Vorhersage von Porosität in hochdrucktauglichen Verbundstoffbehältern für Wasserstoff mithilfe augmentierter fuzzy-kognitiver KI und Fertigungsprozessparametern

Warum winzige Blasen in Wasserstofftanks wichtig sind

Hochdruck-Wasserstofftanks bilden das Rückgrat künftiger sauberer Mobilität, von Brennstoffzellenfahrzeugen bis zur industriellen Speicherung. Diese Behälter müssen sehr stabil und zugleich sehr leicht sein, weshalb sie aus Lagen von kohlenstofffaserverstärktem Verbundmaterial um einen Kunststoffliner gewickelt werden. In diesen Lagen können jedoch winzige Hohlräume – sogenannte Porositäten – entstehen. Zu viele davon oder ihre Lage am falschen Ort können dazu führen, dass ein Tank, der Jahre halten sollte, versagt. Diese Studie untersucht, wie eine interpretierbare Form künstlicher Intelligenz aus realen Fabrikdaten lernen kann, vorherzusagen, wie viele Poren in einem Tank entstehen und welche Teile des Wickelprozesses am wichtigsten sind, um sie zu kontrollieren.

Eine sicherere Wasserstoffhülle bauen

Die hier untersuchten Tanks sind sogenannte Typ‑IV-Wasserstoffbehälter, wie sie in Fahrzeugen und stationären Systemen verwendet werden. Sie bestehen aus einem Polymerliner, der mit vielen Lagen von in Harz getränkten Kohlefasern umwickelt wird – ein Prozess, der als „wet filament winding“ bezeichnet wird. Während des Wickelns können Dutzende Parameter angepasst werden: wie straff jede Faserspule gezogen wird, wie schnell das innere Mandrel rotiert, der Winkel, in dem die Fasern die Oberfläche kreuzen, wie schnell Lagen aufgetragen werden und wie viel Harz eine kleine Metallklinge über die Fasern verteilt. Zertifizierungsregeln erlauben ein gewisses Maß an Porosität, doch übermäßige Hohlräume schwächen die Struktur und können die Sicherheit gefährden. Da das physikalische Zusammenspiel all dieser Faktoren extrem komplex ist, verwendeten die Autoren datengetriebene Modellierung anstatt zu versuchen, eine vollständige physikalische Gleichung aufzustellen.

Transparente künstliche Intelligenz für Hochrisikosysteme

Europäische Vorschriften stufen Entscheidungen über die Sicherheit von Wasserstofftanks als Hochrisikoeinsatz von KI ein. Das bedeutet, Modelle dürfen keine Blackboxes sein: Ingenieure und Aufsichtsbehörden müssen nachvollziehen können, wie Vorhersagen zustande kommen. Methoden wie tiefe neuronale Netze oder große Ensembles von Entscheidungsbäumen können zwar genau sein, aber ihre innere Logik ist im Wesentlichen undurchsichtig. Die Autoren verwendeten daher XTRACTIS, eine sogenannte augmentierte fuzzy-kognitive KI. Anstatt ihre Schlussfolgerungen zu verbergen, erzeugt XTRACTIS automatisch menschlich lesbare IF…THEN-Regeln, die ausgewählte Prozessvariablen mit Ergebnissen verknüpfen. Außerdem bewertet es, wie einfach oder komplex ein Modell ist, und bevorzugt Varianten mit weniger Eingaben und Regeln, solange die Vorhersagegüte erhalten bleibt.

Von Fabrikmessungen zu erlernten Regeln

Das Sammeln von Daten an realen Tanks ist teuer, weil jedes vollmaßstäbliche Gefäß mehrere Tausend Euro kostet und per 3D-Röntgentomographie gescannt werden muss. Die Studie arbeitete daher mit nur 12 Tanks, aufgeteilt in 180 einzelne Wickellagen. Für jede Lage standen 58 potenzielle Prädiktoren zur Verfügung, die Spannungen, Geschwindigkeiten, Winkel, Harzsteuerung und andere Gestaltungsentscheidungen beschreiben, sowie röntgenbasierte Porositätsmessungen. Das Team konzentrierte sich darauf, den Logarithmus der Anzahl der Poren statt der Rohanzahl vorherzusagen, um Ausreißer zu glätten. XTRACTIS durchsuchte Tausende von Modellkonfigurationen und verwendete eine strenge Kreuzvalidierungsstrategie, indem es wiederholt auf unterschiedlichen Datenaufteilungen trainierte und testete, um Überanpassung zu vermeiden. Es destillierte das beste Ensemble von Modellen schließlich in eine einzelne, vereinfachte regelbasierte „virtuelle Expertin“. Auf ungesehenen Testlagen reproduzierte diese Expertin die Porenanzahl mit guter Genauigkeit, mit Vorhersagefehlern unter etwa 8 Prozent und einer starken Korrelation zwischen vorhergesagten und beobachteten Werten.

