1. 引言

科學(xué)和工程領(lǐng)域的技術(shù)進(jìn)步帶來了更大、更復(fù)雜數(shù)據(jù)集的收集、處理和分析。這些數(shù)據(jù)集通常難以手動或用傳統(tǒng)方法處理。人工智能（AI）被引入以幫助處理這些復(fù)雜數(shù)據(jù)。AI賦予計算機類似人類的思維和智能，使它們能夠分析信息、采取解決問題的步驟，并從過程中學(xué)習(xí)。AI的概念最早在20世紀(jì)上半葉通過科幻作品被理論化，1950年代被科學(xué)家正式認(rèn)可。盡管面臨社會接受度、財務(wù)和技術(shù)挑戰(zhàn)，計算機科學(xué)的快速發(fā)展和現(xiàn)代操作系統(tǒng)改進(jìn)推動了AI的興起。一般來說，人工智能根據(jù)其功能分為四種不同的類型，即反應(yīng)性、有限記憶、心智理論和自我意識，如圖 1 所示。

圖 1.AI 的類型取決于功能

反應(yīng)式AI提供可預(yù)測結(jié)果，對相同情況有固定響應(yīng)。有限記憶AI能從經(jīng)驗中學(xué)習(xí)，持續(xù)改進(jìn)。這兩種AI類型是目前研究的主流，大多數(shù)現(xiàn)有AI模型基于它們。心智理論AI和自我意識AI仍在發(fā)展中，分別賦予機器決策能力和理解他人情緒狀態(tài)的能力。

AI主要分為機器學(xué)習(xí)和深度學(xué)習(xí)兩個子集。機器學(xué)習(xí)側(cè)重于使用算法優(yōu)化數(shù)據(jù)以執(zhí)行任務(wù)，而深度學(xué)習(xí)是更高級的機器學(xué)習(xí)，由多層神經(jīng)網(wǎng)絡(luò)構(gòu)成，用于處理復(fù)雜任務(wù)，得出邏輯結(jié)論，且不總需要標(biāo)記數(shù)據(jù)。圖2展示了AI與ML、DL之間的關(guān)系。

圖 2.AI 的不同子集

圖 3 給出了 AI 中最重要的類型和算法的子分類。傳統(tǒng) ML 大致可分為四種基本類型，分別是監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和強化學(xué)習(xí)。然而，DL 包含適用于有監(jiān)督、無監(jiān)督或混合學(xué)習(xí)框架的高級技術(shù)，有時被認(rèn)為是一種獨特的 ML 類型。

圖 3.機器學(xué)習(xí)類型和算法的子分類

1）監(jiān)督學(xué)習(xí)

監(jiān)督學(xué)習(xí)使用標(biāo)記數(shù)據(jù)集訓(xùn)練算法進(jìn)行分類或預(yù)測。模型通過交叉驗證調(diào)整權(quán)重以擬合數(shù)據(jù)。主要分為分類和回歸兩種。

分類算法如Logistic回歸、SVM、決策樹，將數(shù)據(jù)分為不同類別。Logistic回歸預(yù)測事件概率，SVM通過超平面分類，決策樹通過連續(xù)分割節(jié)點預(yù)測分類結(jié)果。隨機森林算法通過組合多個決策樹提高預(yù)測準(zhǔn)確性。

回歸涉及統(tǒng)計方法識別變量間關(guān)系，常用算法包括線性回歸和多項式回歸。線性回歸基于最佳線性擬合，多項式回歸將關(guān)系建模為多項式。

2）無監(jiān)督學(xué)習(xí)

無監(jiān)督學(xué)習(xí)使用未標(biāo)記數(shù)據(jù)集識別模式或數(shù)據(jù)組。主要類型包括聚類、降維和異常檢測。聚類算法如K-means和分層聚類，根據(jù)數(shù)據(jù)相似性分組。降維算法如PCA和ICA，減少數(shù)據(jù)特征數(shù)量。異常檢測識別數(shù)據(jù)集中異常點。

3）半監(jiān)督學(xué)習(xí)

半監(jiān)督學(xué)習(xí)結(jié)合標(biāo)記和未標(biāo)記數(shù)據(jù)訓(xùn)練模型。自訓(xùn)練模型用標(biāo)記數(shù)據(jù)訓(xùn)練后對未標(biāo)記數(shù)據(jù)分類，低密度分離模型通過決策邊界區(qū)分不同類別。

4）強化學(xué)習(xí)

