Суррогатная модель на основе глубоких нейронных сетей с переносом обучения для быстрого мультифизического моделирования щелочных водородных электролизеров

Почему важны более быстрые технологии получения водорода

Производство водорода из воды с помощью чистой электроэнергии — один из наиболее перспективных путей декарбонизации тяжёлой промышленности и транспорта. Среди нескольких технологий щелочные водные электролизёры в настоящее время являются основными рабочими лошадками для масштабного производства водорода, но их проектирование и оптимизация идут крайне медленно, поскольку подробные компьютерные расчёты занимают часы или даже дни. В статье предложен способ заменить эти тяжёлые расчёты умным сокращением: модель глубокого обучения, способная имитировать сложную физику за миллисекунды, что потенциально может кардинально ускорить работу инженеров по совершенствованию систем «зелёного» водорода.

Как щелочные устройства производят водород

Щелочные водные электролизёры расщепляют воду на водород и кислород в жидком растворе гидроксида калия. Молекулы воды у одного металлического электрода превращаются в газообразный водород и заряженные частицы, тогда как на противоположном электроде образуется кислород. Внутри ячейки одновременно происходят множество процессов: через пластины и жидкость протекают электрические токи, растворённые вещества перемещаются и смешиваются, выделяется и отводится тепло, а газовые пузырьки растут и поднимаются по узким каналам. Эти переплетённые эффекты определяют, насколько эффективно устройство превращает электричество в водород и как долго оборудование служит до появления деградации.

Почему классические моделирования слишком медленные

Много лет инженеры опираются на численные методы, такие как метод конечных элементов и метод конечных объёмов, чтобы разобраться во всей этой сложности. Эти методы разбивают устройство на мелкие элементы и решают уравнения, описывающие электричество, тепло и гидродинамику в каждом элементе. Хотя такие подходы точны, они вычислительно затратны: полная трёхмерная модель со всеми связными физическими процессами может требовать несколько часов на расчёт одной рабочей точки, и запуск множества таких случаев для оптимизации конструкции или управления нереалистичен. Авторы оценивают, что для достижения практически применимых, почти в реальном времени предсказаний потребовалось бы ускорение более чем в тысячу раз по сравнению с традиционными инструментами.

Учёная уловка: суррогатные модели с памятью

Вместо того чтобы многократно решать полные физические уравнения, авторы создают суррогатную модель: глубокую нейронную сеть, которая учится сопоставлять рабочие параметры и конструктивные особенности напрямую с подробными внутренними полями, такими как плотность тока, температура и доля объёма газа. Они используют структуру энкодер–декодер, похожую на сети для обработки изображений, что хорошо подходит для прогнозирования двумерных карт по сечению ячейки. Чтобы модель оставалась корректной, в процесс обучения встроены базовые физические ограничения: нейронная сеть получает штрафы, когда её предсказания нарушают сохранение заряда — базовый закон, связывающий приложенный ток и локальное распределение тока.

Повторное использование дешёвых симуляций с помощью transfer learning

Ключевая идея в этой работе — перенос обучения: повторное использование знаний, полученных из дешёвых, низкоточных симуляций, чтобы улучшить предсказания для дорогих, высокоточных расчётов. Сначала команда проводит множество «низкообъёмных» симуляций на более грубых сетках или с упрощённой физикой, которые вычисляются значительно быстрее, и использует их для предобучения сети. Затем они дообучают эту предобученную сеть на гораздо меньшем наборе «высокообъёмных» симуляций, которые полностью учитывают сложную физику. Тщательно продуманные стратегии обучения, включая постепенное «размораживание» слоёв и умеренные штрафы, основанные на физике, позволяют модели перенести уже выученные представления без переобучения или нестабильности.

Насколько хорошо работает умная модель

При проверке на невидимых высокоточных симуляциях суррогатная модель воспроизводит ключевые величины с впечатляющей точностью. Для полей плотности тока и температуры коэффициент детерминации превышает 0.98, а средние относительные ошибки остаются ниже 2%. Предсказания для доли объёма газовых пузырьков несколько менее точны, но всё ещё отражают основные закономерности. Что важнее, после обучения модель выдаёт результаты за миллисекунды на современном графическом процессоре — до примерно миллиона раз быстрее, чем полная трёхмерная расчёт по методу конечных элементов. Авторы также показывают, что благодаря переносу обучения они могут сократить объём дорогих высокоточных обучающих данных примерно на 70%, при этом фактически улучшив точность по сравнению с обучением той же сети с нуля.

Что это значит для зелёного водорода

Для неспециалиста основная мысль такова: эта работа превращает медленную, ресурсоёмкую проблему моделирования в нечто, что может выполняться почти мгновенно, не теряя при этом значительной точности. Инженеры могли бы использовать такие модели для перебора тысяч вариантов конструкции, настройки рабочих условий при колебаниях мощности из возобновляемых источников или в перспективе для управления в реальном времени промышленными электролизёрами. Представленная схема всё ещё требует дополнительных проверок для крупных коммерческих блоков и экстремальных условий, но демонстрирует мощный способ сочетания физики и машинного обучения, при котором дешёвые симуляции и базовые законы помогают обучать быстрые и надёжные цифровые суррогаты для систем следующего поколения зелёного водорода.

Цитирование: Yan, J., Jiao, L. & Chen, Z. Transfer learning enhanced deep neural network surrogate model for rapid multiphysics simulation of alkaline water electrolyzers. Sci Rep 16, 13680 (2026). https://doi.org/10.1038/s41598-026-43905-x

Ключевые слова: зелёный водород, щелочной водный электролиз, глубокое обучение, transfer learning, мультифизическое моделирование