滑铁卢大学腐蚀模型发现电池电解液的权衡点
滑铁卢大学的研究人员测试了 20 种碱性电解液条件，随后利用 AI 在铝腐蚀速率与电化学稳定性之间寻找折中方案。该滑铁卢大学腐蚀模型将约 1.35 摩尔浓度的氢氧化钾（KOH）选为首选条件。不过，这一结果并不是成品电池的配方，而是在严格控制的实验室条件下，模型基于两项腐蚀测量结果得出的平衡点。
这一差异构成了核心矛盾。铝空气电池以单位活性金属计算具有很高的理论能量密度，但碱性电解液也会在电池闲置时消耗铝。更强的碱性可支持电化学活性，却会加速非预期溶解和氢气生成。因此，选择电解液意味着管理相互竞争的目标，而非单纯将某一个数值降至最低。
该团队利用人工神经网络和两种遗传优化方法，替代了部分试错流程。其研究于 2026 年 7 月 10 日发表在 Frontiers，报告称在所构建数据集内的预测评分高于 0.999。不过，研究人员并未测试完整电池的放电性能、长期循环表现，或超出已测化学范围的运行情况。
这一结果给两种常见开发策略带来了压力。一种策略依靠测试大量配方，并从离散实验中挑选可行的电解液。另一种则将预测腐蚀速率最低的条件视为显而易见的答案。滑铁卢大学的研究认为，这两种方法都未能涵盖完整的设计问题，因为腐蚀电位和腐蚀电流并不总能同时改善。
滑铁卢大学腐蚀模型改变了电解液选择方式
重要变化不在于 AI 预测了腐蚀，而在于优化过程将一组实验室测量结果转化为一种具体、可验证的电解液条件。
Yasmin Shabeer、Seyed Saeed Madani、Satyam Panchal 和 Michael Fowler 研究了一种商用铝镁硅合金。该研究来自滑铁卢大学化学工程系，资助方包括加拿大研究讲席计划和加拿大自然科学与工程研究委员会。
研究人员将合金样品暴露于氢氧化钠（NaOH）和 KOH 溶液中。每种电解液的浓度均从 1 摩尔到 10 摩尔不等。测试在 25 摄氏度下、三电极电池中进行，并以铝合金作为工作电极。
每项实验均先进行 15 分钟的开路稳定。随后，团队采用动电位极化法——即在扫描施加电压的同时测量电流——来估计腐蚀行为。电化学阻抗谱则用于考察金属-电解液界面对不同频率下微小交流信号的阻抗能力。
分析围绕两项输出展开。以 Ecorr 表示的腐蚀电位，反映了测试条件下与腐蚀相关的电化学倾向。腐蚀电流密度（Icorr）则可作为腐蚀反应速率的比较指标。
这些测量并不描述完全相同的性质。较不负的腐蚀电位可能看似有利，而不断升高的电流密度却意味着材料损失更快。这一区别解释了为何仅根据单一排名选择最佳浓度，可能会误导研究人员。
实验还发现，电解液种类十分重要。在相同浓度下，KOH 通常比 NaOH 产生更负的腐蚀电位和更高的腐蚀电流密度。论文将这一差异归因于阳离子相关效应，包括离子迁移率、水合以及金属表面附近的电双层。
浓度升高并未带来简单的线性响应。低至中等碱度促进阳极活化，而高浓度条件则表现出传质受限和界面受限行为。实际而言，继续增加氢氧根最终不再带来成比例的电化学变化。
X 射线衍射在暴露后未检测到结晶腐蚀产物。作者将这一结果解释为持续的表面溶解，并主要伴随非晶态或短暂存在的表面膜。但这也留下了空白，因为 X 射线衍射无法完整描述腐蚀形态、点蚀发展或纳米尺度的表面化学。
研究人员利用电化学数据训练了一个人工神经网络。其五项输入分别代表电解液类型、浓度、温度、施加电位和测得电流密度；两项目标输出为 Ecorr 和 Icorr。