強化學(xué)習(xí)通過試錯方法訓(xùn)練模型，無需標(biāo)記輸入。常用算法包括動態(tài)規(guī)劃和蒙特卡洛方法。動態(tài)規(guī)劃將問題分解為小問題求解，蒙特卡洛方法通過重復(fù)經(jīng)驗學(xué)習(xí)。

5）深度學(xué)習(xí)

深度學(xué)習(xí)是機器學(xué)習(xí)的子集，基于模仿人腦的神經(jīng)網(wǎng)絡(luò)。它可以是監(jiān)督式、無監(jiān)督式或混合式。常見算法包括CNN、ANN和RNN。CNN通過多層人工神經(jīng)元處理輸入，ANN用于分類新觀測值，RNN利用前一層輸出優(yōu)化結(jié)果。

2. 機器學(xué)習(xí)在燃料電池和電解槽中的應(yīng)用

燃料電池和電解槽是用于清潔能源和氫基電化學(xué)設(shè)備，有助于減少全球碳排放。電解槽通過電化學(xué)分解水產(chǎn)生氫氣，而燃料電池通過電化學(xué)反應(yīng)將氫氣轉(zhuǎn)化為電能，僅產(chǎn)生水作為副產(chǎn)品。若電解槽使用可再生能源，生產(chǎn)的氫氣為綠色，燃料電池產(chǎn)生的能源則為清潔和可再生。燃料電池和電解槽有許多不同類型的，具體取決于所使用的電解質(zhì)類型和作條件。我們在本綜述中的主要重點是質(zhì)子交換膜（PEM） 燃料電池 （FC） 和水電解槽 （WE），但也將討論其他類型。燃料電池和電解槽對于推進(jìn)可持續(xù)能源解決方案都至關(guān)重要，它們具有許多基本原則和挑戰(zhàn)。

盡管存在這些相似之處，但文獻(xiàn)中存在明顯的差異：雖然許多評論都集中在人工智能在燃料電池中的應(yīng)用，但明顯缺乏關(guān)于電解槽的類似研究。此外，缺乏同時解決這兩種技術(shù)的全面審查。造成這種差異的一個原因可能是電解槽研究仍處于早期階段，而燃料電池的研究在過去十年中一直相對穩(wěn)定。為了更好地理解這一點，使用 Scopus 進(jìn)行了一項全面的文獻(xiàn)調(diào)查，以評估過去 20 年燃料電池和電解槽研究的總體狀況，特別關(guān)注人工智能的使用，包括過去 4 年機器學(xué)習(xí)和深度學(xué)習(xí)在這些技術(shù)中的應(yīng)用。圖 4所示的文獻(xiàn)計量數(shù)據(jù)顯示，燃料電池和電解槽中的 AI 應(yīng)用僅占這些技術(shù)出版物總數(shù)的一小部分（約 2%）。此外，在這個子集中，關(guān)于電解槽的人工智能相關(guān)研究僅占燃料電池和電解槽組合領(lǐng)域以人工智能為重點的出版物總數(shù)的 5% 左右。這凸顯了這些領(lǐng)域內(nèi) AI 相關(guān)研究的現(xiàn)狀，并強調(diào)了需要一種更加綜合的方法來審查這兩種技術(shù)的 AI 應(yīng)用。

圖4.對人工智能在燃料電池與電解槽應(yīng)用領(lǐng)域的相關(guān)文獻(xiàn)進(jìn)行計量分析

PEMFC 和 WEs 中的電化學(xué)反應(yīng)都發(fā)生在膜電極組件 （MEA） 中，由多孔陰極催化劑層 （CL）（通常是負(fù)載在碳納米顆粒上的鉑 （Pt） 納米催化劑，由質(zhì)子導(dǎo)電離子聚合物鍵合）、多孔陽極 CL（與 PEMFC 中的成分相似，同時在 PEMWE 中含有 Ir 基催化劑）組成，鍵合到聚合物電解質(zhì)膜上。兩種 MEA 都包含用于水和熱管理的附加層（氣體擴散層 （GDL）、微孔層 （MPL） 和多孔傳輸層 （PTL）。圖5 表示 PEMFC MEA 的圖示。圖 5 所示的 PEMWE 和 PEMFC MEA 之間的主要區(qū)別在于電化學(xué)裝置的陽極側(cè)和陰極側(cè)都發(fā)生反向電化學(xué)反應(yīng)。MEA 中的材料組成、微觀結(jié)構(gòu)和組分分布，尤其是在催化劑層中，會顯著影響這些器件的性能和耐用性，因為要記住 PEM FC 和 WEs 在其使用壽命期間都暴露在惡劣的作條件下（例如，高電壓、高達(dá) 80-100 °C 的溫度、腐蝕性環(huán)境）。

