نوآوری مبتنی بر هوش مصنوعی در الکترولیتهای پیل سوختی: مروری بر کاربردهای یادگیری عمیق و یادگیری ماشین
Keywords:
یادگیری ماشین, یادگیری عمیق, پیل سوختیAbstract
توسعهی الکترولیتهای پیل سوختی کارآمد و بادوام برای پذیرش گستردهی این فناوری انرژی پاک، حیاتی است. روشهای سنتی برای کشف و بهینهسازی مواد الکترولیت اغلب زمانبر و نیازمند منابع زیاد هستند. این مقالهی مروری، پیشرفتهای اخیر در بهکارگیری الگوریتمهای یادگیری عمیق و یادگیری ماشین را به منظور سرعت بخشیدن به توسعهی الکترولیتهای نوین پیل سوختی بررسی میکند. این مقاله اصول بنیادین پیلهای سوختی و چالشهای خاص مرتبط با مواد الکترولیت آنها را مورد واکاوی قرار میدهد. مقاله به تفصیل الگوریتمهای مختلف هوش مصنوعی/یادگیری ماشین بهکار گرفته شده در این حوزه، از جمله شبکههای عصبی، ماشینهای بردار پشتیبان، جنگلهای تصادفی و الگوریتمهای ژنتیک را شرح میدهد. از طریق تحلیل مطالعات موردی در انواع مختلف پیلهای سوختی مانند پیلهای سوختی غشاء پلیمری (PEMFC)، پیلهای سوختی اکسید جامد (SOFC) و پیلهای سوختی قلیایی (AFC) این مرور، بهبودهای کمی عملکردِ به دست آمده از طریق رویکردهای مبتنی بر هوش مصنوعی/یادگیری ماشین را برجسته میسازد. علاوه بر این، این مقاله چالشها و محدودیتهای استفاده از AI/ML در این زمینه، مانند در دسترس بودن دادهها و تفسیرپذیری مدل را مورد بحث قرار میدهد و مسیرهای آینده، از جمله یکپارچهسازی با غربالگری با توان بالا (high-throughput screening) و پتانسیل کشف مستقل (خودکار) مواد را کاوش میکند. پتانسیل تحولآفرین هوش مصنوعی در ایجاد انقلابی در توسعهی الکترولیت پیل سوختی برای آیندهی انرژی پایدار، مورد تأکید قرار گرفته است.
Downloads
References
]1[ D. Su, J. Zheng, J. Ma, Z. Dong, Z. Chen, and Y. Qin. (2023, Application of Machine
Learning in Fuel Cell Research. Energies 16(11 .)
]2[ R. Kaiser, C.-Y. Ahn, Y.-H. Kim, and J.-C. Park, "Towards Reliable Prediction of
Performance for Polymer Electrolyte Membrane Fuel Cells via Machine LearningIntegrated Hybrid Numerical Simulations," Processes, vol. 12, p. 1140, 2024.
]3[ H. Liu, H. Guo, Z. Gao, H. Pan, J. Zhen, J. Linghu, et al., "Applications of artificial
intelligence in materials research for fuel cells," AI & Materials, vol. 1, pp. 1-50,
2025.
]4[ Y. Wang, B. Seo, B. Wang, N. Zamel, K. Jiao, and X. C. Adroher, "Fundamentals,
materials, and machine learning of polymer electrolyte membrane fuel cell
technology," Energy and AI, vol. 1, p. 100014 .2020 /01/08/2020 ,
]5[ M. M. Tellez-Cruz, J. Escorihuela, O. Solorza-Feria, and V. Compañ, "Proton
Exchange Membrane Fuel Cells (PEMFCs): Advances and Challenges," Polymers
(Basel), vol. 13, Sep 10 2021.
]6[ S. William, S. Shivank, S. Abhishek, R. Reanna ,O. Mohammed Al, S. Janani, et al.,
"AI-driven design of fluorine-free polymers for sustainable and high-performance
anion exchange membranes," Journal of Materials Informatics, vol. 5, p. 5, 2025.
]7[ M. Mahmoud Nasef and M. H. Habaebi, "Machine Learning for Accelerating
Development of Ion Conducting Membranes for Fuel Cell Applications," Journal of
Applied Membrane Science & Technology, vol. 29, pp. 19-40, 03/27 2025.
]8[ B. Ramasubramanian, R. P. Rao, V. Chellappan, and S. Ramakrishna. (2022,
Towards Sustainable Fuel Cells and Batteries with an AI Perspective. Sustainability
14 .)23(
]9[ M. Batool, O. Sanumi, and J. Jankovic, "Application of artificial intelligence in the
materials science, with a special focus on fuel cells and electrolyzers," Energy and
AI, vol. 18, p. 100424, 2024/12/01/ 2024 .
]10[ E. Tsalapati, C. W. D. Johnson, T. W. Jackson, L. Jackson, D. Low, B. Davies, et al.,
"Enhancing polymer electrolyte membrane fuel cell system diagnostics through
semantic modelling," Expert Systems with Applications, vol. 163, p. 113550,
2021/01/01/ 2021 .
]11[ Y. Baoyin, Z. Xiaohan, T. Chunmei, W. Ning, and Y. Siyu, "How AI guided the
development of green hydrogen production: in the case of solid oxide electrolysis
cell?," Journal of Materials Informatics ,vol. 5, p. 25, 2025.
]12[ M. Szemer, S. Buchaniec, T. Prokop, and G. Brus, "Topology-informed machine
learning for efficient prediction of solid oxide fuel cell electrode polarization,"
Energy and AI, p. 100495, 2025.