网格搜索评估了 351 种神经网络配置。最终选定的网络包含三个隐藏层，分别有 20、25 和 25 个神经元。它采用 Adam 训练算法，学习率为 0.001，训练轮数为 500 个 epoch。
研究报告称，两个预测输出的 R-squared 值均高于 0.999。R-squared 衡量预测结果与模型参考数据变化之间的吻合程度。如此高的数值表明其在该数据集内拟合紧密，但并不能证明它在其他合金或运行环境中的准确性。
该训练模型成为实验的快速替代工具。优化算法无需对每个中间浓度进行实体测试，而是能够在连续搜索空间中查询预测的腐蚀行为。这一过程提出了一个位于原始 1 摩尔增量之间的运行点。
这正是滑铁卢大学腐蚀模型的重要性所在。它并非只是复现测得结果，而是生成了一个更聚焦的假设，供研究人员通过定向实验加以验证。
为什么铝空气电池需要折中，而非最低值
铝空气电池的电解液必须帮助阳极释放有用能量，同时避免通过寄生腐蚀消耗过多金属。
在铝空气电池中，铝在阳极发生氧化，而氧气参与阴极反应。该架构从环境空气中获取一种反应物，有助于降低系统内部需要携带的质量。作为活性材料，铝的理论质量能量密度也可达每千克 8.1 千瓦时。
这一理论数值并不等同于实际电池能量。硬件、电解液、阴极组件、不完全利用和副反应都会降低系统层面的性能。尽管如此，铝空气化学体系的内在潜力，仍使其适用于储能比简单电力充电更重要的应用场景。
电解液同时承担多项功能：传输离子、在有效放电时支持铝溶解，并影响阳极反应产物。然而，高浓度碱性溶液也可能在电池静置时侵蚀铝。
这种非预期反应会消耗活性材料，却无法向外部负载提供有用电流。它还可能释放氢气，引发效率、压力管理和安全方面的担忧。因此，滑铁卢大学的论文将腐蚀视为设计变量，而非单纯的材料外观问题。
这一问题使铝空气系统不同于传统可充电锂离子电池。在许多铝空气电池设计中，恢复容量需要机械更换或回收已消耗的铝阳极。因自腐蚀损失的每一克铝，都会降低该更换周期的可用回报。
电解液浓度带来了尤其困难的选择。较弱的溶液可能限制离子传输或有效反应动力学；更具侵蚀性的溶液则可提高电化学活性，同时加速运行或闲置期间的溶解。
滑铁卢团队将这一冲突形式化为两个目标。优化过程试图降低 Icorr，同时使 Ecorr 向较不负的数值移动。改善其中一个目标最终会损害另一个目标，从而形成一组称为 Pareto 前沿的非支配解。
Pareto 前沿包含这样的选择：任何一个目标都无法在不恶化另一个目标的前提下得到改善。研究人员选择了其中的膝点，在该点之后，腐蚀电位的进一步改善将需要腐蚀电流出现不成比例的增加。该点出现在约 1.35 M KOH 附近。
该浓度下的预测值为：Ecorr 为负 1.6199 伏，Icorr 为每平方厘米 0.0876 安培。这些数值应结合起来解读，单独任何一项测量都无法解释算法为何偏好该条件。
值得注意的是，在匹配实验条件下，KOH 并不是更温和的电解液。研究通常观察到，在等摩尔浓度下，KOH 的腐蚀性强于 NaOH。然而，优化器仍选择了一种 KOH 条件，因为它寻求的是两个目标之间的特定平衡。
这一看似矛盾的结果，正是研究最有价值的发现。它表明，“最低腐蚀”并不是完整的设计指令。抑制一个指标的条件，可能导致不利的电化学电位，或限制阳极的有效活性。
先前研究已表明，腐蚀是多种电池设计中的瓶颈。一篇广泛引用的集流体综述描述了电解液成分、电压、温度和铝表面性质如何影响锂基电池中的溶解。其组件和机制与铝空气电池阳极不同，但工程启示相似：电解液的优势不能脱离其与金属的兼容性来讨论。