圖5.PEMFC MEA 圖示

為了滿足清潔和可持續(xù)能源的需求，開發(fā)高效材料至關(guān)重要。這些材料的結(jié)構(gòu)特性決定了設(shè)備的活性和效率。研究主要集中在提高催化劑材料性能、膜性能、耐用性和生產(chǎn)方法的商業(yè)可行性。盡管面臨高成本和耐用性挑戰(zhàn)，PEMWEs和PEMFC技術(shù)在多個領(lǐng)域具有巨大潛力，有助于減少碳排放和增強能源安全。歷史上，多種計算方法被用于理解材料在電池、燃料電池和超級電容器中的應(yīng)用。然而，這些方法往往過于復(fù)雜且成本高昂。因此，需要替代方法來高效開發(fā)材料。在燃料電池和電解槽運行中，人工智能系統(tǒng)通過分析傳感器數(shù)據(jù)來監(jiān)測和控制運行條件，實現(xiàn)最佳性能。這些系統(tǒng)包括神經(jīng)網(wǎng)絡(luò)、模糊邏輯等，能夠通過學(xué)習(xí)歷史數(shù)據(jù)來加速材料的理解和開發(fā)過程。

3. ML 算法在 MEA 和性能優(yōu)化中的應(yīng)用

由于設(shè)計復(fù)雜性和異質(zhì)性，燃料電池和電解槽中 MEA 的結(jié)構(gòu)構(gòu)成帶來了許多挑戰(zhàn)。在確定燃料電池和電解槽的性能時，考慮到電極催化劑負(fù)載、油墨配方技術(shù)、催化劑-電解質(zhì)界面、陽極-膜-陰極質(zhì)子傳輸、電極中反應(yīng)物的傳輸、GDL、PTL以及電極和集流體之間的電流，正確的MEA設(shè)計非常重要。ML 算法，如 ANN、極端梯度提升（XGBoost）、KNN、隨機森林（RF）、支持向量機/回歸器（SVM/SVR）、邏輯回歸（LR） 和彈性網(wǎng)（EN） 等，可用于根據(jù)成分和結(jié)構(gòu)參數(shù)以及其他 MEA/系統(tǒng)描述符預(yù)測和優(yōu)化燃料電池和電解槽的性能。ML 模型與遺傳算法（GA）等優(yōu)化算法相結(jié)合，可以進(jìn)一步優(yōu)化設(shè)計和作參數(shù)，以高精度和高效實現(xiàn)多個優(yōu)化目標(biāo)。

例如，Khajeh-Hosseini et al應(yīng)用 ANN 研究了不同 CL 結(jié)構(gòu)參數(shù)對 PEMFC 中 CL 性能的影響。作者根據(jù) Fick 擴散定律和電化學(xué)反應(yīng)方程支配的定律開發(fā)了一個團聚體模型（見圖 6a），以生成負(fù)責(zé)影響 CL 性能的九個結(jié)構(gòu)參數(shù)。包括 CL 液體飽和度、離聚物膜厚度、催化劑團聚半徑、Pt 和碳負(fù)載、膜組成、GDL 滲透到 CL 中的程度和 CL 厚度在內(nèi)的結(jié)構(gòu)參數(shù)用作神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，以預(yù)測與電化學(xué)池相關(guān)的活化過電位。研究人員在使用 ANN 在每個獨立的物理特性和輸出參數(shù)之間建立直接關(guān)聯(lián)時遇到了挑戰(zhàn)。為了應(yīng)對這些挑戰(zhàn)，他們應(yīng)用了線性疊加近似靜力學(xué)模型來找到這些相關(guān)性，揭示了離聚物厚度的增加、Pt 和碳質(zhì)量載荷的增加以及 GDL 滲透到 CL 中會阻礙氧擴散到 CL 中，因為孔隙較少，從而增加了活化電位。另一方面，大團聚半徑允許更大的孔和高氧擴散系數(shù)，這最終會降低活化電位，從而提高細(xì)胞的整體性能。盡管存在這些復(fù)雜性，神經(jīng)網(wǎng)絡(luò)還是實現(xiàn)了 0.8 的近乎完美的相關(guān)值和 0.0016 的均方誤差，展示了其作為建模工具的有效性，如圖 6c 所示。

