Modeliranje trdo-oksidnih gorivnih celic z uporabo stohastični in razložljivi modelov strojnega učenja

Sistemi na osnovi trdnih oksidnih celic (gorivne celice in elektrolizatorji) so ena najbolj obetavnih vodikovih tehnologij. Ta tehnologija ponuja edinstven način uporabe ene enote tako za proizvodnjo električne energije kot za toploto, to je način SOFC, in proizvodnjo vodika v načinu SOEC. V primerjavi z drugimi tehnologijami gorivnih celic, ki uporabljajo platinaste katalizatorje, sistemi trdnega oksida temeljijo na bogatih in cenovno dostopnih surovinah, npr. niklja, jekla in zagotavljajo visoko fleksibilnost goriva. Poleg tega imajo med tehnologijami gorivnih celic sistemi s trdnim oksidom najvišjo učinkovitost pretvorbe tako v gorivnih celicah kot tudi v režimu elektrolize. Posledično so bili vloženi precejšnji napori v razvoj in optimizacijo trdno-oksidnih sistemov. Vendar pa je široka komercializacija te tehnologije še vedno težava, glavni izzivi pa so degradacija zmogljivosti in morfologije ter povečanje. Zato so vprašanja optimizacije delovanja najpomembnejša. Ker so natančni modeli predpogoj za (spletno) optimizacijo delovanja, je modeliranje dinamike trdnih oksidnih sistemov in napovedovanje prihodnjega obnašanja glavni cilj tega predloga. Modeli strojnega učenja postajajo vse pomembnejši na različnih znanstvenih področjih, ki pretežno uporabljajo prve principe modelov, med katerimi je trdnooksidna tehnologija. Takšni modeli pridobivajo moč pri reševanju težav, ki so zahtevne, to je, kjer modeli prvega principa zahtevajo bodisi znatno sofisticirano merilno opremo za oceno parametrov modela ali pa je osnovno znanje omejeno. Dandanes lahko varno trdimo, da lahko novi pristopi, ki lahko integrirajo osnovno znanje z najsodobnejšimi metodami strojnega učenja, zagotovijo nove načine za reševanje takšnih težav. Ker se niti čisto modeliranje ML niti samo modeli prvega principa ne morejo šteti za zadostne za kompleksne probleme, je cilj raziskati integrirane pristope. Uporaba ozadja domenskega znanja je povsem nova smer, ki lahko zagotovi razložljive podatkovno vodene modele, katerih »žejnost« po podatkih dopolnjuje znanje strokovnjaka. Zdi se, da so trdni oksidni sistemi popolni kandidati za to. Po eni strani je to nastajajoča in hitro razvijajoča se tehnologija. Po drugi strani pa obstajajo resnične časovne, finančne in varnostne omejitve, ki preprečujejo izčrpno testiranje. Posledično smo omejeni na delo samo z omejenimi nabori podatkov. Zato ima lahko uporaba integriranih pristopov, ki temeljijo na podatkih, skupaj z znanjem o domeni dvojne koristi. Najprej lahko izboljša naše razumevanje trdnih oksidnih sistemov. Drugič, dokazal bo, da je združevanje znanja o domeni z metodami ML izvedljiva smer.