據單一排名挑選最佳濃度，研究人員可能會得出誤導性的結論。

實驗亦發現，電解液種類相當重要。在相同濃度下，KOH 一般比 NaOH 產生較負的腐蝕電位及較高的腐蝕電流密度。論文把此差異與陽離子相關效應連繫起來，包括離子遷移率、水合及金屬表面附近的電雙層。

提高濃度並未產生簡單的線性反應。低至中等鹼度會促進陽極活化，而高濃度則呈現受傳輸及界面限制的行為。實際而言，持續加入氫氧根，最終不再帶來成比例的電化學變化。

X 光繞射在暴露後未檢測到結晶腐蝕產物。作者把結果解讀為持續的表面溶解，並主要伴隨非晶態或短暫存在的表面膜。不過，這亦留下缺口，因為 X 光繞射無法完整描述腐蝕形態、點蝕發展或納米尺度的表面化學。

研究人員以電化學數據訓練人工神經網絡。其五項輸入為電解液類型、濃度、溫度、施加電位及量得的電流密度；兩項目標則為 Ecorr 及 Icorr。

網格搜尋評估了 351 種神經網絡配置。獲選網絡包含三個隱藏層，分別有 20、25 及 25 個神經元；使用 Adam 訓練演算法、0.001 學習率及 500 個訓練週期。

研究報告指出，兩項預測輸出的 R-squared 值均高於 0.999。R-squared 用於衡量預測值跟模型參考數據變化的貼合程度。如此高的數值反映模型在此數據集內高度吻合，但並不代表它在其他合金或操作環境下同樣準確。

受訓模型其後成為實驗的快速替代工具。優化演算法毋須實體測試每一個中間濃度，便可在連續搜尋空間中查詢預測的腐蝕行為。這個過程得出一個位於原本每 1 莫耳濃度間距之間的建議操作點。

這正是 University of Waterloo 腐蝕模型的重要之處。它不僅重現已量得的結果，還提出更聚焦的假設，讓研究人員可藉針對性實驗加以驗證。

為何鋁空氣電池需要折衷方案，而非單純取最低值

鋁空氣電池的電解液必須協助陽極釋放可用能量，同時避免因寄生腐蝕而消耗過多金屬。

在鋁空氣電池中，鋁在陽極氧化，而氧氣則參與陰極反應。這種架構從環境空氣取得其中一種反應物，有助減少系統內需攜帶的質量。鋁作為活性材料的理論重量能量密度亦達每公斤 8.1 千瓦時。

這個理論數字並不等於實際電池能量。硬件、電解液、陰極組件、不完全利用率及副反應，均會降低系統層面的效能。然而，這種化學系統的潛力仍令鋁空氣電池適用於重視儲能、而非單純以電力充電的應用。

電解液同時承擔多項工作：傳輸離子、在有效放電時支援鋁溶解，以及影響陽極的反應產物。然而，高濃度鹼性溶液亦可能在電池靜置時侵蝕鋁材。

這種非預期反應會消耗活性材料，卻不會向外部負載提供有用電流；同時亦可能釋放氫氣，帶來效率、壓力管理及安全問題。因此，University of Waterloo 的論文把腐蝕視為設計變數，而不是純粹的材料外觀問題。

這個問題令鋁空氣系統有別於傳統可充電鋰離子電池。在不少鋁空氣電池設計中，恢復容量需要機械更換或回收已消耗的鋁陽極。每一克因自腐蝕而流失的鋁，都會減少該更換循環可用的回報。

電解液濃度帶來尤其困難的選擇。較弱的溶液可能限制離子傳輸或有用反應的動力學；較強的溶液則可能提升電化學活性，卻會在運作或閒置期間加速溶解。

Waterloo 團隊以兩個目標將這種衝突形式化。優化過程尋求較低的 Icorr，同時把 Ecorr 推向較不負的數值。改善其中一項目標，最終會令另一項惡化，從而形成一組稱為 Pareto front 的非支配解。

Pareto front 包含一系列選擇，當中任何一項目標要改善，都必然會令另一項變差。研究人員選擇了其膝點，即若要進一步改善腐蝕電位，便需付出腐蝕電流大幅增加的代價。該點出現在接近 1.35 M KOH 的位置。

在該濃度下，預測 Ecorr 為負 1.6199 伏特，而 Icorr 為每平方厘米 0.0876 安培。這兩個數值應一併理解，任何單一量度都不足以說明演算法為何偏好該條件。

