論文の概要: Physics-Informed Neural Networks for Real-Time Gas Crossover Prediction in PEM Electrolyzers: First Application with Multi-Membrane Validation

• arxiv url: http://arxiv.org/abs/2511.05879v1
• Date: Sat, 08 Nov 2025 06:41:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.635529
• Title: Physics-Informed Neural Networks for Real-Time Gas Crossover Prediction in PEM Electrolyzers: First Application with Multi-Membrane Validation
• Title（参考訳）: PEM電解器における実時間ガスクロスオーバー予測のための物理インフォームニューラルネットワーク:マルチ膜バリデーションによる最初の応用
• Authors: Yong-Woon Kim, Chulung Kang, Yung-Cheol Byun,
• Abstract要約: 高分子電解質膜(PEM)水電解によるグリーン水素製造は、エネルギー遷移の鍵となる。 現在の物理学に基づくモデルでは、リアルタイム実装を妨げる広範なキャリブレーションと計算資源が必要である。 本稿では,物理インフォームドニューラルネットワーク(PINN)の水素クロスオーバー予測への応用について紹介する。
• 参考スコア（独自算出の注目度）: 2.3704813250344436
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Green hydrogen production via polymer electrolyte membrane (PEM) water electrolysis is pivotal for energy transition, yet hydrogen crossover through membranes threatens safety and economic viability-approaching explosive limits (4 mol% H$_2$ in O$_2$) while reducing Faradaic efficiency by 2.5%. Current physics-based models require extensive calibration and computational resources that preclude real-time implementation, while purely data-driven approaches fail to extrapolate beyond training conditions-critical for dynamic electrolyzer operation. Here we present the first application of physics-informed neural networks (PINNs) for hydrogen crossover prediction, integrating mass conservation, Fick's diffusion law, and Henry's solubility law within a compact architecture (17,793 parameters). Validated across six membranes under industrially relevant conditions (0.05-5.0 A/cm$^2$, 1-200 bar, 25-85{\deg}C), our PINN achieves exceptional accuracy (R$^2$ = 99.84%, RMSE = 0.0348%) with sub-millisecond inference times suitable for real-time control. Remarkably, the model maintains R$^2$ > 86% when predicting crossover at pressures 2.5x beyond training range-substantially outperforming pure neural networks (R$^2$ = 43.4%). The hardware-agnostic deployment, from desktop CPUs to edge devices (Raspberry Pi 4), enables distributed safety monitoring essential for gigawatt-scale installations. By bridging physical rigor and computational efficiency, this work establishes a new paradigm for real-time electrolyzer monitoring, accelerating deployment of safe, efficient green hydrogen infrastructure crucial for net-zero emissions targets.
• Abstract（参考訳）: 高分子電解質膜(PEM)水電解によるグリーン水素生産はエネルギー移行に重要であるが、膜を通した水素のクロスオーバーは安全と経済的生存性に配慮した爆発的限界(4 mol% H$_2$ in O$_2$)を脅かし、ファラダの効率を2.5%削減する。 現在の物理学に基づくモデルは、リアルタイム実装を妨げる広範な校正と計算資源を必要とするが、純粋にデータ駆動のアプローチは、動的電解器の動作に欠かせない訓練条件を超えて外挿することができない。 ここでは, 物理インフォームドニューラルネットワーク(PINN)を水素越流予測に適用し, 質量保存, フィック拡散法則, ヘンリーの溶解度則をコンパクトなアーキテクチャ(17,793パラメータ)内に導入する。 工業的条件下での6つの膜(0.05-5.0 A/cm$^2$, 1-200 bar, 25-85{\deg}C)で検証し, 実時間制御に適したサブミリ秒推論時間(R$^2$ = 99.84%, RMSE = 0.0348%)で, 例外的精度(R$^2$ = 99.84%, RMSE = 0.0348%)を達成した。 注目すべきは、R$^2$ > 86%は、トレーニング範囲よりも2.5倍の圧力でクロスオーバーを予測するときに維持される(R$^2$ = 43.4%)。 デスクトップCPUからエッジデバイス(Raspberry Pi 4)へのハードウェアに依存しないデプロイメントにより、ギガワット規模のインストールに必要な分散安全監視が可能になる。 この研究は、物理的厳密性と計算効率を橋渡しすることにより、リアルタイム電解器監視のための新しいパラダイムを確立し、ネットゼロの排出目標に不可欠な安全で効率的なグリーン水素インフラの展開を加速する。

