阿曼尼·克鲁达 | 努夫·K·阿尔-萨利姆 | 阿赫拉姆·阿尔莫泰里 | 法乌齐亚·阿尔哈吉里 | 阿卜杜勒克里姆·齐图尼 | 哈利法·斯利米 | 哈坎·F·厄兹托普
沙特阿拉伯马杰马大学祖尔菲学院科学系化学系，11952
**摘要**
向氢能经济的转型需要对电解槽（ELs）和燃料电池（FCs）等电化学设备进行先进的优化。本文概述了从传统的、计算密集型的基于物理的建模方法向人工智能（AI）和机器学习（ML）框架的转变。文章详细介绍了AI/ML架构如何通过替代模型实现实时性能预测、预测性健康管理（PHM）以自动化故障诊断，以及用于提高运行效率的自适应控制策略。此外，还分析了新兴的混合策略，即结合物理定律的物理信息神经网络（PINNs），以增强模型的鲁棒性和数据效率。尽管已经取得了显著进展，但仍存在一些关键障碍，包括数据稀缺、深度学习（DL）的“黑箱”性质，以及将实验室规模的见解扩展到工业系统的复杂性。通过标准化数据协议和可解释AI（XAI）来解决这些差距对于部署可靠且经济可行的氢能技术至关重要。
**引言**
向氢能经济的转型依赖于电解槽（产生氢气）和燃料电池（将其转化为电能）等电化学设备的性能和寿命。虽然传统的基于物理的模型一直是标准，但人工智能（AI）和机器学习（ML）现在成为克服成本和效率持续挑战的新趋势（Wang等人[1]；Yang等人[2]；Meraghni等人[3]；Chen等人[4]）。
采用AI/ML是由于传统计算方法的局限性。众所周知，多物理问题的高保真模拟通常计算成本高昂且速度缓慢，而经过训练的ML替代模型可以实现毫秒级的预测，从而实现实时优化。此外，像人工神经网络（ANNs）这样的AI技术能够成功模拟电化学设备的复杂和非线性行为，从而实现预测性维护。例如，长短期记忆网络（LSTMs）算法可以准确预测燃料电池堆的剩余使用寿命（RUL），从而允许及时干预并显著减少空闲时间（Mao等人[5]；Briceno-Mena等人[6]；Wang等人[7]）。实际上，LSTM的能力正在被应用于解决电化学设备中出现的关键优化问题。此外，AI还通过寻找更便宜、高性能的催化剂来加速材料发现，这是任何电化学设备的重要组成部分。然而，强化学习（RL）允许优化组件之间的实时能量管理。在运行控制中，使用ANNs的自适应系统通过维持理想的温度和湿度来帮助预防故障。PINNs结合科学原理和数据，更好地模拟组件的长期退化。这些方法共同促进了智能、耐用且成本效益高的氢能技术的开发（Kabir等人[9]；Zhu等人[10]；Ko等人[11]）。
众所周知，与电解槽和燃料电池等电化学设备相关的传统基于物理的模型难以处理其非线性和多物理性质。因此，优化这些设备对于绿色氢能经济至关重要。虽然AI和ML提供了实时优化的途径，但仍存在根本性差距。主要挑战在于平衡电化学设备（如PEM、碱性和SOEC系统）的成本、耐用性和效率。在间歇性可再生能源供应下，这些设备的性能会下降，因为电流控制是反应性的而非预测性的。同样，燃料电池的性能对操作条件和水淹敏感，但传统模型在实时优化基于燃料电池的电动汽车方面计算耗时过长，导致效率显著降低和快速退化（Makki Abadi和Rashidi [12]；Nguyen等人[13]；Kermansaravi等人[14]；Wang等人[15]）。
影响AI在工业应用中采用的关键因素包括：首先，高质量、长期实验数据的数据集很少，大多数模型依赖于可能无法反映现实世界噪声和故障的生成数据；其次，纯数据驱动的“黑箱”模型缺乏物理可解释性；通过物理信息ML整合法拉第定律或能斯特方程等基本定律仍然很少；第三，优化涉及微观、介观和宏观尺度，而AI研究活动分散，缺乏统一的数字孪生体来帮助连接这些不同的研究层次；最后，准确动态预测电化学设备的健康状态很困难。当前的AI模型在可变负载下表现不佳，而RL已经开发出来以实现实时控制，从而主动减缓退化（Fassi等人[16]；Al-Shetwi等人[17]；Fan等人[18]）。
