Predykcja porowatości w kompozytowych zbiornikach wysokociśnieniowych na wodór przy użyciu rozszerzonej rozmytej AI i parametrów procesu produkcyjnego

Dlaczego drobne pęcherzyki mają znaczenie w zbiornikach na wodór

Wysokociśnieniowe zbiorniki na wodór stanowią kręgosłup przyszłej czystej mobilności — od samochodów z ogniwami paliwowymi po przemysłowe magazyny. Te naczynia muszą być jednocześnie bardzo wytrzymałe i lekkie, dlatego wykonuje się je z warstw kompozytu z włókna węglowego owiniętego wokół plastikowej wkładki. W obrębie tych warstw mogą jednak powstawać drobne puste przestrzenie — tzw. porowatości. Zbyt wiele porów lub ich niekorzystne rozmieszczenie może sprawić, że zbiornik, który powinien służyć przez lata, ulegnie uszkodzeniu. Niniejsze badanie pokazuje, jak interpretowalna forma sztucznej inteligencji może uczyć się na podstawie rzeczywistych danych z fabryki, by przewidywać liczbę porowatości w zbiorniku oraz które elementy procesu nawijania mają największy wpływ na ich ograniczenie.

Budowa bezpieczniejszej powłoki wodorowej

Zbiorniki badane w tym opracowaniu to tzw. zbiorniki typu IV, stosowane w pojazdach i systemach stacjonarnych. Składają się z polimerowej wkładki owiniętej wieloma warstwami włókien węglowych nasączonych żywicą — procesu znanego jako mokre owinięcie włóknem (wet filament winding). Podczas nawijania można regulować dziesiątki parametrów: jak mocno naciągany jest każdy szpul włókna, z jaką prędkością obraca się wrzeciono (mandrel), pod jakim kątem włókna przecinają powierzchnię, jak szybko układane są warstwy oraz ile żywicy rozprowadza metalowy zgarniacz. Przepisy certyfikacyjne dopuszczają pewien poziom porowatości, ale nadmiar pustek osłabia strukturę i może zagrażać bezpieczeństwu. Ponieważ fizyczne współdziałanie tych wszystkich czynników jest niezwykle złożone, autorzy sięgnęli po modelowanie oparte na danych zamiast próbować opisać pełne równanie fizyczne.

Przejrzysta sztuczna inteligencja dla systemów o wysokim ryzyku

Regulacje europejskie klasyfikują decyzje dotyczące bezpieczeństwa zbiorników wodorowych jako zastosowania AI o wysokim ryzyku. Oznacza to, że modele nie mogą być „czarnymi skrzynkami”: inżynierowie i organy nadzorcze muszą rozumieć, jak powstają przewidywania. Metody takie jak głębokie sieci neuronowe czy duże zespoły drzew decyzyjnych mogą być dokładne, lecz ich wewnętrzna logika jest w praktyce nieprzejrzysta. Autorzy zdecydowali się więc na XTRACTIS — tzw. Rozszerzoną Rozmytą AI. Zamiast ukrywać rozumowanie, XTRACTIS automatycznie buduje zestawy czytelnych dla człowieka reguł IF…THEN, które łączą wybrane zmienne procesu z wynikami. System ocenia także prostotę lub złożoność modelu, faworyzując wersje wykorzystujące mniej wejść i reguł przy zachowaniu dobrej skuteczności.

Od pomiarów fabrycznych do wyuczonych reguł

Zbieranie danych o rzeczywistych zbiornikach jest kosztowne, ponieważ każdy pełnoskalowy egzemplarz kosztuje kilka tysięcy euro i musi zostać przeskanowany tomografią rentgenowską 3D. W związku z tym badanie objęło jedynie 12 zbiorników, podzielonych na 180 pojedynczych warstw nawijania. Dla każdej warstwy dostępnych było 58 potencjalnych predyktorów opisujących naprężenia, prędkości, kąty, kontrolę żywicy i inne decyzje projektowe, wraz z pomiarami porowatości wykonanymi tomografią. Zespół skupił się na przewidywaniu logarytmu liczby porów zamiast surowej liczby, co wygładza wartości skrajne. XTRACTIS przetestował tysiące konfiguracji modeli i zastosował rygorystyczną strategię walidacji krzyżowej, wielokrotnie trenując i testując na różnych podziałach danych, by uniknąć przeuczenia. Następnie sprowadził najlepszy zespół modeli do jednej, prostszej regułowej „wirtualnej ekspertyzy”. Na niewidzianych wcześniej warstwach ten ekspert odtwarzał liczby porów z dobrą dokładnością — błędy przewidywań poniżej około 8 procent oraz silna korelacja między wartościami przewidzianymi a zmierzonymi.

