主要成果
Muhammad Own Raza氏らの研究チームは、物理ガイドAIを用いてPEM燃料電池スタックの測定電力を予測するフレームワークを開発した。このモデルは、IEEE PHM 2014 FC1 Ageingデータセット（単一のラボ用燃料電池スタックから得られた65,535件の連続測定ログ）を用いて訓練・評価されており、決定係数（R-squared）0.969、平方根平均二乗誤差（RMSE）0.295ワット、平均絶対誤差率（MAPE）0.097%という極めて高い予測精度を記録した。
技術・詳細
本手法の核心は、物理学的な知見をニューラルネットワークの損失関数に組み込むのではなく、「エンジニアリングされた入力特徴量」として直接ネットワークに供給する点にある。具体的には、以下の第一原理に基づく物理量を計算し、入力として利用している。
- ネルンスト開回路電圧
- バトラー・ボルマー式のタフェル近似による活性化過電圧
- 有効膜抵抗によるオーム損失
- 限界電流定式化による濃度損失
ネットワークアーキテクチャには、256、128、64個のニューロン層を持つ並列密集的構造のTime-Series Mixer（TS-Mixer）を採用した。また、物理モデルだけでは表現できない劣化要因を補完するため、「累積運転時間」および「累積運転時間と電流密度の積」を特徴量に追加している。これにより、時間経過に伴う膜や触媒層の劣化による電圧・電力の低下を正確に捉えることが可能となった。
背景・業界の文脈
燃料電池の出力は、電気化学的プロセスと熱プロセスが複雑に絡み合っており、デバイスの経年劣化に伴ってこれらの挙動が変化するため、リアルタイムでの予測は非常に困難とされてきた。本研究では、モデルが単に自身の生成関数を近似して精度を水増しすることを避けるため、物理方程式から導出した値ではなく、独立した実験的な観測値である「スタック電力（総電圧×電流）」を予測ターゲットに設定し、厳格な検証を行っている。
今後の展望
TS-Mixerを用いた本手法は、LSTM、GRU、Transformer、サポートベクター回帰などの他の6つのモデルと比較して最高の決定係数（0.963）を達成した。特に、再帰型アーキテクチャ（RNN系）よりも高い性能を示したのは、ターゲット信号が短期的なシーケンス依存性よりも、緩やかでほぼ単調な劣化トレンドに支配されているためと考えられる。物理的な整合性をハード制約として強制していないため、訓練データの分布外では物理的に矛盾した予測を出す可能性はあるが、実装と監査が容易なアプローチであるとしている。
元記事: https://bioengineer.org/physics-guided-ai-tracks-fuel-cell-ageing-with-watt-level-precision/
毎週の技術動向レポートを無料でお届け
各分野の分析レポートを読む価値があるかどうか一目で判断できるインフォグラフィックをメールで受け取れます。
📢 メールマガジンに無料登録（週刊・技術動向レポート）
ご登録いただくと、Troy-Technical から週刊で技術動向レポート（メールマガジン）をお届けします。
- 取得したメールアドレス・選択分野は配信目的にのみ使用します。
- 第三者へ提供することはありません。
- 配信はいつでも解除できます（各メール下部のリンクから）。
詳しくはプライバシーポリシーをご覧ください。
登録は1分・いつでも解除できます
