Une équipe de recherche NIMS a développé une approche capable de prédire avec précision et rapidement le comportement de dégradation des électrocatalyseurs utilisés dans les électrolyseurs d'eau en utilisant l'assimilation des données – une méthode couramment utilisée dans les prévisions météorologiques.
Après avoir analysé seulement 300 heures de données expérimentales, cette approche a prédit avec précision la dégradation d'un matériau électrocatalytique survenant après environ 900 heures d'électrolyse d'eau. Cette approche est capable d'accélérer et de simplifier la comparaison des propriétés de dégradation entre divers matériaux électrocatalytiques, facilitant potentiellement les investigations sur leurs mécanismes de dégradation et accélérer le développement de matériaux électrocatalytiques plus efficaces, économiques et durables.
L'œuvre est publiée dans la revue Lettres d'énergie ACS.
Une société peut devenir plus durable en favorisant l'utilisation de l'hydrogène vert comme source d'énergie majeure. La réalisation de cet objectif nécessiterait l'installation généralisée d'électrolyseurs d'eau qui produisent de l'hydrogène vert, qui est un carburant sans émissions de dioxyde de carbone. Le développement d'électrocatalyseurs durables est crucial pour améliorer l'efficacité et la durée de vie des électrolyseurs d'eau.
Cependant, l'évaluation de la durabilité d'électrocatalyseurs potentiellement prometteurs prend généralement des milliers d'heures – parfois des dizaines de milliers de milliers, en répondant à une forte demande de développement de techniques qui peuvent évaluer plus rapidement, avec précision et de manière fiable les propriétés de dégradation des électrocatalystes.
Cette équipe de recherche NIMS a récemment intégré l'assimilation des données dans leur modèle mathématique pour prédire le comportement de dégradation des électrocatalyseurs. L'assimilation des données est une méthode appliquée à divers domaines, y compris les prévisions météorologiques – dans lesquelles les données observées sont combinées avec des modèles numériques pour améliorer la précision des prédictions. Il optimise les paramètres en ajustant itérativement les courbes de prédiction théoriques aux données expérimentales à mesure que de nouvelles observations deviennent disponibles, en tenant compte des incertitudes dans les données.
L'équipe a construit un modèle mathématique simple pour simuler le processus de dégradation des électrocatalyseurs, en considérant la dissolution de surface et d'autres mécanismes. La précision de ce modèle de prédiction de dégradation a d'abord été validée en confirmant son ajustement aux données de dégradation collectées pendant les premières heures d'une expérience d'électrolyse d'eau.
Par la suite, l'équipe a testé sa précision en utilisant l'assimilation des données sur des données expérimentales à long terme (environ 900 heures). Ils ont constaté que seules les 300 heures initiales de données étaient nécessaires pour prédire avec précision le comportement de dégradation des échantillons d'électrocatalyste à 900 heures, avec une marge d'erreur de seulement 4%.
Dans les recherches futures, l'équipe vise à améliorer encore la technique en affinant l'algorithme, ce qui lui permet de prédire avec précision la dégradation des électrocatalyseurs en utilisant des données collectées sur des périodes expérimentales encore plus courtes. L'équipe prévoit également de faire progresser les efforts pour clarifier les mécanismes de dégradation des électrocatalyseurs.
Ces initiatives devraient faciliter le développement d'électrocatalyseurs plus performants et soutenir les efforts de neutralité en carbone en augmentant la production d'hydrogène grâce à l'adoption plus répandue des électrolyseurs d'eau.