圖6.（a）團聚體模型設(shè)計 （b）ANN 的示意圖 （c）數(shù)值模擬預(yù)測的活化過電位與實際活化電位

Zhang等人利用蒙特卡洛方法結(jié)合深度神經(jīng)網(wǎng)絡(luò)（DNN）和高斯回歸模型研究了MEA多孔結(jié)構(gòu)CL對高溫PEMFC電池性能的影響。研究中使用了11個結(jié)構(gòu)參數(shù)，包括陽極和陰極GDL的厚度、孔隙率、CL的厚度、孔隙率、電解質(zhì)體積分?jǐn)?shù)及Pt含量。結(jié)果表明，隨著Pt負(fù)載增加，最佳GDL厚度和CL孔隙率降低，陰極MEA參數(shù)對電池性能影響大于陽極參數(shù)。優(yōu)化參數(shù)后，可在0.4V和0.6V下實現(xiàn)最大功率密度。Jienkulsawad等人應(yīng)用ANN確定PVA/Pt的最佳組成重量，作為PEMFC陰極側(cè)催化劑層組分的添加劑。研究中使用電池電壓、電流密度、相對濕度和功率密度等參數(shù)，預(yù)測PVC/Pt比率。基于Levenberge-Marquardt算法的ANN，以RMSE作為準(zhǔn)確率指標(biāo)，發(fā)現(xiàn)ANN能預(yù)測最佳PVA/Pt比率，最小RMSE分別為0.1293和0.031。隱藏層數(shù)量的選擇對模型準(zhǔn)確性有重要影響。Mohamed等人研究了使用ANN、PR、SVM、KNN、決策樹預(yù)測PEMWE的產(chǎn)氫速率和電池電流密度。構(gòu)建了包含1203個實驗數(shù)據(jù)的數(shù)據(jù)庫，分析了陽極和陰極支撐、膜類型、催化劑等因素對高電流密度的貢獻(xiàn)。結(jié)果表明，特定配置在實現(xiàn)高電流密度方面發(fā)揮了重要作用。ANN在預(yù)測產(chǎn)氫速率和電流密度方面表現(xiàn)出色，測試數(shù)據(jù)均方誤差分別為0006.0和04026。

在ML模型應(yīng)用前使用箱須圖作為數(shù)據(jù)分析工具并不常見，但提供了對數(shù)據(jù)中輸入和輸出參數(shù)之間關(guān)系的重要見解。Günay等人在應(yīng)用決策樹ML對PEMWE性能進(jìn)行建模前，探索了箱須圖。分析揭示了陰極/陽極載體、催化劑摩爾分?jǐn)?shù)、催化劑負(fù)載、工作溫度和PEMWE性能之間的顯著相關(guān)性。箱須數(shù)據(jù)分析確定了影響電流密度和功率密度的關(guān)鍵因素。

極端梯度提升（XGBoost）算法是一種強大的ML技術(shù)，已被證明在回歸和分類任務(wù)中都有效。Uenishi和Imoto使用XGBoost ML方法研究了PEMFC催化劑層的物理性質(zhì)與電壓之間的相關(guān)性，并使用GA優(yōu)化了輸出。研究發(fā)現(xiàn)，輸出電壓的性能取決于從CL的SEM橫截面圖像中提取的特征，如孔體積、孔徑和表面積。優(yōu)化孔結(jié)構(gòu)可提高性能，降低生產(chǎn)成本。Zhang等人利用ML構(gòu)建了一個包含58個MEA和16個輸入特征的數(shù)據(jù)庫，開發(fā)了機器學(xué)習(xí)模型來優(yōu)化輸出電壓。使用了多種算法，其中XGBoost的R2值最高，優(yōu)化了輸出電壓并提高了計算效率。為了解決模型可解釋性問題，應(yīng)用了SHAP方法揭示了工作溫度、陽極離聚物含量等因素對輸出電壓的影響。

SVM算法在預(yù)測和優(yōu)化燃料電池及電解槽組件方面極為重要。它適用于回歸和分類任務(wù)，通過在高維空間中找到最佳超平面或分隔線來區(qū)分?jǐn)?shù)據(jù)或最小化預(yù)測誤差。SVM雖復(fù)雜，卻能在處理小數(shù)據(jù)集時保持良好性能，平衡了復(fù)雜性和樣本量。例如，Wang等人利用SVM模型預(yù)測PEMFC中最佳催化劑層組成以產(chǎn)生最大功率密度。他們使用3D CFD模型模擬不同條件下的電流密度，并用GA優(yōu)化確定最佳催化劑組成。將CFD模型數(shù)據(jù)作為SVM模型輸入，實現(xiàn)了高準(zhǔn)確度和低誤差。優(yōu)化后的SVM預(yù)測與3D CFD模擬結(jié)果高度一致，顯示了SVM在預(yù)測和優(yōu)化PEMFC組件及結(jié)構(gòu)參數(shù)方面的潛力。

