نماذج الانتشار تمكّن من التنبؤ عالي الدقة لطيف ممانعة خلية الوقود من ملفات زمنية قصيرة

الاستماع لخلية الوقود في الزمن الحقيقي

تعد خلايا الوقود ذات غشاء تبادل البروتون وسيلة واعدة لتشغيل السيارات وأنظمة الطاقة الاحتياطية بدون انبعاثات من العادم، لكن عمرها قد يكون أقل مما نرغب. يتمنى المهندسون أن «يستمعوا» لما يحدث داخل هذه الأجهزة، لالتقاط علامات مبكرة للمشكلات مثل الجفاف أو الفيضان أو نقص الأكسجين. أداة استماع قوية متاحة بالفعل — طيف الممانعة الكهروكيميائية — لكنها بطيئة ومكلفة للقياس في الميدان. تُظهر هذه الورقة العلمية كيف يمكن لنوع جديد من الذكاء الاصطناعي، يسمى نموذج الانتشار، أن يعيد بناء تلك البصمة الداخلية الغنية من بيانات حسّاسات بسيطة التي تنتجها خلايا الوقود بالفعل.

لماذا قياس بصمة خلية الوقود صعب

يعمل طيف الممانعة مثل فحص شامل لخلية الوقود. من خلال اختبار كيفية استجابة الخلية لنبضات كهربائية صغيرة عبر ترددات عديدة، يمكن للباحثين فصل الخسائر المرتبطة بحركة البروتون عبر الغشاء، وسرعة التفاعلات السطحية، وتدفق الغازات والماء. اليوم، يتطلب جمع هذه المعلومات أجهزة مختبرية متخصصة، ووقت اختبار طويل، وظروف مضبوطة بعناية، مما يجعلها غير عملية للمركبات أو مجموعات الخلايا العاملة في العالم الحقيقي. الأساليب الأسرع التي تضخ إشارات أكثر تعقيدًا لا تزال تتطلب إلكترونيات متقدمة وضبطًا دقيقًا. لذلك تعتمد الصناعة غالبًا على قياسات أبسط، مثل منحنيات الجهد–التيار، وتفقد الرؤية التفصيلية التي يمكن أن يوفرها الطيف.

تعليم الذكاء الاصطناعي لإعادة بناء الطيف الخفي

يقترح المؤلفون مسارًا مختلفًا: بدلًا من قياس الطيف الكامل مباشرة، يتنبأون به من تدفقات زمنية قصيرة لإشارات سهلة الجمع، مثل التيار والجهد ودرجات الحرارة والضغوط ونسب تدفق الغازات. يستخدمون نموذج انتشار، وهو تقنية توليدية في الذكاء الاصطناعي معروفة أكثر بإنشاء الصور، ويكيّفونه لبيانات كهربائية أحادية البعد. أثناء التدريب، يتعلم النموذج عكس الضوضاء الاصطناعية التي أضيفت خطوة بخطوة إلى أطياف الممانعة الحقيقية. يخدم شبكة عصبية مبنية على المحوّل (Transformer) — مصممة أصلاً لمهام اللغة — كعمود فقري، مستخدمة آلية الانتباه لالتقاط العلاقات طويلة المدى داخل مدخلات السلاسل الزمنية وبين المدخلات والأطياف. بعد التدريب، يبدأ النظام من الضوضاء ويُجري عملية «إزالة الضوضاء» بالتدرج ليصل إلى طيف متوقع يتوافق مع تاريخ الحساس الوارد.

بناء مجموعات بيانات كبيرة من خلايا وقود حقيقية

لجعل هذا العمل ممكنًا، جمعت الفريق ما يصفونه بأكبر مجموعة مفتوحة من بيانات ممانعة خلايا الوقود حتى الآن. اختبروا ثنائيتي خلايا مفردة من طقم الغشاء–القطب الناقل لكل منهما تصميم مجرى تدفق مختلف، بالإضافة إلى مجموعتين بقدرة مصنفة 30 كيلوواط و9 كيلوواط. عبر هذه الأجهزة، بدّلوا ظروف التشغيل مثل كثافة التيار، وضغوط الدخل، ودرجات الحرارة، ونسب الغازات، وقدموا أعطالًا مسيطراً عليها تتضمن تجفيف الغشاء، والفيضان، ونقص الهواء. لكل حالة سجلوا ملفات زمنية قصيرة من الحساسات القياسية ثم قاسوا الأطياف الكاملة عبر نطاق ترددي واسع. بالمجمل جمعوا أكثر من 5700 مثال مزدوج، استخدموها للتدريب وللاختبار الصارم لنموذجهم.

