Multi-algorithm modeling for the degradation of solid oxide fuel cells

Hu, Yang; Sandfeld, Stefan; Spatschek, Robert

doi:10.18154/RWTH-2025-04748

Multi-algorithm modeling for the degradation of solid oxide fuel cells

Hu, Yang^RWTH*

2025

Verantwortlichkeitsangabevorgelegt von Yang Hu, M. Sc.

ImpressumAachen : RWTH Aachen University 2025

Umfang1 Online-Ressource : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2025

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak05

Hauptberichter/Gutachter
Spatschek, Robert (Thesis advisor)^RWTH* ; Sandfeld, Stefan (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2025-03-26

Online
DOI: 10.18154/RWTH-2025-04748
URL: https://publications.rwth-aachen.de/record/1011821/files/1011821.pdf

Einrichtungen

Projekte

Verbundvorhaben WirLebenSOFC: Verständnis der Wirkzusammenhänge der Alterungsmechanismen zur Lebensdauervorhersage von SOFCs (03SF0622B) (03SF0622B)

Inhaltliche Beschreibung (Schlagwörter)
DFT (frei) ; SOFCs (frei) ; machine learning (frei) ; physical modeling (frei) ; thermodynamics (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Aufgrund der einzigartigen Eigenschaften und hohen Energieumwandlungseffizienz haben die Festoxidbrennstoffzellen (SOFCs) in den letzten Jahrzehnten große Aufmerksamkeit auf sich gezogen. (La, Sr)(Co, Fe)O3−δ (LSCF) als bekanntes Kathodenmaterial zeigt großes Potenzial für die SOFC-Anwendung. Die ferritische Fe-Cr-Legierung Crofer 22 APU als metallischer Interkonnektor besitzt eine gute Performance und ebenfalls geringe Kosten. Allerdings ist der kommerzielle Durchbruch der SOFC noch durch Degradationsphänomene eingeschränkt, beispielsweise die Cr-Vergiftung. Viele Forschungsarbeiten haben darauf hingewiesen, dass sich eine Cr2O3 -Oxidschicht auf der Interkonnektorsoberfläche bildet. Aufgrund des Cr-Verdampfungsprozesses können mehrere gasförmige Cr-Spezies wie CrO(OH)2 und CrO3 im SOFC-Betriebszustand beobachtet werden. Dies kann zur Bildung von Verbindungen wie Cr2O3 an der Elektrolyt/Kathoden-Grenzfläche sowie von Sekundärphasen wie SrCrO4 führen, welche die Leistung der Kathode erheblich beeinträchtigen. In dieser Arbeit wird eine datenbasierte Strategie die Phasenfeldmodellierung der Cr2O3-Oxidation in Fe-Cr-Legierungen vorgeschlagen, wobei thermische Fluktuationen explizit im Phasenfeldmodell berücksichtigt werden. Drei relevante unabhängige Parameter zur Bestimmung des Nukleationsverhaltens vom Phasefeldmodell werden bestimmt und als Eingabe-Feature für ein Klassifikationsmodell und ein Regressionsmodell verwendet. Damit kann das Klassifikationsmodell für eine Phasenfeldcodebeschleunigung verwendet werden. Das Regressionsmodell kann nicht nur die Keimbildungsdichte vorhersagen, sondern auch geeignete Langevin-Rauschstärken vorschlagen, um das richtige Keimbildungsverhalten in den Phasenfeldsimulationen zu ermöglichen. Die vorhergesagte Keimbildungsdichte von Cr2O3 ist hilfreich zur Quantifizierung der Korngrößen sowie zum Verständnis der Oxidations- und Verdampfungsmechanismen von Fe-Cr-Legierungen, was zur Optimierung der Materialzusammensetzung und der Betriebsbedingungen von SOFCs beiträgt. Diese datenbasierte Strategie zur Phasenfeldparameteroptimierung durch maschinelles Lernen kann als Blaupause für eine effiziente Parameteridentifizierung