圖7.（a） 用于 PEMFC 性能仿真的 CFD 模型設(shè)計  SVM 預(yù)測和模擬了 （b） 訓(xùn)練集和 （c） 測試集的電流密度（d） GA 的最大功率密度優(yōu)化結(jié)果

ML在預(yù)測燃料電池和電解槽性能及優(yōu)化結(jié)構(gòu)參數(shù)方面非常有用。關(guān)鍵結(jié)論包括：模型選擇應(yīng)基于數(shù)據(jù)復(fù)雜性；復(fù)雜數(shù)據(jù)需要復(fù)雜模型進(jìn)行泛化；復(fù)雜模型的可解釋性重要，可通過敏感性分析如Pearson相關(guān)性實現(xiàn)。

4 ML 算法在燃料電池和電解槽分析圖像分割中的應(yīng)用

對PEM FC、WE（包括催化劑、CL、GDL、PTL等）和SOFC的材料及層結(jié)構(gòu)分析對性能和耐久性影響的理解至關(guān)重要。SOFC由復(fù)雜的多孔陽極和陰極結(jié)構(gòu)組成，其電化學(xué)性能由此決定。這些結(jié)構(gòu)通常由陶瓷-金屬復(fù)合材料、混合氧化物和穩(wěn)定的氧化鋯制成，需要優(yōu)化設(shè)計以實現(xiàn)高效性能，特別是在高溫下運行時。研究人員長期依賴手動方法從電化學(xué)器件的微觀結(jié)構(gòu)中提取信息，過程費力且容易出錯。深度學(xué)習(xí)（DL）是機器學(xué)習(xí)（ML）的一個分支，它使用模擬人腦的算法根據(jù)數(shù)據(jù)進(jìn)行學(xué)習(xí)和預(yù)測，可自動化此過程。DL在圖像處理方面的成功歸因于其使用CNN、DNN和RNN從圖像中識別、學(xué)習(xí)和提取復(fù)雜特征的能力。計算機視覺是一種有助于分析、理解和識別圖像模式的DL方法。DL已被應(yīng)用于從TEM、FIB-SEM和XCT圖像中識別和分割燃料電池和電解槽的微觀結(jié)構(gòu)圖像。

相位分割是將圖像劃分為具有相似形態(tài)特性的不同區(qū)域的過程。傳統(tǒng)方法如Watershed和Weka分割方法已被用于從材料微觀結(jié)構(gòu)中提取信息。DL算法適用于實現(xiàn)燃料電池和電解槽組件的相位分割。例如，Liu等展示了Deeplab DL架構(gòu)的應(yīng)用，清晰分割PEMFC的CL中包含孔隙和炭黑相的FIB圖像。Deeplab架構(gòu)通過提取圖像的密集特征來提高分割精度。他們還應(yīng)用了DCGAN DL算法，從最初分割的2張圖像中生成人工600D微結(jié)構(gòu)，并將其重建為3D形式。DCGAN算法由生成器和判別器模型組成，通過訓(xùn)練生成人工圖像并欺騙判別器模型，從而提高對人工圖像和真實圖像的分類能力。從3D重建圖像中，研究人員發(fā)現(xiàn)孔隙率顯著影響氧氣在CL內(nèi)的擴散，并且與線性插值相比，應(yīng)用DCGAN的球形線性插值能產(chǎn)生更好的3D圖像和擴散系數(shù)。

圖8.（a） 2D FIB-SEM 圖像（左），使用 Deeplab 的分割圖像（中）和 DCGAN 生成的微觀結(jié)構(gòu)（右），其中黑色相表示炭黑，白色表示孔隙;（b） 從 3D 連續(xù)切片圖像進(jìn)行 2D 重建

Hwang等人結(jié)合Deeplabv3+深度學(xué)習(xí)算法和立體分析方法，對SOFC陰極復(fù)合材料的三相微觀結(jié)構(gòu)進(jìn)行了語義分割和量化。Deeplabv3+算法結(jié)合CNN和空洞空間金字塔池，對圖像進(jìn)行像素級分類和對象分割。立體分析方法用于量化3D圖像的體積、形狀和表面積。研究中，他們分析了3張FIB-SEM圖像，使用49張圖像進(jìn)行訓(xùn)練，40張用于測試。盡管數(shù)據(jù)集較小，但算法成功分割了9相微觀結(jié)構(gòu)，包括GDC、LSC和孔隙。預(yù)測結(jié)果與實際圖像處理結(jié)果對比，實現(xiàn)了20.0的高平均交并比（mIoU）精度，顯示了該算法在自動分割7D圖像微觀結(jié)構(gòu)方面的潛力，特別是在燃料電池和電解槽應(yīng)用中。