对于铝空气电池开发者而言，压力迫在眉睫。他们需要能够支持有效放电、限制闲置损耗、管理氢气并容忍杂质的电解液配方。模型可以缩小搜索空间、节省实验工作，但前提是其优化目标与最终电池的要求相匹配。
AI 如何发现 1.35 M KOH 的权衡点
该模型的贡献在于，将非线性预测与能够保留相互竞争腐蚀目标的搜索方法结合起来。
人工神经网络学习了所记录电化学变量之间的关系。输入与输出在浓度范围内呈现非线性相互作用，因此神经网络十分适用。该模型并非从每一种表面反应的完整物理方程出发。
训练过程首先对变量进行归一化，使不同尺度的数值能够比较。研究人员随后调整层深、神经元数量、学习率以及 Adam 优化器参数。这一结构化搜索找到了能紧密复现现有目标值的配置。
报告显示，Icorr 的训练、测试和验证 R-squared 值分别为 0.99975、0.99975 和 0.99970。以物理单位表示的比较得出了 0.99974 的 R-squared 值。这些结果表明，在研究的数据划分中几乎没有可见误差。
下一步是将模型用作低成本预测工具。标准遗传算法在以相等权重合并两个目标后，搜索单一解。遗传算法通过模拟选择、交叉和变异，在反复迭代中改进候选解。
等权重引入了一项判断：它假设在归一化后，腐蚀电位和电流密度应具有同等影响力。不同的加权方案可能会偏向设计空间中的另一片区域。
因此，团队加入了 NSGA-II——一种不会将两个目标压缩为单一加权分数的多目标遗传算法。该方法保留了一系列非支配电解液条件，并揭示了它们之间的权衡关系。拐点代表最接近“最大 Ecorr 与最小 Icorr”理想组合的候选方案。
两种优化方法都收敛于接近 1.35 M KOH 的位置。标量方法预测 Ecorr 接近负 1.619876 伏，Icorr 为每平方厘米 0.087859 安培。NSGA-II 得出了几乎相同的位置和测量值。
两种优化策略的一致性，使所选点对单一数学表述的依赖更低。然而，这并不构成独立的实验验证，因为两种方法查询的都是同一个训练完成的神经网络。
在解读滑铁卢大学的腐蚀模型时，这一区别至关重要。收敛结果表明不同优化方法之间具有内部一致性，但并不能证明在 1.35 M KOH 条件下运行的实际电池会优于所有替代方案。
这种方法仍为实验室规划带来了实用转变。传统筛选会在预设间隔下测试浓度、比较测量结果，再选择下一组实验。训练完成的代理模型可以先探索中间值，使研究人员把实验室时间投入最具信息价值的候选条件。
这一策略类似于主动学习，即模型帮助选择下一项实验，而非被动分析已完成的数据集。本文并未报告一个重复运行的主动学习闭环，但其工作流程为建立这一闭环奠定了基础。
未来的系统可以测试预测的最优点，将结果加入数据集，并重新训练模型。研究人员随后可对不确定性仍然较高的区域进行采样。重复这一循环将揭示：随着证据积累，表观拐点是否保持稳定。
AI 日益被用于相关电池问题，包括电解液性质预测、材料筛选和界面分析。一篇 2026 年的电池 AI 综述强调了相同的机遇，同时指出数据质量有限、泛化能力和可解释性仍是长期障碍。
这些障碍在腐蚀研究中尤其重要。表面制备、合金成分、溶解杂质、流动、温度和测试协议都会改变测得的行为。模型可能高度拟合一项洁净实验，却无法捕捉实际运行系统中遇到的全部变量。
因此，滑铁卢大学的工作流程更应被理解为实验引导式优化，而非自主化学发现。人类定义了电解液类别、浓度范围、测试程序、目标变量和偏好的权衡规则。AI 则在这些边界内高效搜索。
对于工程团队而言，这种分工很有价值。模型可以保留复杂的实验关系，并对后续测试进行排序。研究人员仍需决定模型的目标是否真正代表电池价值。