ما مدى «استماع» الذكاء الاصطناعي للخلية

عند التقييم على بيانات غير مرئية سابقًا، تنبأت الطريقة القائمة على الانتشار بأطياف كاملة بأخطاء حول أو أقل من واحد بالمئة للعديد من الحالات، مستخدمة فقط الـ100 ثانية السابقة من تاريخ الحساسات المأخوذة بمعدل عينات ثانية واحدة. تفوقت على عدة بدائل، بما في ذلك شبكات الذاكرة الطويلة قصيرة الأمد (LSTM) ونماذج المحوّل الصرفة، مقصية الأخطاء النسبية الوسيطة بما يصل إلى نحو 37%. ظلّت الطريقة دقيقة إلى حد معقول عند إضافة ضوضاء صناعية إلى إشارات الإدخال، وتدهورت بشكل تدريجي عندما أُزيلت بعض الحساسات — وهو أمر مهم للتطبيقات الحساسة للتكلفة. كما قارن المؤلفون طرقًا مختلفة لدمج البصيرة الفيزيائية، مثل التنبؤ أولًا بمعاملات نموذج الدارة مقابل التنبؤ بالطيف مباشرة، ووجدوا أن التنبؤ بالطيف مباشرة كان أكثر موثوقية.

تحويل التنبؤات إلى مؤشرات صحة قابلة للاستخدام

الأطياف الدقيقة مفيدة فقط إذا كشفت شيئًا عن حالة خلية الوقود. أظهر الفريق أن الأطياف المولّدة بواسطة نموذجهم يمكن تغذيتها إلى أدوات التحليل المعتمدة لاستخراج كميات مثل المقاومة الأومية، والخسائر المرتبطة بالتفاعلات، وحدود نقل الكتلة — أرقام تتتبع ترطيب الغشاء، وأداء المحفز، وتوصيل الأكسجين. طابقت هذه الخسائر المستنتجة القيم المستقاة من الأطياف المقاسة بما يكفي لتمييز أنماط التشغيل الطبيعية عن الأعطال المتطورة. يناقش المؤلفون أيضًا كيف أن دمج مثل هذه المؤشرات المستندة إلى الممانعة مع محاكيات فيزيائية مفصلة أو تقنيات تصوير متقدمة قد يوفر مستقبلًا تقديرات مباشرة لمتغيرات داخلية مثل محتوى الماء أو تركيز الأكسجين، مما يمكّن استراتيجيات تحكم أذكى.

ماذا يعني هذا لأجهزة الطاقة النظيفة

بعبارة بسيطة، يوضح هذا العمل أن نموذج ذكاء اصطناعي يمكنه إعادة بناء «صوت» الخلية الكهربائية المعقد من الإشارات البسيطة التي توفرها حسّاساتها المدمجة بالفعل. هذا يجعل من العملي أكثر بكثير مراقبة الإجهاد الداخلي، وتشخيص الأعطال مبكرًا، وإدارة التشغيل لإبطاء التدهور، كل ذلك دون إضافة معدات قياس ضخمة أو مكلفة. إذا اعتمد على نطاق واسع وامتد إلى أنظمة كهروكيميائية أخرى مثل البطاريات، فقد تصبح هذه الطريقة التنبؤية القائمة على البيانات للممانعة مكونًا أساسيًا لجعل أجهزة الطاقة النظيفة أكثر موثوقية، وأطول عمرًا، وأسهل إدارة في الاستخدام اليومي.

الاستشهاد: Yuan, H., Tan, D., Zhong, Z. et al. Diffusion models enable high-fidelity prediction of fuel cell impedance spectrum from short time-domain profiles. Nat Commun 17, 2552 (2026). https://doi.org/10.1038/s41467-026-69321-3

الكلمات المفتاحية: مراقبة صحة خلية الوقود, الممانعة الكهروكيميائية, نماذج الانتشار, خلية وقود غشاء تبادل البروتون, تشخيص قائم على البيانات