Co model ujawnia o produkcji lepszych zbiorników

Ponieważ końcowy model wyrażony jest jako niewielki zbiór rozmytych reguł IF…THEN, jego zachowanie można odczytać niemal jak wytyczne inżynierskie. Reguły pokazują, że kluczowe jest utrzymanie jednorodnego i prawidłowego napięcia włókien: gdy napięcia na różnych szpulach znacznie się różnią, niektóre obszary stają się luźne, a inne zbyt napięte, co sprzyja powstawaniu pustek. Prędkość obrotowa mandrelu i kąt nawijania wspólnie decydują o gęstości i równomierności upakowania włókien; zbyt niska prędkość i zbyt płytki kąt prowadzą do słabego ubicia i nierównomiernego rozprowadzenia żywicy. Kolejnym istotnym elementem jest kontrola żywicy przez zgarniacz (doctor blade) oraz całkowita objętość każdej warstwy. Dobrze wyregulowany przepływ żywicy zapobiega zarówno strefom suchych włókien, jak i kieszeniom nadmiaru żywicy — obydwa sprzyjają powstawaniu pęcherzy. Model sugeruje również, że mniejsze, bardziej stabilne szpule włókien mogą pomóc utrzymać stałe napięcie, co dodatkowo zmniejsza porowatość.

Ograniczenia danych i wnioski dla kontroli jakości

Naukowcy próbowali też trenować modele do klasyfikacji każdej warstwy jako niskiej versus średnio‑lub‑wysokiej częstości porowatości — miary często używanej na hali produkcyjnej. Zarówno XTRACTIS, jak i nieprzejrzysty algorytm oparty na wzmacnianych drzewach działały słabo na naprawdę nowych danych w tym zadaniu. Późniejsze kontrole wykazały, że same etykiety szybkości porowatości były zaszumione, ponieważ wszystkie pory zakładano jako kuliste i automatycznie przypisywano do warstw w uproszczony sposób. To błędne etykietowanie prawdopodobnie rozmyło granice między klasami. Kontrast jest pouczający: tam, gdzie wartości docelowe są wiarygodne, przejrzysta AI może działać dobrze nawet przy ograniczonych danych; tam, gdzie etykiety są wątpliwe, żaden algorytm ich nie uratuje. Ogólnie badanie pokazuje, że interpretowalne modele oparte na regułach rozmytych mogą zarówno prowadzić inżynierów ku bezpieczniejszym ustawieniom procesu, jak i uwidocznić słabości w pomiarach i przygotowaniu danych.

Bardziej przejrzysta droga do bezpieczniejszego magazynowania wodoru

Mówiąc prosto, praca ta udowadnia, że system wyjaśnialnej AI może nauczyć się na skromnej liczbie danych fabrycznych przewidywać, ile mikroskopijnych pustek powstanie wewnątrz kompozytowej powłoki zbiornika na wodór oraz wskazać, które pokrętła na linii produkcyjnej mają największe znaczenie. Otrzymane reguły tłumaczą złożone zależności matematyczne na zrozumiałe wskazówki procesowe: utrzymuj stałe napięcie włókien, dobieraj odpowiednie prędkości i kąty nawijania oraz starannie kontroluj przepływ żywicy i objętość warstw. Choć potrzebne będą więcej i lepsze dane, by dopracować te wnioski i zweryfikować je na nowych zbiornikach, podejście stanowi obiecujący schemat zwiększania bezpieczeństwa magazynowania wodoru — nie przez zastępowanie inżynierów, lecz przez dostarczanie im przejrzystego partnera, który przekształca rozproszone pomiary w użyteczną wiedzę.

Cytowanie: 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

Słowa kluczowe: magazynowanie wodoru, materiały kompozytowe, wady produkcyjne, wyjaśnialna AI, owijanie włóknem