《ACS Electrochemistry》：Using Machine Learning and In Situ Microscopy to Track Microbubble Dynamics during Electrolysis
编辑推荐：
为深入解析气体析出反应中气泡行为对电池性能的具体影响，并克服在工业相关多孔传输层(PTL)上无法直接观测的技术瓶颈，研究人员将Pt超微电极模型与轻量化卷积神经网络(CNN)相结合，系统追踪了微气泡的生长、附着与脱离动力学。通过将该光学追踪结果作为基准，研究发现对电压信号进行简单的频域分析即可可靠地捕获与光学提取相同的特征气泡驻留时间。更重要的是，该方法成功应用于复杂商用电极（如金属网、泡沫、纤维毡），在工业电流密度下运行，并通过频谱加权平均提取了代表电极整体电压波动的集总特征时间。这项工作在理想模型电极与实际PTL之间架起了桥梁，为在电解过程中从电化学电压噪声中提取有意义的气泡相关指标，提供了一种可推广的原位操作工具。
在众多清洁能源技术中，水电解制氢扮演着关键角色。然而，这类涉及气体析出的电化学反应长期面临一个“顽疾”：电极表面产生的气泡会阻碍反应位点、增加电阻，最终显著拉高反应所需的过电位，导致能量损失。例如，在氯碱工业中，气泡在工业级电流密度(>600 mA cm–2)下竟可贡献高达约20%的总电池电压。尽管科学家们已探索了阻抗测量、声学技术等多种手段，但在工业相关多孔传输层(PTL)电极的复杂结构和工作条件下，实时、精确地追踪单个气泡的动力学行为，尤其是关键的驻留时间，仍然是一项艰巨挑战。这就好比在拥挤的十字路口，仅凭嘈杂的背景噪音去判断每一辆车的精确轨迹。
为了破解这一难题，并填补理想模型系统与复杂工业电极之间的知识鸿沟，一篇发表于《ACS Electrochemistry》的研究提供了一种巧妙而通用的解决方案。研究人员巧妙地将高时空分辨率的原位光学显微镜、轻量级人工智能图像分析模型与电化学噪声的频域解析技术相结合，不仅首次在Pt超微电极(Ultramicroelectrode, UME)模型上建立了气泡生长与电压波动的定量关联，更成功地将这套分析方法推广至多种工业级PTL材料。这项研究表明，即便在最复杂、无法直接观察的商用电极上，简单的电化学电压噪声分析也能成为一种强大的原位(operando)工具，用于评估和优化气泡管理策略，从而为提升电解效率、降低能耗开辟了新路径。
为开展此项研究，作者运用了几个关键技术方法：1. 构建了用于高分辨率原位观察的定制化电化学池与微电极系统，其中Pt超微电极(UME)直径为25 μm，是关键模型。2. 采用基于U-Net架构的轻量级卷积神经网络(CNN)，对高速光学视频进行自动化、高通量的微气泡追踪与量化分析。3. 对恒电流(chronopotentiometry)实验采集的高频电压信号进行傅里叶变换(Fourier Transform, FT)频域分析，以提取特征频率。4. 将该电化学噪声分析方法应用于多种商用多孔传输层(PTL)电极，包括铜网、镍网、不锈钢(SS316)网、镍泡沫和钛纤维毡，并在高达3 A cm–2的工业级电流密度下进行测试。
光学追踪气泡及其与电化学信号的相关性
研究人员首先在Pt UME模型系统上，将高清摄像机对准电极尖端，直接观测氢析出反应(HER)中每个微气泡的形成过程。同时，在5–15 μA的恒电流下记录电压信号，发现电压呈现清晰的振荡。通过将光学帧与电压曲线同步比对，他们观察到气泡的生长、平台期和脱离阶段，分别对应着电压的负向偏移、平台期和正向跳变。这种关联可以通过作用于气泡的两个主要力来解释：向上的浮力(Fbuoyancy)和使其粘附在电极上的粘附力(Fadhesion)。为了从海量的光学数据（每秒64帧）中高效、系统地提取气泡寿命等指标，研究采用了一个以MobileNetV2为编码器的U-Net卷积神经网络。该模型仅用108张手动标注的帧（占总数据0.5%）进行训练，就在气泡追踪任务上达到了99.8%的验证准确率，成功实现了高通量分析。分析发现，在更高电流密度下，气泡脱离时的平均直径反而变小，这与微对流增强导致更早脱离的理论预测一致。
从电压波动中提取气泡寿命指标
在建立了光学观测基准后，研究转向探究能否仅从电化学信号中提取相同信息。他们对看似无特征的30秒电压噪声进行高时间分辨率查看，发现其振荡与光学观测到的气泡生命周期完全匹配。通过对该电压信号进行傅里叶变换(FT)，在频谱中观察到一个明显的特征频率峰。随着施加电流从5 μA增加至15 μA，该主峰向更高频率移动，意味着气泡寿命随产气速率增加而缩短。至关重要的是，从FT提取的特征频率倒数（即特征时间）与通过CNN光学追踪独立计算出的气泡平均驻留时间高度吻合。这强有力地证明，仅通过分析电化学电压噪声的频域特征，即可可靠地捕获气泡寿命。
常见电解槽PTL材料的信号解卷积
验证了方法的有效性后，研究团队将其拓展至光学观察不可行的实际应用场景——多种常用于工业电解槽的多孔传输层(PTL)。这些材料（如金属网、泡沫、纤维毡）结构复杂，存在多个成核位点和重叠的气泡，导致电压噪声信号也更为复杂。–2; (h) FT of the noise;"> 面对这种包含多种振荡源的复合信号，研究采用了对FT频谱进行加权平均的方法，提取出一个能代表所有电压波动来源的集总特征频率（或其倒数，特征时间）。对多种PTL在-100 mA cm–2到 -3 A cm–2电流密度范围内的分析显示，在低电流密度下，不同PTL的特征时间存在差异，说明电极结构本身对气泡行为仍有影响；然而，在高电流密度下，所有PTL的特征时间趋于收敛。这表明，在高产气速率下，电极被一层致密的气泡层均匀覆盖，导致其波动特性变得相似，而与底层几何结构关系减弱。
研究结论与意义
本研究成功证明，Pt超微电极可作为研究电解过程中气泡演化行为的理想模型系统。通过结合卷积神经网络(CNN)光学追踪与电压信号频域分析，首次在单气泡水平上定量建立了微气泡动力学与电化学噪声特征之间的直接关联。更重要的是，研究发展出的这种简单的傅里叶分析方法，能够可靠地从电压波动中提取气泡驻留时间。该方法最大的价值在于其可推广性：研究团队成功将其应用于多种复杂商用多孔传输层(PTL)电极，在工业级电流密度下，仅通过电化学测量即可提取有意义的、与气泡相关的集总时间尺度指标，而无需依赖昂贵或难以实施的原位成像技术。这项工作为评估和优化气体析出电极的性能提供了一种强大的原位(operando)分析工具，架起了基础模型研究与实际工业应用之间的桥梁，对理解和降低电解过程中的能量损失具有重要指导意义。
