Predire la porosità nei serbatoi compositi ad idrogeno ad alta pressione usando AI cognitiva fuzzy aumentata e parametri di processo di produzione

Perché le microbolle contano nei serbatoi di idrogeno

I serbatoi di idrogeno ad alta pressione sono la spina dorsale della mobilità pulita futura, dalle auto a celle a combustibile agli impianti di stoccaggio industriale. Questi contenitori devono essere contemporaneamente molto resistenti e molto leggeri, per questo sono realizzati con strati di composito in fibra di carbonio avvolti attorno a un liner plastico. Ma all'interno di questi strati possono formarsi piccole cavità — chiamate porosità. Troppe porosità, o nelle posizioni sbagliate, e un serbatoio che dovrebbe durare anni potrebbe guastarsi. Questo studio esplora come una forma interpretabile di intelligenza artificiale possa imparare dai dati reali di fabbrica per prevedere quante porosità appariranno in un serbatoio e quali aspetti del processo di avvolgimento sono più importanti per controllarle.

Costruire un involucro d'idrogeno più sicuro

I serbatoi esaminati in questo lavoro sono i cosiddetti recipienti di tipo IV per l'idrogeno, usati nei veicoli e nei sistemi stazionari. Sono costituiti da un liner polimerico avvolto con molti strati di fibre di carbonio impregnate di resina, un processo noto come wet filament winding. Durante l'avvolgimento si possono regolare decine di parametri: quanto vengono tirati i diversi rotoli di fibra, la velocità di rotazione del mandrino interno, l'angolo con cui le fibre incrociano la superficie, la rapidità con cui gli strati vengono depositati e la quantità di resina che una piccola lama metallica distribuisce sulle fibre. Le norme di certificazione consentono un certo livello di porosità, ma vuoti eccessivi indeboliscono la struttura e possono mettere a rischio la sicurezza. Poiché l'interazione fisica tra tutti questi fattori è estremamente complessa, gli autori si sono rivolti alla modellizzazione guidata dai dati invece di cercare di scrivere un'equazione fisica completa.

Intelligenza artificiale trasparente per sistemi ad alto rischio

Le normative europee classificano le decisioni relative alla sicurezza dei serbatoi di idrogeno come usi ad alto rischio dell'IA. Ciò significa che i modelli non possono essere scatole nere: ingegneri e regolatori devono poter comprendere come vengono generate le previsioni. Metodi come le reti neurali profonde o grandi ensemble di alberi decisionali possono essere accurati, ma la loro logica interna è essenzialmente opaca. Gli autori hanno quindi adottato XTRACTIS, una cosiddetta AI cognitiva fuzzy aumentata. Piuttosto che nascondere il suo ragionamento, XTRACTIS costruisce automaticamente insiemi di regole IF…THEN leggibili dall'uomo che collegano variabili di processo selezionate agli esiti. Valuta inoltre quanto semplice o complesso sia un modello, premiando le versioni che fanno uso di meno input e regole pur mantenendo buone capacità predittive.

Dalle misurazioni di fabbrica alle regole apprese

Raccogliere dati su serbatoi reali è costoso perché ogni recipiente a grandezza naturale costa diverse migliaia di euro e deve essere scansionato tramite tomografia 3D a raggi X. Lo studio ha quindi lavorato con soli 12 serbatoi, suddivisi in 180 singoli strati di avvolgimento. Per ciascuno strato erano disponibili 58 potenziali predittori descriventi tensioni, velocità, angoli, controllo della resina e altre scelte di progettazione, insieme alle porosità misurate con i raggi X. Il team si è concentrato nel prevedere il logaritmo del numero di pori piuttosto che il conteggio grezzo, operazione che smussa i valori estremi. XTRACTIS ha esplorato migliaia di configurazioni di modello e ha utilizzato una strategia rigorosa di cross‑validation, addestrando e testando ripetutamente su differenti suddivisioni dei dati per evitare l'overfitting. Ha poi distillato il miglior ensemble di modelli in un unico “esperto virtuale” basato su regole più semplice. Su strati di test mai visti, questo esperto ha riprodotto i conteggi di pori con buona accuratezza, con errori di previsione inferiori a circa l'8 percento e una forte correlazione tra valori predetti e osservati.

Cosa rivela il modello per produrre serbatoi migliori

Poiché il modello finale è espresso come un piccolo insieme di regole fuzzy IF…THEN, il suo comportamento può essere letto quasi come linee guida ingegneristiche. Le regole mostrano che mantenere la tensione delle fibre uniforme e entro un intervallo salutare è cruciale: quando le tensioni sui diversi rotoli di fibra variano troppo, alcune aree diventano lente mentre altre sono sovra‑tese, creando condizioni favorevoli alla formazione di vuoti. La velocità di rotazione del mandrino e l'angolo di avvolgimento modellano congiuntamente quanto densamente e uniformemente le fibre si compattano; una velocità troppo bassa e un angolo troppo ridotto producono scarsa compattazione e distribuzione della resina. Un altro elemento chiave è il controllo della resina tramite la doctor blade e il volume totale di ciascuno strato. Un flusso di resina ben regolato previene sia zone a fibre asciutte sia tasche ricche di resina, entrambe condizioni che favoriscono bolle. Il modello suggerisce inoltre che rotoli di fibra più piccoli e più stabili possono contribuire a mantenere costanti le tensioni, riducendo ulteriormente la porosità.

Limiti dei dati e lezioni per il controllo qualità

I ricercatori hanno anche provato ad addestrare modelli per classificare ogni strato in basso versus medio‑o‑alto tasso di porosità, una misura spesso usata in fabbrica. Sia XTRACTIS sia un algoritmo di boosting ad albero opaco hanno avuto prestazioni scarse su dati veramente nuovi in questo compito. Controlli successivi hanno rivelato che le etichette del tasso di porosità erano a loro volta rumorose, perché tutti i pori erano stati assunti come sferici e assegnati automaticamente agli strati in modo semplificato. Questa errata etichettatura probabilmente ha sfumato i confini tra le classi. Il contrasto è istruttivo: dove i valori target sono affidabili, l'IA trasparente può funzionare bene anche con dati limitati; dove le etichette sono dubbie, nessun algoritmo può recuperarne il valore. Nel complesso, lo studio dimostra che i modelli interpretabili basati su regole fuzzy possono sia guidare gli ingegneri verso impostazioni di processo più sicure sia mettere in luce debolezze nella misurazione e nella preparazione dei dati.

Un percorso più chiaro verso uno stoccaggio dell'idrogeno più sicuro

In termini semplici, questo lavoro dimostra che un sistema di IA spiegabile può apprendere da una modesta quantità di dati di fabbrica per anticipare quante microscopiche cavità si formeranno all'interno dell'involucro composito di un serbatoio d'idrogeno e per individuare quali manopole sulla linea di produzione sono più rilevanti. Le regole risultanti traducono la matematica complessa in consigli di processo comprensibili: mantenere le tensioni delle fibre costanti, scegliere velocità e angoli di avvolgimento adeguati e controllare con cura il flusso di resina e il volume degli strati. Sebbene saranno necessari più e migliori dati per affinare queste intuizioni e convalidarle su nuovi serbatoi, l'approccio offre un progetto promettente per rendere lo stoccaggio dell'idrogeno più sicuro, non sostituendo gli ingegneri, ma fornendo loro un partner trasparente che trasforma misurazioni sparse in comprensione azionabile.

Citazione: 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

Parole chiave: stoccaggio dell'idrogeno, materiali compositi, difetti di produzione, AI spiegabile, filament winding