Прогнозирование пористости в композитных баллонах для водорода высокого давления с использованием дополненного нечеткого когнитивного ИИ и параметров производственного процесса

Почему маленькие пузыри имеют значение в баллонах для водорода

Баллоны для водорода высокого давления — основа будущей чистой мобильности, от автомобилей на топливных элементах до промышленных хранилищ. Эти сосуды должны быть одновременно очень прочными и очень лёгкими, поэтому их изготавливают из слоёв углеродного волокна, намотанных вокруг пластиковой подкладки. Но внутри этих слоёв могут образовываться крошечные полости — пористости. Их избыток или их расположение в критических зонах способны сократить срок службы баллона и привести к его отказу. В этом исследовании рассматривается, как интерпретируемая форма искусственного интеллекта может обучаться на реальных заводских данных, чтобы предсказывать количество пористостей в баллоне и какие этапы процесса намотки наиболее важны для их контроля.

Создание более безопасной оболочки для водорода

Исследуемые здесь баллоны относятся к так называемому типу IV, применяемому в транспортных средствах и стационарных системах. Они состоят из полимерной подкладки, обёрнутой многими слоями углеродных волокон, пропитанных смолой, — процесс, известный как мокрая намотка филамента. Во время намотки настраивается множество параметров: насколько сильно натягивается каждая катушка волокна, с какой скоростью вращается внутренний мандрел, под каким углом волокна пересекают поверхность, с какой скоростью наносятся слои и какое количество смолы распределяет металлический ракель по волокнам. Сертификационные правила допускают некоторый уровень пористости, но чрезмерные пустоты ослабляют конструкцию и могут представлять угрозу безопасности. Поскольку физическое взаимодействие всех этих факторов чрезвычайно сложное, авторы обратились к моделированию на основе данных вместо попыток записать полное физическое уравнение.

Прозрачный искусственный интеллект для систем высокого риска

Европейские правила классифицируют решения о безопасности баллонов для водорода как применение ИИ в высокорискованных областях. Это означает, что модели не могут быть «чёрными ящиками»: инженеры и регуляторы должны понимать, как формируются прогнозы. Методы вроде глубоких нейронных сетей или больших ансамблей решающих деревьев могут быть точными, но их внутренняя логика по сути непрозрачна. Поэтому авторы использовали XTRACTIS — так называемый дополненный нечеткий когнитивный ИИ. Вместо того чтобы скрывать рассуждения, XTRACTIS автоматически строит наборы удобочитаемых правил вида ЕСЛИ…ТОГДА, которые связывают выбранные переменные процесса с результатами. Он также оценивает, насколько простая или сложная модель, поощряя версии, опирающиеся на меньшее число входов и правил при сохранении хорошей точности прогнозирования.

От заводских измерений к извлечённым правилам

Сбор данных о реальных баллонах дорог, так как каждый полноразмерный сосуд стоит несколько тысяч евро и требует сканирования 3D рентгеновской томографией. Поэтому в исследовании использовались всего 12 баллонов, разбитых на 180 отдельных слоёв намотки. Для каждого слоя были доступны 58 потенциальных предикторов, описывающих натяжения, скорости, углы, контроль смолы и другие параметры проектирования, а также пористости, измеренные рентгеном. Команда сосредоточилась на прогнозировании логарифма числа пор, а не на абсолютном счёте, что сглаживает крайние значения. XTRACTIS исследовал тысячи конфигураций моделей и применял строгую стратегию перекрёстной проверки, многократно обучая и тестируя на разных разбиениях данных, чтобы избежать переобучения. Затем он свёл лучший ансамбль моделей в одно более простое основанное на правилах «виртуальное экспертное» решение. На невидимых тестовых слоях этот эксперт воспроизводил число пор с хорошей точностью — ошибки прогнозирования были примерно ниже 8 процентов, а корреляция между предсказанными и наблюдаемыми значениями была высокой.

Что модель показывает о производстве лучших баллонов

Поскольку итоговая модель выражена в виде небольшого набора нечетких правил ЕСЛИ…ТОГДА, её поведение можно читать почти как инженерные рекомендации. Правила показывают, что критично важно поддерживать натяжение волокон равномерным и в допустимом диапазоне: когда натяжения на разных катушках слишком различаются, в одних областях появляются провисания, а в других — чрезмерное перетягивание, что создаёт условия для дополнительных пустот. Скорость вращения мандрела и угол намотки совместно определяют плотность и равномерность укладки волокон; слишком малая скорость и слишком пологий угол приводят к плохой уплотнённости и неравномерному распределению смолы. Ещё один ключевой элемент — контроль смолы с помощью ракеля и общий объём каждого слоя. Хорошо настроенный поток смолы предотвращает как сухие зоны волокна, так и обогащённые смолой карманы, каждое из которых способствует появлению пузырей. Модель также указывает, что меньшие и более стабильные катушки волокна могут помочь поддерживать постоянное натяжение и дополнительно снижать пористость.

Ограничения данных и выводы для контроля качества

Исследователи также пытались обучать модели для классификации каждого слоя по «низкому» против «среднего или высокого» уровня пористости — метрике, часто используемой на производстве. В этой задаче и XTRACTIS, и непрозрачный алгоритм с бустингом решающих деревьев показали плохую работу на по-настоящему новых данных. Последующие проверки выявили, что сами метки уровня пористости были шумными, потому что все поры считались сферическими и автоматически приписывались слоям упрощённым способом. Эта неправильная разметка, вероятно, размывала границы между классами. Контраст поучителен: там, где целевые значения надёжны, интерпретируемый ИИ может работать хорошо даже при ограниченном объёме данных; там, где метки сомнительны, никакой алгоритм не сможет их исправить. В целом исследование показывает, что нечеткие модели на основе правил могут и направлять инженеров к более безопасным настройкам процесса, и выявлять слабые места в измерениях и подготовке данных.

Более ясный путь к безопасному хранению водорода

Проще говоря, работа демонстрирует, что объяснимый ИИ способен на основе умеренного объёма заводских данных прогнозировать, сколько микроскопических пустот появится внутри композитной оболочки баллона для водорода, и указывать, какие ручки на производственной линии наиболее важны. Полученные правила переводят сложную математику в понятные рекомендации по процессу: держать натяжение волокон стабильным, выбирать подходящие скорости и углы намотки, тщательно контролировать подачу смолы и объём слоёв. Хотя потребуется больше и лучших данных, чтобы уточнить эти выводы и проверить их на новых баллонах, подход предлагает перспективную основу для повышения безопасности хранения водорода — не заменяя инженеров, а предоставляя им прозрачного партнёра, способного превращать разрозненные измерения в практические знания.

Цитирование: 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

Ключевые слова: хранение водорода, композитные материалы, дефекты производства, объяснимый ИИ, намотка филамента