圖9.（a） 用于固體氧化物燃料電池語義分割的 DL 輔助流動過程 （b） 用于驗證深度學(xué)習(xí)方法的測試圖像，以及 （c） 獲得的深度學(xué)習(xí)圖像（左）和從圖像處理中獲得的地面實況（右）。藍(lán)色區(qū)域是 GDC，綠色區(qū)域是 LSC，紅色區(qū)域是毛孔

另一種廣泛用于語義分割任務(wù)的 DL 算法是 UNet 架構(gòu)。UNet 架構(gòu)是一種 CNN，最初設(shè)計用于分割生物醫(yī)學(xué)圖像，但現(xiàn)在在金屬、巖石、燃料電池和電解槽的微觀結(jié)構(gòu)組件分割方面獲得了突出地位。該架構(gòu)由下采樣和上采樣路徑組成，如圖10所示。下采樣路徑會減小捕獲圖像的空間維度，但會增加特征圖的深度。另一方面，上采樣路徑通過提高特征圖的分辨率來實現(xiàn)精確定位，這意味著準(zhǔn)確的分割，從而確保恢復(fù)縮小的圖像空間維度。

圖10.UNet 體系結(jié)構(gòu)的表示形式

例如，Rena等應(yīng)用傳統(tǒng)的編碼器-解碼器和UNet算法，從作情況下捕獲的低分辨率激光顯微鏡圖像中分割SOFC中的Ni和YSZ相。使用這些算法，他們計算了相的相分?jǐn)?shù)和三相邊界 （TPB）。在他們的工作中，觀察到這兩種算法能夠分割這些階段。然而，由于激光顯微鏡的低分辨率，每個相的微小微觀結(jié)構(gòu)細(xì)節(jié)都丟失了，如圖 11 所示。為了提高分辨率，探索了 pix2pix GAN 架構(gòu)，將低分辨率激光顯微鏡圖像轉(zhuǎn)換為高分辨率的類似 SEM 的圖像。據(jù)推斷，可以通過利用 UNet 架構(gòu)來實現(xiàn)低分辨率圖像的分割，從而產(chǎn)生與地面實況非常接近的結(jié)果。然而，為了更準(zhǔn)確地預(yù)測和分析相位，有必要使用 pix2pix GAN DL 算法提高圖像分辨率，傳統(tǒng)的編碼器-解碼器、UNet 和 pix2pix 架構(gòu)的性能分別為 0.867、0.889 和 0.897。

圖11.（a） 傳統(tǒng)的編碼器-解碼器網(wǎng)絡(luò) （b） 帶有編碼器-解碼器網(wǎng)絡(luò)的 U-net （c） 低分辨率激光圖像（左上）、真實分割圖像（中上）、具有傳統(tǒng)編碼器-解碼器網(wǎng)絡(luò)的分割圖像（左下）和帶有編碼器-解碼器的 UNet 的分割圖像（中下）、高分辨率 SEM 圖像（右上）、pix2pix GAN 輸出（右下）

眾所周知，燃料電池和電解槽的性能分別在很大程度上取決于 GDL 和 PTL 的微觀結(jié)構(gòu)特性。這些特性包括孔徑、曲折度、GDL厚度、纖維直徑、孔隙率等。先前的研究表明，GDL 和 PTL 孔隙率的增加導(dǎo)致這些電化學(xué)器件的性能更好 。定量測量這些物理性質(zhì)的能力可以深入了解反應(yīng)物物質(zhì)（氫和氧）通過 GDL/PTL 到達(dá)催化劑層時的質(zhì)量傳遞特性或擴散行為。Mehdi等研究了具有不同百分比（5、20、40和60 wt%）涂層疏水性聚四氟乙烯（PTFE）的GDL中發(fā)生的流體流動機制。為了研究這些機制，他們利用 2D 和 3D UNet DL 算法從 X 射線計算機斷層掃描 （XCT） 圖像中分割 GDL 組件的水、空氣和 PTFE 涂層纖維相。將從 DL 算法獲得的結(jié)果與通常用于相位分割的傳統(tǒng) Watershed 和 Weka 分割過程進(jìn)行了比較。結(jié)果表明，兩種 DL 算法都有效地對三個階段進(jìn)行了分類，與 3D UNet、Watershed 和 Weka 分割方法相比，2D UNet 算法表現(xiàn)出卓越的性能。