值得注意的是，在配對實驗中，KOH 並非較溫和的電解液。研究普遍觀察到，在相同莫耳濃度下，KOH 比 NaOH 帶來更強烈的腐蝕。然而，優化器仍選出 KOH 條件，原因是它尋求的是兩項目標之間的特定平衡。

這個表面矛盾正是研究最具價值的結果。它顯示「最低腐蝕」並非完整的設計指令。某個能壓低一項指標的條件，可能同時帶來不利的電化學電位，或限制陽極的有用活性。

過去研究已證實，腐蝕是多種電池設計的瓶頸。一項廣泛的集流體綜述說明，電解液組成、電壓、溫度及鋁表面特性如何影響鋰基電池中的溶解。雖然組件及機制與鋁空氣電池陽極不同，但工程上的啟示相同：電解液的益處不能與金屬相容性分開看待。

對鋁空氣電池開發者而言，壓力迫在眉睫。他們需要可支援有效放電、限制閒置損耗、管理氫氣並容忍雜質的電解液配方。能縮小搜尋範圍的模型可以節省實驗工作，但前提是其優化目標符合最終電池的要求。

AI 如何找出 1.35 M KOH 的取捨

模型的貢獻，在於把非線性預測與能保留互相競爭腐蝕目標的搜尋方法結合。

人工神經網絡學習了所記錄電化學變數之間的關係。由於各項輸入與輸出會在整個濃度範圍內以非線性方式互動，神經網絡因而相當適用。模型並非一開始便為每一種表面反應建立完整的物理方程式。

訓練程序先把變數標準化，讓不同尺度的數值可以比較。研究人員其後調整層數、神經元數目、學習率及 Adam 優化器參數。這項結構化搜尋找出了一種能高度重現現有目標值的配置。

研究報告中，Icorr 的訓練、測試及驗證 R-squared 值分別為 0.99975、0.99975 及 0.99970。以實際物理單位表示的比較則得出 0.99974 的 R-squared 值。這些結果顯示，在研究的數據切分內幾乎沒有可見誤差。

下一步是把模型用作低成本預測工具。標準遺傳演算法在把兩項目標以相等權重合併後，搜尋單一解決方案。遺傳演算法模擬選擇、交叉及突變，藉由反覆世代改善候選解。

等權重設定本身帶有判斷，假設在正規化後，腐蝕電位和電流密度應獲得同等影響力。不同的權重方案或會偏向設計空間中的另一個區域。

因此，團隊加入了 NSGA-II，這是一種不會把兩個目標壓縮成單一加權分數的多目標遺傳演算法。它保留了一系列非支配的電解液條件，並揭示兩者之間的取捨。膝點代表最接近理想化組合的候選條件：Ecorr 最高而 Icorr 最低。

兩種優化方法均收斂於接近 1.35 M KOH 的位置。標量方法預測 Ecorr 接近負 1.619876 伏特，而 Icorr 為每平方厘米 0.087859 安培。NSGA-II 得出幾乎相同的位置和測量結果。

兩種優化策略的一致性，令所選點較少依賴單一數學表述。然而，這並不構成獨立的實驗驗證，因為兩種方法均查詢同一個已訓練的神經網絡。

在解讀 University of Waterloo 的腐蝕模型時，這個差異相當重要。收斂結果顯示不同優化方法之間具備內部一致性，但並不表示在 1.35 M KOH 下運作的實體電池，必然優於每個替代方案。

這種方法仍為實驗室規劃帶來實際轉變。傳統篩選會按預設間隔測試濃度、比較測量結果，然後選擇下一組實驗。已訓練的代理模型可先探索中間數值，讓研究人員把實驗室時間投放於最具資訊價值的候選條件。

這項策略類似主動學習，即由模型協助選擇下一個實驗，而非被動分析已完成的數據集。本文並未報告重複進行的主動學習迴圈，但其工作流程為建立這種迴圈奠下基礎。

未來系統可測試預測的最佳條件，把結果加入數據集，再重新訓練模型。研究人員其後可抽樣不確定性仍然較高的區域。重複這個循環，便可揭示隨着證據增加，表面上的膝點是否維持穩定。

AI 日益用於相關電池問題，包括電解液性質預測、材料篩選及界面分析。一篇 2026 年的電池 AI 綜述指出相同的機遇，同時把數據質素有限、泛化能力及可解釋性列為持續存在的障礙。

這些障礙在腐蝕研究中尤其重要。表面處理、合金成分、溶解雜質、流動、溫度及測試規程，都可改變所測得的行為。模型可以非常貼合一個受控實驗，卻未必能捕捉實際系統中遇到的每個變數。

