في خطوة مثيرة نحو تحسين تكنولوجيا خلايا الوقود والأقطاب الكهربائية، قام فريق من الباحثين بتطوير نموذج ذكاء اصطناعي يعتمد على تقنيات التعلم العميق، والذي قادر على تقدير توزيع أوقات الاسترخاء (Distribution of Relaxation Times - DRT) من بيانات التحليل الكهروكيميائي (Electrochemical Impedance Spectroscopy - EIS). هذا النموذج يعد بمثابة ثورة في مجال التحليل الكهروكيميائي، حيث يحل مشكلة عكسية معقدة تتمثل في حساسية التقديرات لاختيارات التنظم.
يعمل النموذج، الذي يُطلق عليه اسم "النموذج المعتمد على الفيزياء" (Physics-informed Autoencoder)، على تقدير DRT مباشرةً من بيانات EIS دون الحاجة إلى ضبط مُعينات الطيف. وقد تم دمج علاقة مُجزأة بين المقاومية و DRT في عملية التدريب لضمان أن التوزيعات الناتجة تتماشى مع القياسات الفعلية.
أظهر النموذج دقة عالية في معالجة البيانات من ثلاث مجموعات بيانات مستقلة لخلايا الوقود والأقطاب الكهربائية، حيث انخفضت نسبة الأخطاء إلى أقل من 1.1%. والأكثر إثارة للاهتمام أن تحليل "مسبار الديكودر" يُظهر أن التمثيل الكامن الذي تم تعلمه من البيانات يُنظم وفقًا لمدى أوقات الاسترخاء.
هذا النموذج خفيف الوزن يُطبق عبر جميع مجموعات البيانات دون أي تعديلات، مما يوفر تقديرات متسقة لدروس التوزيع ويخلق أساسًا واضحًا لمراقبة الحالة على المدى الطويل. مع تسجيل تغييرات في العمليات، وأحداث نقص الهيدروجين، مما يجعل هذا الابتكار فريدًا في مجاله.
ابتكار ثوري: نموذج ذكاء اصطناعي لتقدير توزيع أوقات الاسترخاء من البيانات الكهروكيميائية!
تمكن باحثون من تطوير نموذج ذكاء اصطناعي مبتكر يستخدم التعلم المعزز لتقدير توزيع أوقات الاسترخاء من بيانات التحليل الكهروكيميائي، مما يعزز مراقبة الحالة في خلايا الوقود والأقطاب الكهربائية. تضمن هذا النموذج دقة مبهرة وأخطاء منخفضة.
المصدر الأصلي:أركايف للذكاء
زيارة المصدر الأصلي ←جاري تحميل التفاعلات...