DL技術(shù)應(yīng)用于PEMFC催化劑層油墨篩選，Eslamibidgoli等人利用ConVNets架構(gòu)自動分割和量化催化劑油墨中的團聚體粒度分布。他們對市售的Tanaka EA50、F50和V50催化劑以及Nafion和Aquivion載體的油墨進(jìn)行高分辨率TEM成像，并訓(xùn)練ConVNets模型。該模型通過注釋成像墨水并應(yīng)用基于區(qū)域的對象檢測算法來提高檢測準(zhǔn)確性，提取圖像邊緣和空間細(xì)節(jié)特征。使用預(yù)訓(xùn)練模型的遷移學(xué)習(xí)方法微調(diào)ConVNet，顯著提升檢測性能。Grad-CAM用于可視化包含墨水團聚體的分段區(qū)域，研究結(jié)果顯示ConVNets成功分割了催化劑墨水，F(xiàn)1分?jǐn)?shù)不低于99%，V50團聚體最大。DL技術(shù)用于燃料電池和電解槽的基于圖像的缺陷檢測。ML算法在預(yù)測燃料電池系統(tǒng)健康狀況和診斷內(nèi)外部缺陷方面至關(guān)重要。缺陷特征可能包括裂紋、針孔等，影響系統(tǒng)效率。傳統(tǒng)檢測方法如紅外熱成像、光學(xué)檢查、X射線和顯微鏡技術(shù)存在局限性。DL技術(shù)中的對象檢測有助于識別和理解相關(guān)對象，通過圖像注釋和DL算法訓(xùn)練，實現(xiàn)缺陷檢測。

5 ML 算法在降解研究中的應(yīng)用

燃料電池和電解槽等電化學(xué)器件的廣泛商業(yè)化受到其耐用性問題的限制，這需要通過ML模型對老化和降解機制進(jìn)行廣泛的分析。借助遞歸神經(jīng)網(wǎng)絡(luò) （RNN） 機器學(xué)習(xí)算法，我們可以根據(jù)運行時間和系統(tǒng)條件預(yù)測這些設(shè)備的性能演變，也稱為剩余使用壽命 （RUL） 和電壓退化，而無需依賴物理定律和電化學(xué)方程式的復(fù)雜建模 .RNN 是一種人工神經(jīng)網(wǎng)絡(luò)，它反復(fù)處理輸入數(shù)據(jù)，并允許在下一個時間步將一個步驟的輸出作為輸入反饋給網(wǎng)絡(luò)，從而捕獲輸入和輸出數(shù)據(jù)之間的動態(tài)關(guān)系。簡單來說，這意味著輸入到系統(tǒng) A 的輸入特征產(chǎn)生輸出特征，而系統(tǒng) A 的輸出特征現(xiàn)在用作系統(tǒng) B 的輸入特征，目的是捕獲順序輸入特征和最終輸出之間的動態(tài)關(guān)系。RNN 的一個例子是回聲狀態(tài)網(wǎng)絡(luò) （ESN），這是一種以其獨特架構(gòu)而聞名的儲層計算神經(jīng)網(wǎng)絡(luò)，它隨機生成具有靜態(tài)內(nèi)部權(quán)重的儲層，并取代了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中的隱藏層，使其在降解預(yù)測中具有計算成本效益，如圖12所示。ESN 的優(yōu)點是網(wǎng)絡(luò)的輸出層通過多元線性回歸進(jìn)行優(yōu)化。

圖12.標(biāo)準(zhǔn) Echo State Network （ESN） 的架構(gòu)

Vichard等的研究通過5000小時耐久性測試，探討了PEMFC系統(tǒng)性能演變，發(fā)現(xiàn)較低環(huán)境溫度有助于加濕和降低電壓衰減率。研究將測試分為6個階段，每個階段有不同的運行時間和溫度。ESN網(wǎng)絡(luò)用于預(yù)測電壓劣化，模型顯示了有希望的結(jié)果，歸一化RMSE值為0.098，計算時間2秒。學(xué)習(xí)率對預(yù)測電壓衰減的重要性被討論，33%和60%的學(xué)習(xí)率分別預(yù)測PEMFC系統(tǒng)使用壽命為3000小時和6000小時。Morando等開發(fā)了基于信號濾波和預(yù)后分析的ESN算法，用于預(yù)測PEMFC電壓劣化，實驗顯示良好準(zhǔn)確性，MAPE小于5%，前340小時數(shù)據(jù)足以預(yù)測至少1000小時的退化。Mezzi等提出MR-ESN和經(jīng)典ESN算法，預(yù)測電池電壓劣化，MR-ESN性能更優(yōu)。Zhang等改進(jìn)MR-ESN架構(gòu)，增強網(wǎng)絡(luò)處理和預(yù)測能力，研究了訓(xùn)練集長度對預(yù)測準(zhǔn)確性的影響，并使用SG濾波器和PSO算法優(yōu)化模型，結(jié)果表明350小時訓(xùn)練集對靜態(tài)測試條件預(yù)測精度最高，PSO優(yōu)化后最佳主儲層和神經(jīng)元分別為20,550和10,800個。MRM在靜態(tài)和動態(tài)測試條件下表現(xiàn)優(yōu)于LSTM和Bi-LSTM。