近乎完美的预测并不等于更好的电池
模型的卓越拟合度，恰恰也是其适用边界值得密切关注的原因。
高于 0.999 的 R-squared 值听起来颇具决定性。然而，预测质量取决于训练数据与所提问题之间的关系。该研究的数据集来自一种商用铝镁硅合金、两种氢氧化物电解液和一种温度条件。
浓度范围较宽，覆盖 1 至 10 M。但其底层实验网格仍具有明确结构，且化学范围较窄。该模型并未被要求在众多合金类别、添加剂、污染物、温度或空气阴极设计之间进行泛化。
部分输入也需要谨慎解读。施加电位和测得的电流密度被列为五项预测特征之一，而 Icorr 则是输出之一。实验上相互关联的电学变量之间的关系，可以支持准确插值，但在新的运行工况下提供的信心可能较低。
论文称，其数据被划分为训练、测试和验证子集。随机划分或高度相关的划分，可能让来自相似实验条件的测量值进入每一个子集。这会对数值拟合构成严格检验，却未必是对化学外推的严苛测试。
更强的外部测试应保留整个浓度区域、电解液类别、合金成分或实验批次。研究人员随后可考察模型是否能够预测训练期间未曾密切接触的条件。已发表结果尚未证明其具备这一层面的泛化能力。
优化得到的 1.35 M 浓度还带来另一项验证要求。原始实验使用了 1 至 10 M 的溶液，而模型在测量点之间进行了连续搜索。直接在 1.35 M 下开展实验，才能确定预测的拐点是否经得起实际测试。
作者也指出，与铝空气电池放电性能的直接关联不在研究范围之内。研究没有使用完整电池来证明：在所选条件下，实际可输出能量更高、储存寿命更长、气体积累更慢，或运行时间更久。
腐蚀电位和腐蚀电流密度是有价值的指标，但电池还受到更多约束。它需要足够的离子电导率、氧气传输、阴极稳定性、放电电压、可控的反应产物，以及在预期温度范围内可接受的表现。
测试表面也构成另一项边界。样品经机械打磨、乙醇清洗，并在 0.79 平方厘米面积上暴露。商用电极可能面积更大，具有不同的表面处理、制造残留物、晶粒结构和合金杂质。
团队至少重复进行了三次电化学测量，并报告了趋势一致。这支持了所选程序内部的可重复性，但并未消除放大应用中的不确定性。
连续极化扫描的使用还带来另一项注意事项。研究人员解释说，Ecorr 和 Icorr 用于比较分析，而非从理想 Tafel 区域严格确定动力学参数。因此，读者不应将这些电流数值视为普适的寿命预测。
表面证据同样尚不完整。X 射线衍射未发现晶态腐蚀产物，这支持了持续溶解和非晶膜的解释。作者呼吁采用扫描电子显微镜或光学显微镜，以厘清腐蚀形貌。
这一后续工作很重要，因为相同的平均电流密度可能掩盖不同的失效模式。广泛而均匀的溶解，对电极的影响可能不同于局部点蚀或裂纹。仅依据汇总电学测量训练的模型，若没有相应的表面标签，无法区分这些结果。
优化目标本身也值得审视。拐点是在 Ecorr 和 Icorr 之间的数学折中，并非电池性能的通用定义。固定式备用设备、增程器和一次性野外电源，对储存寿命、峰值输出和气体管理的重视程度可能不同。
研究人员也可能因两个建模目标以外的理由偏好 NaOH。研究观察到，在等浓度下，NaOH 的腐蚀侵蚀性更低。材料兼容性、供应因素、冻结特性、电导率和下游回收，都可能改变系统层面的选择。
可比的电池研究说明了为何需要更广泛的验证。一项针对铝集流体的基准研究发现，其在五种液态电解液中的稳定性存在显著差异。尽管该研究针对的是锂离子电池集流体，但它说明，更换盐或溶剂就可能推翻从单一化学体系得出的结论。
机器学习可以减少定位有前景条件所需的实验数量，但无法让被排除的变量变得无关紧要。近乎完美的插值结果应促使开展更具针对性的物理测试，而不是减少测试。
