Porositeit voorspellen in composiet-waterstofvaten bij hoge druk met augmented fuzzy cognitive AI en productieprocesparameters

Waarom kleine belletjes in waterstoftanks ertoe doen

Waterstoftanks voor hoge druk vormen de ruggengraat van toekomstige schone mobiliteit, van brandstofcelauto’s tot industriële opslag. Deze vaten moeten zowel zeer sterk als licht zijn, daarom worden ze gebouwd uit lagen koolstofvezelcomposiet gewikkeld rond een kunststof liner. In die lagen kunnen echter kleine holtes ontstaan — porositeiten genoemd. Te veel porositeiten, of op de verkeerde plek, kunnen ertoe leiden dat een tank die jaren had moeten meegaan toch faalt. Deze studie onderzoekt hoe een uitlegbare vorm van kunstmatige intelligentie kan leren van echte fabrieksdata om te voorspellen hoeveel porositeiten in een tank zullen ontstaan en welke onderdelen van het wikkelproces het meest van invloed zijn om ze onder controle te houden.

Een veiligere waterstofschil bouwen

De in dit werk onderzochte tanks zijn zogenoemde Type IV-waterstofvaten, gebruikt in voertuigen en stationaire systemen. Ze bestaan uit een polymeerliner omwikkeld met vele lagen koolstofvezels doordrenkt met hars, een proces dat bekendstaat als wet filament winding. Tijdens het wikkelen kunnen tientallen parameters worden bijgesteld: hoe strak elke spoel vezel wordt getrokken, hoe snel de binnenste mal draait, de hoek waarmee vezels het oppervlak kruisen, hoe snel lagen worden aangebracht en hoeveel hars een klein metalen mesje over de vezels verdeelt. Certificatienormen staan een bepaald niveau van porositeit toe, maar overmatige holtes verzwakken de constructie en kunnen de veiligheid in gevaar brengen. Omdat de fysieke wisselwerking tussen al deze factoren extreem complex is, kozen de auteurs voor datagedreven modellering in plaats van het opstellen van een volledige fysische vergelijking.

Transparante kunstmatige intelligentie voor risicovolle systemen

Europese regelgeving classificeert beslissingen over de veiligheid van waterstoftanks als risicovolle toepassingen van AI. Dat betekent dat modellen geen zwarte dozen mogen zijn: ingenieurs en toezichthouders moeten kunnen begrijpen hoe voorspellingen tot stand komen. Methoden zoals diepe neurale netwerken of grote ensembles van beslisbomen kunnen nauwkeurig zijn, maar hun interne logica is in essentie ondoorzichtig. De auteurs gebruikten daarom XTRACTIS, een zogenoemde Augmented Fuzzy Cognitive AI. In plaats van zijn redenatie te verbergen, bouwt XTRACTIS automatisch sets van mensleesbare IF…THEN-regels die geselecteerde procesvariabelen aan uitkomsten koppelen. Het beoordeelt ook hoe eenvoudig of complex een model is, en beloont versies die met minder inputs en regels toch goed voorspellen.

Van fabrieksmetingen naar geleerde regels

Het verzamelen van data over echte tanks is duur omdat elk volwaardig vat enkele duizenden euro’s kost en met 3D röntgentomografie moet worden gescand. De studie werkte daarom met slechts 12 tanks, verdeeld over 180 individuele wikkellagen. Voor elke laag waren 58 potentiële voorspellers beschikbaar die spanningen, snelheden, hoeken, harscontrole en andere ontwerpskeuzes beschrijven, samen met porositeiten gemeten met röntgen. Het team richtte zich op het voorspellen van de logaritme van het aantal poriën in plaats van de ruwe telling, wat uitschieters verzacht. XTRACTIS verkende duizenden modelconfiguraties en gebruikte een rigoureuze cross‑validatiestrategie, waarbij herhaaldelijk op verschillende dataverdelingen werd getraind en getest om overfitting te vermijden. Het distilleerde vervolgens het beste ensemble van modellen tot één enkele, eenvoudiger op regels gebaseerde “virtuele expert.” Op onzichtbare testlagen reproduceerde deze expert het aantal poriën met goede nauwkeurigheid, met voorspellingsfouten onder ongeveer 8 procent en een sterke correlatie tussen voorspelde en waargenomen waarden.

Wat het model onthult over het maken van betere tanks

Aangezien het uiteindelijke model wordt uitgedrukt als een kleine set vage IF…THEN-regels, kan zijn gedrag bijna als technische richtlijnen worden gelezen. De regels tonen aan dat het uniform en binnen een gezond bereik houden van vezelspanning cruciaal is: als spanningen op verschillende vezelspoelen te veel variëren, worden sommige gebieden slapper terwijl andere over‑strak raken, wat condities creëert voor extra holtes. De rotatiesnelheid van de mal en de wikkelhoek bepalen samen hoe dicht en gelijkmatig de vezels zich nestelen; te lage snelheid en te ondiepe hoek leiden tot slechte compactie en harsverdeling. Een ander sleutelaspect is harscontrole via de doctor blade en het totale volume van elke laag. Goed afgestemde harsstroom voorkomt zowel droge vezelzones als harsrijke pockets, die beide bellen bevorderen. Het model suggereert ook dat kleinere, stabielere vezelspoelen kunnen helpen spanningen gelijkmatig te houden, wat porositeit verder vermindert.

Beperkingen van de data en lessen voor kwaliteitscontrole

De onderzoekers probeerden ook modellen te trainen die elke laag classificeren als laag versus middel‑of‑hoog porositeitspercentage, een maat die vaak op de fabrieksvloer wordt gebruikt. Zowel XTRACTIS als een ondoorzichtig boosted‑tree‑algoritme presteerden slecht op echt nieuwe data voor deze taak. Latere controles lieten zien dat de porositeitslabels zelf lawaaierig waren, omdat alle poriën als bolvormig waren aangenomen en automatisch aan lagen werden toegekend op een vereenvoudigde manier. Deze verkeerde labeling heeft waarschijnlijk de grens tussen klassen vervaagd. Het contrast is leerzaam: waar de doelwaarden betrouwbaar zijn, kan transparante AI goed presteren zelfs met beperkte data; waar de labels twijfelachtig zijn, kan geen algoritme ze redden. Over het geheel genomen toont de studie dat uitlegbare fuzzy‑regelmodellen zowel ingenieurs kunnen sturen naar veiligere procesinstellingen als zwakheden in meting en datavoorbereiding kunnen aanwijzen.

Een duidelijker route naar veiligere waterstofopslag

Simpel gezegd laat dit werk zien dat een uitlegbaar AI‑systeem kan leren van een bescheiden hoeveelheid fabrieksdata om te voorspellen hoeveel microscopische holtes zich in de composietschil van een waterstoftank zullen vormen en welke knoppen op de productielijn het meest van belang zijn. De resulterende regels vertalen complexe wiskunde naar begrijpelijk procesadvies: houd vezelspanningen stabiel, kies geschikte wikkelsnelheden en hoeken, en beheer zorgvuldig de harsstroom en laagdikte. Hoewel meer en betere data nodig zullen zijn om deze inzichten te verfijnen en op nieuwe tanks te valideren, biedt de aanpak een veelbelovend ontwerp voor het veiliger maken van waterstofopslag — niet door ingenieurs te vervangen, maar door hen een transparante partner te geven die verspreide metingen omzet in toepasbaar begrip.

Bronvermelding: 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

Trefwoorden: waterstofopslag, composietmaterialen, productiefouten, uitlegbare AI, filament winding