LSTM模型是RNN的一種，由Hochreiter和Schmidhuber于1997年開發(fā)，用于捕獲時間序列數(shù)據(jù)中的模式和關(guān)系，解決傳統(tǒng)RNN的梯度消失問題。Liu等開發(fā)了基于LSTM的框架，預(yù)測載體PEMFC的耐久性，實驗數(shù)據(jù)為1155小時。他們使用定期間隔采樣和LOESS進(jìn)行數(shù)據(jù)重建和平滑，保持?jǐn)?shù)據(jù)完整性。研究表明，LSTM模型預(yù)測PEMFC堆棧的RUL準(zhǔn)確率高達(dá)70.77%，預(yù)測壽命為260小時，接近實際壽命結(jié)束的511小時。

圖13.（a）基于 LSTM RNN 的 RUL 預(yù)后框架 （b）PEMFC 堆棧的降解數(shù)據(jù) （c）LSTM RNN 的預(yù)后結(jié)果

Xu等人利用CNN-LSTM算法，基于恒定和啟停負(fù)載下的實驗數(shù)據(jù)預(yù)測PEM WE的電壓劣化。恒定負(fù)載運行1140小時，啟停負(fù)載運行660小時，以評估算法性能。實驗中每分鐘記錄一次輸出電壓，每1.5分鐘記錄一次，這些數(shù)據(jù)作為CNN-LSTM算法的輸入?yún)?shù)。CNN提取特征，LSTM處理順序信息以預(yù)測性能下降。數(shù)據(jù)經(jīng)Savitzky-Golay濾波預(yù)處理。研究發(fā)現(xiàn)輸出電壓先降后升，歸因于IrO2初始氧化還原循環(huán)。CNN-LSTM在不同負(fù)載條件下預(yù)測準(zhǔn)確，平均絕對誤差分別為0.39 mV和2.1 × 10–2mV，優(yōu)于傳統(tǒng)LSTM模型和GRU。

Wang等人提出BILSTM-AT模型，預(yù)測PEMFC堆在靜態(tài)和動態(tài)負(fù)載下的電壓劣化。24個輸入?yún)?shù)中，隨機森林用于排序?qū)е码妷核p的重要特征。模型性能優(yōu)于其他模型，相對誤差在0.09%到0.29%之間。

其他ML算法如SVM、RVM和LS-SVM也被用于燃料電池降解研究。RVM作為貝葉斯方法，生成稀疏模型，預(yù)測鋰離子電池RUL表現(xiàn)出色。Lee等人應(yīng)用SVM和GPR預(yù)測AEM電壓，通過監(jiān)測時間、電流和功率密度等參數(shù)。算法在輸入數(shù)據(jù)上表現(xiàn)良好，但輸入數(shù)據(jù)偏差大可能導(dǎo)致預(yù)測不準(zhǔn)確。引入廣泛輸入?yún)?shù)是解決這一限制的權(quán)宜之計。ML在PEM FC降解或老化性能研究中應(yīng)用有限，需進(jìn)一步調(diào)查以更好理解系統(tǒng)耐用性和效率。

6結(jié)論

人工智能在燃料電池和電解槽領(lǐng)域的應(yīng)用已顯示出巨大潛力，特別是在MEA優(yōu)化、性能預(yù)測和材料開發(fā)等方面。盡管存在數(shù)據(jù)、模型解釋性等挑戰(zhàn)，但隨著算法進(jìn)步和計算能力提升，AI有望加速這些清潔能源技術(shù)的開發(fā)和商業(yè)化進(jìn)程。未來需要更多研究關(guān)注電解槽的AI應(yīng)用，以及開發(fā)更高效、可解釋的AI模型來推動這一領(lǐng)域的發(fā)展。

參考文獻(xiàn)

Mariah Batool, Oluwafemi Sanumi, Jasna Jankovic,Application of artificial intelligence in the materials science, with a special focus on fuel cells and electrolyzers,Energy and AI,Volume 18,2024,100424,ISSN 2666-5468,https://doi.org/10.1016/j.egyai.2024.100424.