因此，Waterloo 的工作流程較適合理解為實驗引導的優化，而非自主化學發現。人類界定了電解液類別、濃度範圍、測試程序、目標變數及偏好的取捨規則。AI 則在這些邊界內高效搜尋。

對工程團隊而言，這種分工很有價值。模型可以保留複雜的實驗關係，並為後續測試排序。研究人員仍須決定模型的目標是否真正反映電池價值。

近乎完美的預測不等於更好的電池

模型極佳的擬合度，正是其適用界線值得仔細審視的原因。

高於 0.999 的 R-squared 值聽來極具說服力。然而，預測質素取決於訓練數據與所提問題之間的關係。該研究的數據集來自一種商用鋁鎂矽合金、兩種氫氧化物電解液，以及一個溫度條件。

濃度範圍很廣，涵蓋 1 至 10 M。然而，底層實驗網格仍然結構化，而且化學範圍狹窄。模型並未被要求跨眾多合金類別、添加劑、污染物、溫度或空氣陰極設計進行泛化。

部分輸入亦須謹慎解讀。施加電位及量得的電流密度，均列入五項預測特徵之中；Icorr 則是其中一項輸出。這些實驗上相互關連的電學變數之間的關係，可支援準確插值，但在新的操作範圍下未必同樣可靠。

論文指出，其數據分為訓練、測試及驗證子集。隨機分割或關係密切的分割方式，可能令相似實驗條件下的測量值落入每一個子集。這可對數值擬合形成嚴格檢驗，但未必是對化學外推的嚴苛測試。

更有力的外部測試，會保留整個濃度區域、電解液類別、合金成分或實驗批次。研究人員便可檢視模型能否預測訓練期間未曾密切接觸的條件。已發表結果並未證明具備該程度的泛化能力。

經優化得出的 1.35 M 濃度亦增加了一項驗證要求。原始實驗採用了 1 至 10 M 的溶液，而模型則在測量點之間連續搜尋。直接在 1.35 M 進行實驗，才能判定預測膝點是否經得起實體測試。

作者亦指出，與鋁空氣電池放電性能的直接關聯不屬於研究範圍。研究未有採用完整電池，以證明所選條件下可獲得更高輸出能量、更佳儲存壽命、更慢氣體累積或更長運行時間。

腐蝕電位和腐蝕電流密度是有價值的指標，但電池還受更多限制。它需要足夠的離子導電性、氧氣傳輸、陰極穩定性、放電電壓、可處理的反應產物，以及在預期溫度範圍內可接受的表現。

測試表面亦帶來另一項界線。樣本經機械打磨、以乙醇清潔，並在 0.79 平方厘米的面積上暴露。商用電極可具有更大面積、不同表面處理、製造殘留物、晶粒結構及合金雜質。

團隊每項電化學測量至少重複三次，並報告了相符的趨勢。這支持所選程序內的可重現性，但未能消除放大應用的不確定性。

採用連續極化掃描亦帶來另一項注意事項。研究人員解釋，Ecorr 和 Icorr 用於比較分析，而非從理想 Tafel 區域嚴格確定動力學。因此，讀者不應把這些電流數值視為通用的壽命預測。

表面證據亦仍不完整。X 射線繞射未發現晶態腐蝕產物，支持持續溶解及非晶態薄膜的解釋。作者呼籲使用掃描電子顯微鏡或光學顯微鏡，以釐清腐蝕形貌。

這項後續研究相當重要，因為相同的平均電流密度可能掩蓋不同的失效模式。廣泛而均勻的溶解，對電極的影響可能有別於局部點蝕或裂紋。若沒有相應的表面標籤，只以摘要電學測量值訓練的模型無法分辨這些結果。

優化目標同樣值得審視。膝點是 Ecorr 與 Icorr 之間的數學折衷，並非電池性能的普世定義。固定式備用裝置、增程系統及一次性野外電源，可能對儲存壽命、峰值輸出及氣體管理有不同重視程度。

研究人員亦可能基於兩個建模目標以外的理由，偏好 NaOH。研究觀察到，在相同濃度下 NaOH 的腐蝕侵蝕性較低。材料相容性、供應考量、結冰行為、導電性及下游回收，都可能改變系統層面的選擇。

