論文の概要: Modeling Membrane Degradation in PEM Electrolyzers with Physics-Informed Neural Networks
- arxiv url: http://arxiv.org/abs/2507.02887v1
- Date: Thu, 19 Jun 2025 15:46:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-13 12:05:57.486739
- Title: Modeling Membrane Degradation in PEM Electrolyzers with Physics-Informed Neural Networks
- Title（参考訳）: 物理インフォームドニューラルネットワークを用いたPEM電解器の膜劣化のモデル化
- Authors: Alejandro Polo-Molina, Jose Portela, Luis Alberto Herrero Rozas, Román Cicero González,
- Abstract要約: プロトン交換膜 (PEM) 電解器は持続可能な水素製造に重要である。
長期的な性能は膜劣化によって妨げられ、信頼性と安全性の課題を引き起こす。
従来の物理学に基づくモデルが開発され、解釈可能性を提供しているが、測定や校正が難しい多くのパラメータを必要とする。
本研究では,PEM電解器の膜劣化をモデル化するための物理インフォームドニューラルネットワーク(PINN)の最初の応用について述べる。
- 参考スコア（独自算出の注目度）: 45.32169712547367
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Proton exchange membrane (PEM) electrolyzers are pivotal for sustainable hydrogen production, yet their long-term performance is hindered by membrane degradation, which poses reliability and safety challenges. Therefore, accurate modeling of this degradation is essential for optimizing durability and performance. To address these concerns, traditional physics-based models have been developed, offering interpretability but requiring numerous parameters that are often difficult to measure and calibrate. Conversely, data-driven approaches, such as machine learning, offer flexibility but may lack physical consistency and generalizability. To address these limitations, this study presents the first application of Physics-Informed Neural Networks (PINNs) to model membrane degradation in PEM electrolyzers. The proposed PINN framework couples two ordinary differential equations, one modeling membrane thinning via a first-order degradation law and another governing the time evolution of the cell voltage under membrane degradation. Results demonstrate that the PINN accurately captures the long-term system's degradation dynamics while preserving physical interpretability with limited noisy data. Consequently, this work introduces a novel hybrid modeling approach for estimating and understanding membrane degradation mechanisms in PEM electrolyzers, offering a foundation for more robust predictive tools in electrochemical system diagnostics.
- Abstract（参考訳）: プロトン交換膜 (PEM) 電解器は持続可能な水素製造に重要であるが、長期的な性能は膜劣化によって妨げられ、信頼性と安全性の課題が生じる。
したがって、この劣化の正確なモデリングは、耐久性と性能の最適化に不可欠である。
これらの問題に対処するために、従来の物理学に基づくモデルが開発され、解釈可能性を提供するが、測定と校正が難しい多くのパラメータを必要とする。
逆に、機械学習のようなデータ駆動型アプローチは柔軟性を提供するが、物理的な一貫性と一般化性の欠如がある。
これらの制約に対処するために、PEM電解器の膜劣化をモデル化するための物理インフォームドニューラルネットワーク(PINN)を初めて適用した。
提案したPINNフレームワークは、2つの常微分方程式を結合し、1つは1次劣化法則による膜薄膜の薄化をモデル化し、もう1つは膜劣化下での細胞電圧の時間的進化を制御した。
その結果、PINNは、ノイズの多いデータで物理的解釈性を保ちながら、長期システムの劣化ダイナミクスを正確に捉えていることがわかった。
その結果、PEM電解器の膜劣化機構を推定・理解するための新しいハイブリッドモデリング手法を導入し、電気化学システム診断におけるより堅牢な予測ツールの基礎を提供する。