für die Simulationen der Mikrostrukturevolution auf mesoskopischer Ebene anbieten. Viele Degradationsphänomene in SOFCs beinhalten verschiedene chemische Reaktionen. Ausreichende thermodynamische Informationen bilden die Grundlage für thermodynamische Berechnungen zur Untersuchung von Degradationsmechanismen, die flüchtige Spezies einschließen. In diesem Zusammenhang bietet die auf Sublimation basierende Dampfdruckmodellierung nicht nur einen theoretischen Vorhersageansatz, sondern auch eine Möglichkeit zur Validierung und Erweiterung bestehender thermodynamischer Daten. Aufgrund der Beschränkung der experimentellen Methoden zur Messung des Dampfdrucks von Festkörpern ist eine theoretische Vorhersage des Dampfdrucks besonders notwendig. Die Sublimation erfordert die Überwindung einer Energiebarriere, und somit wird der Dampfdruck p durch eine Sublimationsfunktion mit Arrhenius-Struktur beschrieben. Daher besteht die größte Herausforderung darin, zwei zentrale Parameter zu bestimmen: Die Sublimationsenthalpie und den konstanten Vorfaktor. Für die Modellentwicklung werden acht Reinstoffe betrachtet. Hier werden zwei verschiedene Modelle zur Sublimationsenthalpiesvorhersage entwickelt. Im physikalischen Modell wird die Kohäsionsenergie mittels First-Principles-DFT Berechnungen benutzt, um die Sublimationsenthalpie näherungsweise zu berechnen. Außerdem werden ebenfalls die maschinellen Lernen Modelle mit unterschiedlichen Algorithmen aufgebaut. Für diese Trainingsdatenbank wird eine Feature-Filterstrategie vorgeschlagen, indem AutoML-Verfahren verwendet werden, um die möglichen Eingabe-Feature-Konfigurationen zu bestimmen. Drei Eingabekonfigurationen werden mittels der Feature-Filter-Strategie aus 14 möglichen Konfigurationen mit unterschiedlichen Dimensionen für weitere produktive Vorhersagen gefiltert. Das beste extreme gradient boosting Regressionsmodell weist eine gute Perfomance auf und wird aus statistischer und theoretischer Sicht bewertet. Die Ergebnisse erreichen ein hohes Genauigkeitsniveau und sind auch vergleichbar zur DFT-Berechnung. Schließlich werden diese datenbasierten Vorhersagen physikalisch erklärt. Die Vorhersage des Vorfaktors der Arrheniusfuntion basiert auf statistischer Mechanik, Gitterdynamik und Thermodynamik. Das chemische Potentialgleichgewicht wird zwischen den gasförmigen Molekülen und dem Festkörpergitter durch statistische Mechanik durchgeführt. Allerdings haben mehratomige Moleküle im Allgemeinen komplexe Bewegungsanregungen, weswegen eine einfache “Monoatomic Molecule Approximation” vorgestellt wird, um die Berechnung für mehratomige gasförmige Moleküle mit überzeugender Genauigkeit zu vereinfachen. Die vorhergesagten Ergebnisse werden mit thermodynamischen Datenbanken verglichen, die eine hohe Genauigkeit aufweisen. Darüber hinaus werden auch die durch Gasphasenreaktionen verursachten Partialdrücke untersucht, die eine gute Übereinstimmung mit experimentellen Ergebnissen zeigen. Schließlich werden die Modelle zur die Dampfsdrucksvorhersage auf Cr2O3 angewendet. Daher kann dieser theoretische Vorhersage-Workflow nicht nur die thermodynamische Datenbank erweitern, sondern auch die bestehende Datenbasis verifizieren, was eine wertvolle Ergänzung für die thermodynamische Analyse der Degradationsphänomene in SOFCs darstellt.