可比較的電池研究顯示，為何需要更廣泛的驗證。一項針對鋁集流體的基準研究發現，其在五種液態電解液中的穩定性有顯著差異。雖然該研究針對鋰離子集流體，卻說明改變鹽類或溶劑如何可推翻從單一化學類別得出的結論。

機器學習可減少尋找有前景條件所需的實驗數量，但不能令被排除的變數變得無關緊要。近乎完美的插值結果應促使進行更具針對性的實體測試，而非減少測試。

三項測試將顯示模型是否重要

只有當預測的折衷方案經得起直接實驗、更廣泛化學條件及完整電池運作的考驗，Waterloo 的結果才具重要意義。

第一個訊號是約 1.35 M KOH 下的實體測試。研究人員應在該精確濃度重複進行極化及阻抗測量，而非依賴整數莫耳濃度之間的插值。若獲確認，將加強模型找到了真正電化學膝點的說法。

該測試應包括相鄰濃度。圍繞建議點進行窄範圍掃描，可揭示 1.35 M 是穩定最佳點，還是淺曲線上的數學精確答案。以分別配製的不同批次電解液進行重複測試，將可進一步檢驗敏感度。

直接表面表徵應配合電學測量一同進行。掃描電子顯微鏡可揭示局部損傷，而化學表面方法可檢視氧化物及氫氧化物薄膜。這些觀察可檢驗模型所暗示的活化控制與傳輸受限狀態之間的轉變。

若量得的 Ecorr 和 Icorr 與預測相符，University of Waterloo 的腐蝕模型作為插值工具的可信度將會提高。若不相符，雖會削弱該特定最佳點，但仍可為重新訓練提供有用資訊。

第二個訊號是在網絡未見過的條件下進行外部驗證。研究人員可保留一個溫度、另一種鋁合金，或含添加劑的電解液。這些測試若成功，其意義將大於再一次對關係密切的觀察值進行隨機分割。

溫度應及早獲得重視。已發表實驗在 25 攝氏度下進行，但實際系統可能面對較冷啟動及較熱運行。反應動力學、導電性、氣體析出及薄膜穩定性都可隨溫度改變。

合金差異同樣重要。受測材料約含 99% 鋁，另有鎂、矽、鐵、銅、鉻、鈦及其他微量成分。商用陽極可能採用不同的合金化策略，專門控制腐蝕及放電行為。

擴展化學空間，可測試該工作流程是否能超越 NaOH 與 KOH 之間的選擇。添加劑可抑制氫氣析出或改變表面薄膜，但亦會增加變數。這個擴展空間正是 AI 輔助篩選應能帶來最大優勢的地方。

第三個訊號是完整電池性能。有用的鋁空氣電池電解液，必須透過完整的陽極、隔膜、電解液及空氣陰極系統輸出能量。研究人員需要測量放電電壓、鋁利用率、氫氣析出、閒置損耗及反應產物管理。

完整電池測試亦可將 1.35 M KOH 與表現最佳的 NaOH 條件及傳統基準作比較。這項比較將揭示模型的雙目標最佳點，是否改善應用開發者實際重視的結果。

過往研究顯示，為何必須超越半電池量測。鋁腐蝕研究早已發現，電解液組成可改變點蝕及保護膜的行為。一項近期的鈍化研究同樣將鋁的穩定性，與鋰離子電池集流體的操作條件聯繫起來。

兩者的化學條件及電極角色不同，因此這些結果不能驗證 Waterloo 所提出的最佳值。不過，它們確實強化了一項結論：鋁表面是否實用，取決於完整的電化學環境，而非單一獨立的材料特性。

若三項訊號一致，這項研究可支持一個更高效的開發循環。實驗會產生結構化腐蝕數據，模型會找出取捨關係，後續測試則會修正模型。最終仍須由完整電池判定，經優化的代理變數能否帶來實際的系統價值。

這套流程亦可改善科研紀錄管理。電池團隊必須連結配方、製備步驟、電化學曲線、表面影像及模型版本。可搜尋的工程知識庫有助保留某個候選方案為何獲推進、另一個又為何失敗的脈絡。

目前而言，結果的範圍較窄，但仍具價值。University of Waterloo 研究人員識別出一項非線性的腐蝕取捨關係，並將其轉化為可被證偽的實驗目標。他們尚未證實商業化電解液、更耐用的電池，或通用的腐蝕預測工具。

下一步應在實驗室進行：直接測試 1.35 M KOH 的預測，以陌生條件挑戰模型，並將完整電池與可信的基準作比較。若結果一致，AI 輔助腐蝕優化便會由準確插值，邁向實用的電池設計。