本项目面向“双碳”目标下可再生能源高效存储需求，聚焦高温共电解池（SOEC）材料长期稳定性瓶颈。针对传统试错法研发周期长、机器学习多关注初始性能而缺乏衰减预测等痛点，构建“数据-特征-建模-解释-筛选-实验”闭环体系。重点突破空气电极极化阻抗衰减预测、Ni基燃料电极失效建模、多主元合金燃料极成分筛选等核心问题，实现SOEC材料智能化设计与制造。

构建涵盖空气电极、Ni基及多主元合金燃料极的多维度结构化数据库；开发基于大语言模型的自动化特征描述符，突破人工经验局限；建立多任务机器学习模型，实现空气电极衰减速率、多主元合金相结构、燃料极性能衰减的精准预测；利用SHAP揭示关键影响因素；通过虚拟筛选与实验闭环，筛选出3-5种高稳定性空气电极材料，形成可复用的AI辅助设计流程。

成功构建SOEC多组件结构化数据库，开发LLM自动化特征编码方法，在保留可解释性的同时，预测精度与泛化能力优于传统描述符。搭建多任务预测模型，实现材料关键结构和衰减速率的准确预测，筛选出兼具高性能和低衰减特性的电极材料，并完成实验验证。基于项目开发的新型SOEC电池面电阻降低约20%，极化阻抗降低约14%，1.5V下电流密度提高约24%，完成从预测到实验的闭环优化。