Was das Modell über bessere Tanks verrät

Weil das endgültige Modell als kleine Menge fuzzy IF…THEN-Regeln ausgedrückt ist, lässt sich sein Verhalten fast wie Ingenieursleitsätze lesen. Die Regeln zeigen, dass es entscheidend ist, die Faserspannung gleichmäßig und in einem gesunden Bereich zu halten: Wenn die Spannungen verschiedener Faserspulen zu sehr variieren, werden einige Bereiche schlaff, andere übermäßig gespannt, was Bedingungen für zusätzliche Hohlräume schafft. Die Drehzahl des Mandrels und der Wickelwinkel bestimmen gemeinsam, wie dicht und gleichmäßig die Fasern gepackt sind; zu geringe Geschwindigkeit und zu flacher Winkel führen zu schlechter Verdichtung und ungünstiger Harzverteilung. Ein weiterer zentraler Faktor ist die Harzsteuerung über die Doctor Blade und das Gesamtvolumen jeder Lage. Gut abgestimmter Harzfluss verhindert sowohl trockene Faserzonen als auch harzreiche Taschen, die jeweils Blasenbildung begünstigen. Das Modell legt außerdem nahe, dass kleinere, stabilere Faserspulen helfen können, die Spannungen konstant zu halten und so die Porosität weiter zu reduzieren.

Grenzen der Daten und Lehren für die Qualitätskontrolle

Die Forschenden versuchten außerdem, Modelle zu trainieren, die jede Lage in niedrige versus mittlere‑oder‑hohe Porositätsraten klassifizieren – ein Maß, das oft in der Fabrik verwendet wird. Sowohl XTRACTIS als auch ein undurchsichtiges Boosted‑Tree‑Verfahren schnitten bei wirklich neuen Daten in dieser Aufgabe schlecht ab. Rückprüfungen zeigten später, dass die Porositätsraten-Labels selbst verrauscht waren, weil alle Poren als kugelförmig angenommen und automatisch vereinfacht einzelnen Lagen zugewiesen worden waren. Diese Fehlzuordnung hat wahrscheinlich die Trennschärfe zwischen den Klassen verwischt. Der Gegensatz ist lehrreich: Wo die Zielwerte verlässlich sind, kann transparente KI auch mit begrenzten Daten gut arbeiten; wo die Labels zweifelhaft sind, kann kein Algorithmus sie retten. Insgesamt zeigt die Studie, dass interpretierbare fuzzy-Regel-Modelle Ingenieure sowohl zu sichereren Prozesseinstellungen führen als auch Schwächen in Messung und Datenaufbereitung aufdecken können.

Ein klarerer Weg zu sicherer Wasserstoffspeicherung

Einfach gesagt demonstriert diese Arbeit, dass ein erklärbares KI-System aus einer bescheidenen Menge an Fabrikdaten lernen kann, vorherzusagen, wie viele mikroskopische Hohlräume sich in der Verbundschale eines Wasserstofftanks bilden, und welche Stellschrauben in der Produktion am wichtigsten sind. Die resultierenden Regeln übersetzen komplexe Mathematik in verständliche Prozessempfehlungen: Faserspannungen konstant halten, geeignete Wickelgeschwindigkeiten und -winkel wählen und Harzfluss sowie Schichtvolumen sorgfältig steuern. Obwohl mehr und bessere Daten nötig sein werden, um diese Erkenntnisse zu verfeinern und an neuen Tanks zu validieren, bietet der Ansatz eine vielversprechende Blaupause, um die Wasserstoffspeicherung sicherer zu machen — nicht durch das Ersetzen von Ingenieurinnen und Ingenieuren, sondern durch die Bereitstellung eines transparenten Partners, der verstreute Messwerte in verwertbares Wissen verwandelt.

Zitation: Achour, L., Zalila, Z., Aboura, Z. et al. Predicting porosity in composite high-pressure hydrogen vessels using augmented fuzzy cognitive AI and manufacturing process parameters. Sci Rep 16, 9894 (2026). https://doi.org/10.1038/s41598-026-38447-1

Schlüsselwörter: Wasserstoffspeicherung, Verbundwerkstoffe, Fertigungsfehler, erklärbare KI, Filamentwickeln