関連論文リスト
- Physics-Embedded Neural ODEs for Sim2Real Edge Digital Twins of Hybrid Power Electronics Systems [6.073480880825787]
エッジデジタルツイン(EDT)は電力電子システム(PES)の監視と制御に不可欠である
既存のモデリングアプローチは、PESに固有の継続的な進化するハイブリッドダイナミクスを継続的に捉えるのに苦労している。
本稿では,複合動作機構をイベントオートマトンとして組み込んで,スイッチング離散を明示的に制御する物理埋め込み型ニューラルネットワーク(PENODE)を提案する。
論文 参考訳（メタデータ） (2025-08-04T20:34:13Z) - Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。
われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。
本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
論文 参考訳（メタデータ） (2025-07-15T17:57:48Z) - Physics-Embedded Neural Networks for sEMG-based Continuous Motion Estimation [3.606446851103922]
sEMGに基づく運動推定法は、しばしば、校正が難しい主観特異的筋骨格モデル(MSK)に依存する。
本稿では,解釈可能なMSKフォワード力学とデータ駆動残差学習を組み合わせた新しい物理埋め込みニューラルネットワーク(PENN)を提案する。
論文 参考訳（メタデータ） (2025-06-17T16:07:20Z) - Spatiotemporal Field Generation Based on Hybrid Mamba-Transformer with Physics-informed Fine-tuning [46.67399627400437]
この研究は、訓練されたモデルによる物理場の生成における物理方程式の相当な相違に直面する。
HMT-PFという名称の物理場生成モデルは、ハイブリッドのMamba-Transformerアーキテクチャに基づいて開発されている。
論文 参考訳（メタデータ） (2025-05-16T14:40:56Z) - BPINN-EM-Post: Stochastic Electromigration Damage Analysis in the Post-Void Phase based on Bayesian Physics-Informed Neural Network [2.228763526924048]
本稿では,BPINN-EM-Postと呼ばれる機械学習に基づく新しいフレームワークを提案する。
解析解を用いて損失関数の変数数を減らし,精度の低下を伴わずにトレーニング効率を大幅に改善し,変動効果を自然に組み込む。
論文 参考訳（メタデータ） (2025-03-18T00:31:12Z) - ACCEPT: Diagnostic Forecasting of Battery Degradation Through Contrastive Learning [0.0]
この研究は、基本的なバッテリー劣化モデルを確立し、様々なバッテリータイプと運転条件の信頼性の高い予測を提供する。
我々の新しいフレームワークは、コントラスト学習を用いて、基礎となる物理劣化パラメータと観測可能な操作量との関係をマッピングする。
論文 参考訳（メタデータ） (2025-01-17T12:13:04Z) - Predicting ionic conductivity in solids from the machine-learned potential energy landscape [68.25662704255433]
本稿では, イオン伝導体の迅速かつ信頼性の高いスクリーニング手法として, 普遍的な原子間ポテンシャルの解析手法を提案する。
第一原理計算では,10種中8種が室温で超イオン性であることが確認された。
本手法は, 機械学習電位によって駆動される分子動力学と比較して約50倍の高速化係数を達成し, 第一原理分子動力学に比べて少なくとも3,000倍高速である。
論文 参考訳（メタデータ） (2024-11-11T09:01:36Z) - Physics-Informed Neural Networks for Prognostics and Health Management
of Lithium-Ion Batteries [8.929862063890974]
物理インフォームドニューラルネットワーク(PINN)に基づくモデル融合方式を提案する。
半経験的半物理偏微分方程式(PDE)を開発し、リチウムイオン電池の劣化ダイナミクスをモデル化する。
発見されたダイナミクス情報は、PINNフレームワークのサロゲートニューラルネットワークがマイニングしたものと融合する。
論文 参考訳（メタデータ） (2023-01-02T17:51:23Z) - Enhanced physics-constrained deep neural networks for modeling vanadium
redox flow battery [62.997667081978825]
本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。
ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
論文 参考訳（メタデータ） (2022-03-03T19:56:24Z) - Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。
どちらの手法もエネルギーと基底状態の優れた推定値を提供する。
勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
論文 参考訳（メタデータ） (2020-11-02T19:52:04Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。