基于 Physics-Informed Neural Networks 的 PEM 电解槽膜 degrades 模型
计算工程、金融与科学
2025-07-08 v1 机器学习
摘要
质子交换膜 (PEM) 电解槽是可持续氢气生产的关键技术，但其长期性能受到膜 degrades 的限制，这给可靠性和安全性带来挑战。因此，对该 degrades 进行准确建模对于优化耐久性和性能至关重要。为了解决这些问题，已develop出传统的基于物理的模型，提供可解释性，但需要大量难以测量和校准的参数。相反，数据驱动的方法，如机器学习，提供了灵活性，但可能缺乏物理一致性和可泛化性。为了解决这些限制，本研究提出了首次将 Physics-Informed Neural Networks (PINNs) 应用于 PEM 电解槽膜 degrades 模型的做法。该proposed PINN 框架耦合了两个常微分方程，一个用于通过 first-order degrades 定律建模膜厚度减薄，另一个用于描述在膜 degrades 条件下电池电压的时间演化。结果表明，PINN 在保留物理可解释性的同时，用有限的噪声数据准确捕捉了系统长期 degrades 动力学。因此，本工作为估计和理解 PEM 电解槽中膜 degrades 机制提供了一种新型的混合建模方法，为电化学系统诊断提供了更稳健的预测工具。
引用
@article{arxiv.2507.02887,
title = {Modeling Membrane Degradation in PEM Electrolyzers with Physics-Informed Neural Networks},
author = {Alejandro Polo-Molina and Jose Portela and Luis Alberto Herrero Rozas and Román Cicero González},
journal= {arXiv preprint arXiv:2507.02887},
year = {2025}
}
备注
15 pages, 3 figures, 3 tables