]13[ R. Xie, R. Ma, S. Pu, L. Xu, D .Zhao, and Y. Huangfu, "Prognostic for fuel cell based
on particle filter and recurrent neural network fusion structure," Energy and AI, vol.
2, p. 100017, 2020.
]14[ J. Zuo, H. Lv, D. Zhou, Q. Xue, L. Jin, W. Zhou, et al., "Deep learning based
prognostic framework towards proton exchange membrane fuel cell for automotive
application," Applied Energy, vol. 281, p. 115937, 2021.
]15[ L. Vichard, F. Harel, A. Ravey, P. Venet, and D. Hissel, "Degradation prediction of
PEM fuel cell based on artificial intelligence," International Journal of Hydrogen
Energy, vol. 45, pp. 14953-14963, 2020.
]16[ Y. Liu, Z. Yang, Z. Yu, Z. Liu, D. Liu, H. Lin, et al., "Generative artificial
intelligence and its applications in materials science: Current situation and future
perspectives," Journal of Materiomics, vol. 9, pp. 798-816, 2023/07/01/ 2023.
]17[ T. Lombardo, M. Duquesnoy, H. El-Bouysidy, F. Årén, A. Gallo-Bueno, P. B.
Jørgensen, et al., "Artificial Intelligence Applied to Battery Research: Hype or
Reality?," Chemical Reviews, vol. 122, pp. 10899-10969, 2022/06/22 2022.
]18[ L. A. Briceno-Mena, G. Venugopalan, J. A. Romagnoli, and C. G. Arges, "Machine
learning for guiding high-temperature PEM fuel cells with greater power density,"
Patterns, vol. 2, 2021.
]19[ M. H .Golbabaei, M. Saeidi Varnoosfaderani, A. Zare, H. Salari, F. Hemmati, H.
Abdoli, et al., "Performance Analysis of Anode-Supported Solid Oxide Fuel Cells:
A Machine Learning Approach," Materials, vol. 15, p. 7760, 2022.
]20[ E. Melo, J. Peñafiel, J. Barzola-Monteses, and M. Espinoza-Andaluz, "An Initial
Approach About Data Preprocessing Techniques Applied to Polymer Electrolyte
Fuel Cells: A Case Study," in Communication, Smart Technologies and Innovation
for Society, Singapore, 2022, pp. 53-64.
]21[ G. D’Silva, E. Mahmood, R. Jervis, and S. Zhou, "Generalised Fault Diagnostics of
Polymer Electrolyte Fuel Cells Using Machine Learning," 2025.
]22[ S. Zhang, S. Hess, H. Marschall, U. Reimer, S. Beale, and W. Lehnert,
"openFuelCell2: A new computational tool for fuel cells, electrolyzers, and other
electrochemical devices and processes," Computer Physics Communications, vol.
298, p. 109092, 2024/05/01/ 2024.
]23[ B. Elmegreen, H. F. Hamann, B. Wunsch, T. Van Kessel, B. Luan, T. Elengikal, et
al., "MDLab: AI frameworks for carbon capture and battery materials," Frontiers in
Environmental Science, vol. 11, p. 1204690, 2023.
]24[ H. Tran, K.-H. Shen, S. Shukla, H.-K. Kwon, and R. Ramprasad, "InformaticsDriven Selection of Polymers for Fuel-Cell Applications," The Journal of Physical
Chemistry C, vol. 127, pp. 977-986, 2023/01/19 2023.
]25[ B. Wang, B. Xie, J. Xuan, and K. Jiao, "AI-based optimization of PEM fuel cell
catalyst layers for maximum power density via data-driven surrogate modeling,"
Energy Conversion and Management, vol. 205, p. 112460, 2020/02/01/ 2020.
]26[ R. M. Ghoniem, T. Wilberforce, H. Rezk, S. As’ad, and A. Alahmer, "Boosting
Power Density of Proton Exchange Membrane Fuel Cell Using Artificial Intelligence
and Optimization Algorithms," Membranes, vol. 13, p. 817, 2023.
]27[ M. H. Golbabaei, M. Saeidi Varnoosfaderani, A. Zare, H. Salari, F. Hemmati, H.
Abdoli, et al., "Performance Analysis of Anode-Supported Solid Oxide Fuel Cells:
A Machine Learning Approach," Materials (Basel), vol. 15, Nov .2022 3
]28[ A. Baldinelli, L. Barelli, G. Bidini, F. Bonucci, and F. C. Iskenderoğlu, "Regarding
Solid Oxide Fuel Cells Simulation through Artificial Intelligence: A Neural
Networks Application," Applied Sciences, vol. 9, p. 51, 2019.
]29[ J. Park and J .Lee, "Performance Prediction of Alkaline Fuel Cell Via Gradient
Boosting Algorithm," ECS Meeting Abstracts, vol. MA2022-01, p. 1508, 2022/07/07
2022.
]30[ Z. Niu, W. Zhao, H. Deng, L. Tian, V. J. Pinfield, P. Ming, et al., "Generative
Artificial Intelligence for Designing Multi-Scale Hydrogen Fuel Cell Catalyst Layer
Nanostructures," ACS Nano, vol. 18, pp. 20504-20517, 2024/08/06 2024.
]31[ A. Mondal, J. M. Young, T. A. Barckholtz, G. Kiss, L. Koziol, and A. Z.
Panagiotopoulos, "Genetic Algorithm Driven Force Field Parameterization for
Molten Alkali-Metal Carbonate and Hydroxide Salts," Journal of Chemical Theory
and Computation, vol. 16, pp. 5736-5746, 2020/09/08 2020.