三项测试将揭示该模型是否真正重要
只有当滑铁卢大学预测的折中方案经受住直接实验、更广泛化学体系和完整电池运行的考验时，这一结果才具有实际意义。
第一个信号是在约 1.35 M KOH 下进行物理测试。研究人员应在这一精确浓度下重复极化和阻抗测量，而不是依赖整数摩尔浓度之间的插值。若得到确认，将增强模型找到了真实电化学拐点的主张。
该测试还应包括邻近浓度。围绕所提点开展窄范围扫描，将揭示 1.35 M 是稳定最优点，还是浅曲线上的一个数学精确答案。对独立制备的不同批次电解液进行重复试验，则可进一步测试敏感性。
电学测量应配合直接表面表征。扫描电子显微镜可揭示局部损伤，而化学表面方法可检查氧化物和氢氧化物膜。这些观察将检验模型所暗示的活化控制与传质受限机制之间的转换。
如果测得的 Ecorr 和 Icorr 与预测相符，滑铁卢大学的腐蚀模型将作为插值工具获得更高可信度。若不相符，特定最优点的可信度会下降，但仍可为重新训练提供有用信息。
第二个信号是在网络未见过的条件下进行外部验证。研究人员可以保留一种温度、另一种铝合金，或含添加剂的电解液。这些测试的成功，比对高度相关观测值再进行一次随机划分更有意义。
温度应尽早得到关注。已发表实验在 25 摄氏度下进行，而实际系统可能面临更低温的启动和更高温的运行。反应动力学、电导率、析气和膜稳定性都会随温度改变。
合金差异同样重要。所测试材料约含 99% 铝，并含有镁、硅、铁、铜、铬、钛及其他少量成分。商用阳极可能采用不同的合金化策略，专门用于控制腐蚀和放电行为。
拓展化学空间将检验该工作流程能否超越 NaOH 与 KOH 之间的选择而实现泛化。添加剂可以抑制析氢或改变表面膜，但也会带来更多变量。这个扩展空间正是 AI 辅助筛选最应体现优势的领域。
第三个信号是完整电池性能。实用的铝空气电池电解液必须通过由完整阳极、隔膜、电解液和空气阴极组成的系统输送能量。研究人员需要测量放电电压、铝利用率、析氢、闲置损耗和反应产物管理。
完整电池测试还可将 1.35 M KOH 与表现最强的 NaOH 条件及传统基线进行比较。这一对比将揭示模型的双目标最优点是否改善了应用开发者真正关注的结果。
历史研究说明了为何有必要超越半电池测量。长期以来，铝腐蚀研究发现，电解液组成能够改变点蚀及保护膜行为。一项近期的钝化研究同样将铝在锂离子电池集流体中的稳定性与运行条件联系起来。
化学体系和电极角色有所不同，因此这些结果无法验证滑铁卢大学提出的最优条件。但它们强化了一个结论：铝表面的实用性取决于完整的电化学环境，而非某一项孤立的材料性质。
如果这三类信号相互印证，这项研究或可支持更高效的开发闭环。实验将产生结构化的腐蚀数据，模型将定位其中的权衡关系，后续测试则用于修正模型。随后，完整电池将决定经优化的代理变量是否真正带来系统层面的价值。
这一工作流程也能改善科研记录管理。电池团队必须关联配方、制备步骤、电化学曲线、表面图像和模型版本。可检索的工程知识库有助于保留某个候选方案为何推进、另一个又为何失败的依据。
目前，这一结果的适用范围较窄，但仍具参考价值。滑铁卢大学研究人员识别出一种非线性的腐蚀权衡关系，并将其转化为可证伪的实验目标。他们尚未确立商业化电解液、更长寿命的电池，或通用的腐蚀预测模型。
下一步应在实验室中完成：直接验证 1.35 M KOH 的预测，用陌生条件检验模型，并将完整电池与可信的基线方案进行比较。若这些结果相符，AI 辅助腐蚀优化将从准确插值迈向实用电池设计。