Solid oxide fuel cells (SOFCs) have attracted much attention in the last decades due to their unique features and high energy conversion efficiency. A very common cathode material (La, Sr)(Co, Fe)O3−δ (LSCF) is considered to have a huge potential for SOFCs applications. Furthermore, the Fe-Cr ferritic alloy Crofer 22 APU as metallic interconnect also possesses good performance but with low costs. However, several degradation phenomena still limit their commercial breakthroughs, such as Cr poisoning. Many studies have indicated that a Cr2O3 oxide layer can form on the interconnect surface, and Cr containing gaseous species such as CrO(OH)2 and CrO3 could be observed due to a Cr evaporation process at the SOFC operating condition, leading to the formation of possible compounds like Cr2O3 at the electrolyte/cathode interface and secondary compounds like SrCrO4 that degrade cathode performance.In this thesis, a data-driven strategy is proposed for the phase field modeling of Cr2O3 oxide for Fe-Cr alloy, in which the phase field simulations incorporate thermal fluctuations. Three relevant independent parameters in phase field modeling for determining the nucleation behavior are identified and used as input features for machine learning classification and regression model training. Whereas the classification could be utilized for a phase field modeling acceleration, the regression model can also determine the proper Langevin noise strength for obtaining the proper nucleation behavior in the phase field simulations. The predicted nucleation density of Cr2O3 is helpful for the quantification of grain sizes and understanding oxidation and evaporation mechanisms of Fe-Cr alloys, which is helpful to optimize the materials composition and SOFC operating conditions. Furthermore, this data-driven strategy for phase field parameter optimization through machine learning can serve as a blueprint for efficient parameter identification for mesoscale microstructure evolution simulations.Many degradation phenomena in SOFCs involve various chemical reactions, sufficient thermodynamic information is the foundation of the thermodynamic calculation for investigating degradation mechanisms involving volatile species. In this context, sublimation-based vapor pressure modeling offers not only a theoretical prediction approach but also a way to validate and extend existing thermodynamic data. Due to the limitations of the current experimental methods for the vapor pressure measurement of a solid, a theoretical prediction of the vapor pressure is extremely meaningful. As long as the sublimation requires only overcoming a single energy barrier, the vapor pressure is described by an Arrhenius-type sublimation function. Therefore, the main challenge is to determine the two related parameters: sublimation enthalpy and the constant prefactor. Here, two different models are developed to predict the sublimation enthalpy. In the physical model, the cohesive energy is used to approximately calculate the sublimation enthalpy by using first-principles DFT calculations. And the machine learning models are based on four different machine learning algorithms and a small in-house training database. Here, a feature filter strategy by introducing AutoML technologies is proposed, which is for the determination of the possible input feature configurations. Three input configurations are filtered from 14 possible configurations with different dimensions for further productive predictions as being most relevant by using the feature filter strategy. The best extreme gradient boosting regression model possesses a good performance, which is evaluated from statistical and theoretical perspectives, reaching a comparable level of accuracy to density functional theory computations and allowing for physical interpretations of the predictions. The prediction of the other parameter prefactor is based on statistical mechanics, lattice dynamics and thermodynamics. The chemical potential equilibrium is established between the gaseous molecules and that in the solid lattice via statistical mechanics. However, the polyatomic molecules possess generally complex motions, a simple monoatomic molecule approximation is proposed to simplify the calculation of polyatomic gaseous molecules at a convincing level of accuracy. The predicted results are compared against thermodynamic databases, which possess high accuracy. Furthermore, the partial pressures caused by gas phase reactions are also explored, showing good agreement with experimental results. Finally, the model is applied to calculate the vapor pressure of the Cr2O3. Thus, this theoretical prediction workflow can not only extend the thermodynamic database but also verify the existing thermodynamic database, which can provide a complement for the thermodynamic analysis of the SOFC degradation phenomena.

OpenAccess:
PDF
(zusätzliche Dateien)