从以往的文献综述来看，从传统的优化工具转向基于AI的优化工具可以为电解槽和燃料电池带来多重显著收益：从缓慢、固定和定期的维护转变为即时、自适应和预测性的管理。然而，这取决于弥合数据、多物理方面的整合、不同尺度建模以及动态耐用性预测的关键差距。
将AI和ML整合到电解槽和燃料电池系统的优化中标志着从经验方法向数据驱动方法的显著转变。一方面，其主要范围从原子级别的材料发现（例如寻找成本效益高的催化剂和设计多孔微结构）扩展到广泛的系统应用，如性能预测、退化估计以及通过RL和数字孪生体（DT）实现实时自适应控制。另一方面，该领域的研究往往受到限制，研究人员通常仅限于模拟特定化学系统（如PEM或固体氧化物系统），分析稳态操作，并假设理想化条件，因此排除了这些系统的现实世界复杂性和瞬态行为。
尽管存在技术障碍，包括实验数据稀缺和噪声、DL模型的“黑箱”性质、超出训练数据范围的外推能力差以及高计算成本，但AI驱动的优化承诺带来多重显著收益。它们可以提高效率，实现预测性维护，并将开发周期从多年缩短到几个月。虽然AI在氢能技术中的应用引起了学术界的极大兴趣，但现有的综述通常只关注氢能价值链的孤立部分或特定的AI子方法。表1提供了与主要最新综述的比较。
早期的工作在特定领域奠定了重要基础。例如，Patil等人[19]专注于AI驱动的安全性，而Fayyazi等人[20]提供了针对燃料电池车辆的能源管理系统的全面分析。Feng等人[21]提供了氢能生命周期中DT技术的宝贵高级概述，指出了实时监控的潜力。在材料层面，Ding等人[22]代表了使用深度学习和密度泛函理论（DFT）进行电催化剂发现的最新进展。然而，这些工作往往只关注氢能循环的单一部分。
本文的三个核心贡献使其与众不同：
- **技术统一**：与之前的调查不同，我们提供了一个统一的AI框架，将水电解槽（WE）和燃料电池（FC）联系起来。通过将它们视为双向电化学生态系统，我们确定了可用于共享退化机制和热管理的可转移AI架构。
- **强调混合物理信息学习**：超越纯数据驱动的方法，本文强调将物理领域知识（如电化学动力学和质量传输方程）整合到神经网络架构中。这解决了工业氢能应用中对可解释性和安全保障的关键需求。
- **系统级视角**：我们从组件级分析转向整体系统级协调。这包括探索AI在行业耦合中的作用，以及将氢能系统整合到波动的可再生能源电网中，为大规模部署提供了路线图。
除了众所周知的数据稀缺和模型可解释性挑战外，AI在氢能基础设施中的部署还涉及额外的结构和运营障碍，需要明确讨论。
多站点数据的异质性是AI驱动的电解槽模型可扩展性的主要障碍。不同部署站点之间的电解槽架构、传感器配置和操作环境的差异会导致数据系统分布的变化，使得通用模型的开发变得复杂。正如Askr等人[23]所指出的，这种异质性通常需要针对特定站点进行重新训练或迁移学习策略，以保持预测可靠性。
- **缺乏标准化基准**：该领域缺乏针对电解槽AI应用的开源、标准化基准数据集，这限制了客观、可重复的性能比较的范围。Cotet等人[24]指出，专有或模拟衍生的数据集是可重复性弱的来源，这阻碍了性能标准的统一，并削弱了DT验证工作的可信度。
- **在安全关键环境中的验证**：与传统的AI应用不同，氢能系统在高压、高风险条件下运行，模型故障会带来严重的物理后果。这要求严格的验证标准，超出了标准精度指标的范围。Cotet等人[24]和Baseer等人[25]都强调了需要不确定性意识的验证协议，以确保AI驱动的决策受物理约束的限制，不危及安全逻辑，从而推动向物理信息型和容错AI架构的转变。
本文的主要目标是提供对应用于电解槽和燃料电池系统的AI/ML领域的全面分析，这些系统是绿色氢能经济的基础。通过建立从监督学习到PINNs的方法分类，本文旨在映射用于关键优化挑战的具体算法。这不仅包括材料发现，还包括运行控制和退化诊断。此外，本文还批判性地评估了当前模型的“黑箱”性质，强调了可解释性的迫切需求以及整合物理定律以克服数据稀缺的问题。
