論文の概要: Performance Monitoring of Proton Exchange Membrane Water Electrolyzer by Transformers-Based Machine Learning Model

• arxiv url: http://arxiv.org/abs/2605.19107v1
• Date: Mon, 18 May 2026 20:49:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:08.984251
• Title: Performance Monitoring of Proton Exchange Membrane Water Electrolyzer by Transformers-Based Machine Learning Model
• Title（参考訳）: 変圧器を用いた機械学習モデルによるプロトン交換膜水電解器の性能モニタリング
• Authors: Bingqing Chen, Ivan Batalov, Qiu Chen, Weiqi Ji, Lei Cheng,
• Abstract要約: グリーン水素は、2030年までに560GWまでスケールする能力が予想される脱炭酸に不可欠な役割を担っている。 本稿では,通常の動作中に仮想電気化学特性を解析する機械学習フレームワークを提案する。 パッチベースのシーケンストークン化にヒントを得て、入力をパッチに分割し、それらをエンコードして意味のあるトークンを形成する。
• 参考スコア（独自算出の注目度）: 6.608674167337045
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Green hydrogen plays an essential role in decarbonization, with capacity projected to scale to 560 GW by 2030 (vs. 1.39 GW in 2023) in net-zero settings. Proton exchange membrane (PEM) electrolysis is one of the most promising technology routes to green hydrogen production, and real-time system health monitoring of PEM electrolyzers is essential for their scalable deployment. In lab settings, performance degradation can be characterized through electrochemical testing protocols by periodic pauses of normal operation. Such interruption is not practical for full-scale stack deployments, limiting system operators' ability to make real-time assessments of state-of-health (SoH). We present a machine learning (ML) framework that performs virtual electrochemical characterization during normal operation. The method uses an encoder-decoder transformer, conditioned on operational data, to reconstruct characterization outputs, focusing here on polarization curves. Inspired by patch-based sequence tokenization, we segment the inputs into patches and encode them to form meaningful tokens, which substantially improves learning efficiency. Across four longitudinal runs, lasting up to 478 hours on different test cells and loading cycles, the model accurately reconstructed polarization curves and achieved 10x reduction in mean squared error (MSE) compared to a vanilla transformer. This proof-of-concept demonstrates that ML models can enable continuous performance monitoring for PEM electrolyzers and that the encoder captures meaningful latent representations of SoH, opening up opportunities to derive interpretable indicators in future work.
• Abstract（参考訳）: グリーン水素は、2030年までに560 GW (vs. 1.39 GW in 2023)までスケールする能力が予想され、脱炭酸に不可欠な役割を担っている。 プロトン交換膜 (PEM) 電解は, グリーン水素製造における最も有望な技術経路の1つである。 実験室では、通常の動作の周期的停止による電気化学的試験プロトコルによって性能劣化を特徴付けることができる。 このような中断は、フルスケールのスタックデプロイメントには実用的ではなく、システムオペレーターが状態をリアルタイムに評価する能力を制限する(SoH)。 本稿では,通常の動作中に仮想電気化学特性を評価する機械学習(ML)フレームワークを提案する。 この方法は、演算データに条件付けされたエンコーダ・デコーダ変換器を用いて特性出力を再構成し、偏光曲線に焦点をあてる。 パッチベースのシーケンストークン化にヒントを得て、入力をパッチに分割し、意味のあるトークンにエンコードすることで、学習効率を大幅に向上する。 異なる試験セルと負荷サイクルで最大478時間持続する4回の連続走行で, 偏光曲線を正確に再構成し, バリラトランスと比較して平均2乗誤差(MSE)を10倍低減した。 この概念の証明は、MLモデルがPEM電解器の連続的な性能モニタリングを可能にし、エンコーダがSoHの有意義な潜在表現をキャプチャし、将来の作業で解釈可能な指標を導出する機会を開くことを証明している。

関連論文リスト

• GEGLU-Transformer for IMU-to-EMG Estimation with Few-Shot Adaptation [3.2245472558257315]
  ウェアラブル慣性測定から連続筋活性化エンベロープを再構築する適応型IMU-to-EMG学習フレームワークを提案する。 結果は、注意に基づくアーキテクチャと軽量適応を併用して、直接EMGセンシングに代わる実用的でスケーラブルな代替品としてサポートしている。
  論文  参考訳（メタデータ） (2026-04-28T14:02:54Z)
• SCALE:Scalable Conditional Atlas-Level Endpoint transport for virtual cell perturbation prediction [46.645872209565574]
  仮想セル摂動予測のための大規模基盤モデルを提案する。 まず、データスループットを大幅に改善するBioNeMoベースのトレーニングおよび推論フレームワークを構築します。 第二に、摂動予測を条件付き輸送として定式化し、それをセットアウェアフローアーキテクチャで実装する。 第3に,生物学的に有意な指標に基づく厳密なセルレベルプロトコルを用いて,Tahoe-100Mのモデルを評価する。
  論文  参考訳（メタデータ） (2026-03-18T05:51:08Z)
• A Robotic Testing Platform for Pipelined Discovery of Resilient Soft Actuators [63.07587517846448]
  本稿では,DEA寿命をスキャンできる新しいテストロボットによって実現された最適化パイプラインを提案する。 ロボットは、電気機械特性測定、プログラム可能な電圧入力、マルチチャネルテスト能力を統合する。 これを用いて,入力電圧等級,周波数,電極物質濃度,電気接続フィラーなど,Elastosil系リニアアクチュエータの寿命を走査した。
  論文  参考訳（メタデータ） (2026-02-24T14:41:28Z)
• From Static Spectra to Operando Infrared Dynamics: Physics Informed Flow Modeling and a Benchmark [67.29937933325849]
  Operando IR Predictionは、1つの静的スペクトルからスペクトル指紋の時間分解進化を予測することを目的としている。 OpIRSpec-7Kは、10の異なるバッテリーシステムにわたる7,118の高品質なサンプルで構成されている。 ABCCは最先端の静的、シーケンシャル、および生成的ベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-02-20T18:58:43Z)
• Physics-Informed Neural Networks for Real-Time Gas Crossover Prediction in PEM Electrolyzers: First Application with Multi-Membrane Validation [2.3704813250344436]
  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。
  論文  参考訳（メタデータ） (2025-11-08T06:41:39Z)
• Scaling and Distilling Transformer Models for sEMG [45.62920901482346]
  表面筋電図(sEMG)信号は、革新的なヒューマン・コンピュータ・インタフェースを開発する上で有望な道を提供する。 デプロイメント中のトレーニングデータと計算制約の制限は、sEMGタスクを解決するためのモデルサイズのスケールアップに関する調査を制限している。 我々は,バニラトランスモデルをsEMGデータ上で効果的にスケールアップし,ユーザ間性能を最大110Mパラメータに向上できることを実証した。
  論文  参考訳（メタデータ） (2025-07-29T13:41:59Z)
• 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)
• Biomembrane-based Memcapacitive Reservoir Computing System for Energy Efficient Temporal Data Processing [0.0]
  貯留層コンピューティングは、時間データを処理するための非常に効率的な機械学習フレームワークである。 ここでは, 揮発性生体膜を用いた膜キャパシタを用いて, 短期シナプス可塑性機能を貯水池として密に再現する。 本システムは,2次非線形回帰タスクにおいて,音声桁分類の精度99.6%,正規化平均2乗誤差7.81*10-4を達成する。
  論文  参考訳（メタデータ） (2023-05-19T22:36:20Z)

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。