関連論文リスト

• Machine Learning-Integrated Hybrid Fluid-Kinetic Framework for Quantum Electrodynamic Laser Plasma Simulations [0.0]
  本研究は,機械学習に基づく3次元ハイブリッド流体-粒子・イン・セル(PIC)システムについて紹介する。 この技術は安定領域に流体近似を用いるが、SwitchNetが不安定区間に誘導するとPICソルバを起動する。 このモデルは、決定係数(R2)が0.95以上の精度で予測し、すべてのフィールド成分に対して平均2乗誤差が10-4以下の精度で予測する。
  論文  参考訳（メタデータ） (2025-10-13T09:07:59Z)
• Adaptive Physics-Informed Neural Networks with Multi-Category Feature Engineering for Hydrogen Sorption Prediction in Clays, Shales, and Coals [1.5749416770494706]
  本研究では, 適応型物理インフォームドニューラルネットワーク(PINN)フレームワークを導入し, 水素吸着予測を向上する。 PINNは、アダプティブ・ロス関数とモンテカルロ・ドロップアウトにより、不確実な定量化のために最適化された、多面的な注意を伴うディープ・リザーブ・ネットワークを採用している。 このフレームワークは、粘土鉱物、シェール、石炭をまたいだ堅牢なリソロジー特性を示し、85-91%の信頼性スコアを維持している。
  論文  参考訳（メタデータ） (2025-08-24T19:41:33Z)
• Fast and Generalizable parameter-embedded Neural Operators for Lithium-Ion Battery Simulation [1.099532646524593]
  我々は,Deep Operator Networks (DeepONets), Fourier Neural Operators (FNOs), and a new proposed parameter-embedded Fourier Neural Operator (PE-FNO)の3つの演算子学習サロゲートをベンチマークした。 DeepONetは、一定の動作を正確に再現するが、よりダイナミックな負荷に対処する。FNOはメッシュ不変性を維持し、濃度誤差を1%以下に抑え、すべての負荷タイプで1.7mV以下の電圧平均絶対誤差を発生させる。PE-FNOは16スレッドのSPMソルバよりも約200倍高速に実行される。
  論文  参考訳（メタデータ） (2025-08-11T15:31:23Z)
• Modeling Membrane Degradation in PEM Electrolyzers with Physics-Informed Neural Networks [45.32169712547367]
  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。
  論文  参考訳（メタデータ） (2025-06-19T15:46:49Z)
• Accurate Ab-initio Neural-network Solutions to Large-Scale Electronic Structure Problems [52.19558333652367]
  有限範囲埋め込み(FiRE)を高精度なアブ・イニシアチブ電子構造計算に応用する。 FiREは、ニューラルネットワークの変異モンテカルロ(NN-VMC)の複雑さを$sim ntextel$, the number of electronsによって低減する。 バイオケミカル化合物や有機金属化合物など,様々な課題に対して,本手法の精度を検証した。
  論文  参考訳（メタデータ） (2025-04-08T14:28:54Z)
• Electron-Electron Interactions in Device Simulation via Non-equilibrium Green's Functions and the GW Approximation [71.63026504030766]
  電子-電子(e-e)相互作用は、量子輸送シミュレーションに明示的に組み込まれなければならない。 この研究は、非平衡条件下でのナノデバイスの大規模原子論的量子輸送シミュレーションを報告した最初のものである。
  論文  参考訳（メタデータ） (2024-12-17T15:05:33Z)
• COEFF-KANs: A Paradigm to Address the Electrolyte Field with KANs [5.759388420139191]
  液体電解質の組成に基づいてクーロン効率(CE)を自動的に予測する新しい手法を提案する。 得られた電解質の特徴を多層パーセプトロンまたはコルモゴロフ・アルノルドネットワークに入力してCEを予測する。 実世界のデータセットを用いた実験結果から,本手法はCE予測のためのSOTAを全ベースラインと比較した結果を得た。
  論文  参考訳（メタデータ） (2024-07-24T14:45:25Z)
• Faster spectral density calculation using energy moments [77.34726150561087]
  我々は、最近提案されたガウス積分変換法を、ハミルトニアン系のフーリエモーメントの観点から再構成する。 このフレームワークの主な利点の1つは、計算コストの大幅な削減を可能にすることである。
  論文  参考訳（メタデータ） (2022-11-01T23:57:58Z)
• 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)
• High-Fidelity Machine Learning Approximations of Large-Scale Optimal Power Flow [49.2540510330407]
  AC-OPFは、多くの電力システムアプリケーションにおいて重要なビルディングブロックである。 本稿では, 再生可能エネルギーの普及にともなって, AC-OPFの効率的な近似を実現するための深層学習について検討する。
  論文  参考訳（メタデータ） (2020-06-29T20:22:16Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。