提出的结构首先确定了从传统机械建模到数据驱动方法的思想转变，以成本、效率和耐用性等关键性能指标为依据。重点将放在AI方法上，突出RL如何实现实时自适应控制，而生成模型如何促进催化剂设计和微结构。然后，这些方法应用于特定领域：从动态响应的角度分析电解槽，而燃料电池讨论则关注复杂的水和热管理策略。最后几节讨论了从实验室规模数据到工业规模应用的交叉挑战。本文以对数字孪生体和自主实验室的前瞻性视角结束，其中AI驱动的机器人实验加速了研发周期。本文将AI/ML不仅视为辅助工具，还视为全球氢能经济经济和技术可行性的不可或缺的驱动力。
**电解槽和燃料电池系统中AI应用的分类**
电解槽和燃料电池系统中AI应用的分类围绕一个共同的系统组件焦点组织，分为两个主要领域：电解槽和燃料电池（图1）。在每个领域内，确定了四个反复出现的AI方法类别。替代建模包括高保真模型仿真（CFD/FEA）、实时性能预测和参数识别，作为昂贵模拟的计算高效替代方案。
**电解槽和燃料电池的原理**
电解槽和燃料电池是通过可逆氧化还原化学反应将电能和化学能分别转化为氢气和电能的电化学设备，这对于希望详细了解氢能系统的研究人员至关重要。尽管它们的功能模式相反，但两者具有相似的电化学结构和控制原理，包括电极、电解质和离子导电膜。
**性能预测和替代建模**
AI/ML在电化学系统中的一个主要且非常成功的应用是开发数据驱动的替代模型。这些模型作为精确物理模型（如CFD模拟、能斯特-普朗克离子传输、Butler-Volmer反应动力学和耦合热/质量传输方程）或复杂实验数据集的计算高效近似（Allal等人[161]；Şenol等人[162]；Liu等人[163]）。虽然高保真模型提供了详细的信息，但数据稀缺、质量和标准化方面的结构限制限制了AI/ML在电解槽和燃料电池系统中的应用。这些维度不是独立的，标准化缺陷阻碍了现有数据集的整合，实际上放大了明显的稀缺性；数据噪声或标签不一致也是一个问题。
**AI在电解槽系统中的应用**：在工业绿色氢能生产中，从静态控制策略向基于RL的框架的转变大大缓解了与可变可再生能源（特别是风能和太阳能）相关的间歇性问题[25]。与基于规则的控制器不同，强化学习（RL）代理可以在毫秒级别调整电解参数，从而能够实时优化以应对电价波动和电网需求信号。这种能力是静态控制方法所不具备的。
**关键发现的综合**
将人工智能（AI）和机器学习（ML）整合到燃料电池（FC）和电解（EL）系统中，标志着氢能技术的建模、控制和维护方式发生了根本性转变。这种转变不仅仅是渐进式的改进，而是重新定义了工程范式：曾经作为系统设计唯一框架的基于物理的模型，正在被能够实现实时适应和预测智能的混合式、数据驱动的架构所取代。
**推动这一变革的三大趋势**
1. 替代模型的发展
2. 数据驱动的决策机制
3. 实时优化算法的进步
**作者贡献声明**
Amani Chrouda：撰写——审稿与编辑、撰写——初稿、可视化、验证、方法论、研究、形式分析、概念化
Nouf K. Al-Saleem：撰写——初稿、研究
Ahlam Almoteiry：方法论、形式分析
Fawziah Alhajri：撰写——初稿、方法论、研究
Abdelkrim Zitouni：撰写——初稿、指导
Khalifa Slimi：撰写——审稿与编辑、撰写——初稿、可视化、验证
**利益冲突声明**
作者声明他们没有已知的财务利益冲突或可能影响本文工作的个人关系。
**致谢**
作者（A. Chrouda）感谢Majmaah大学研究生院和科学研究部通过项目编号R-2026-204对本研究的资助。
作者们还要衷心感谢审稿人的宝贵意见和帮助。毫无疑问，他们的贡献使我们的原始手稿在质量和形式上得到了显著提升。
