Förutsägelse av porositet i kompositbehållare för väte under högt tryck med hjälp av förstärkt fuzzy-kognitiv AI och tillverkningsparametrar

Varför små bubblor spelar roll i vätetankar

Höghållfasthetstankar för väte är en ryggrad i framtidens renare mobilitet, från bränslecellsbilar till industriell lagring. Dessa kärl måste vara både mycket starka och mycket lätta, vilket är anledningen till att de byggs av lager av kolfiberkomposit lindade runt en plastliner. Men inne i dessa lager kan små håligheter — så kallade porositeter — bildas. För många, eller i fel läge, och en tank som borde hålla i åratal kan gå sönder. Den här studien undersöker hur en tolkbar form av artificiell intelligens kan lära sig från verkliga fabriksdata för att förutsäga hur många porositeter som kommer att uppstå i en tank och vilka delar av lindningsprocessen som spelar störst roll för att hålla dem under kontroll.

Att bygga ett säkrare vätesskal

Tankarna som undersöks i detta arbete är så kallade Typ IV-vätebehållare, använda i fordon och stationära system. De består av en polymerliner lindad med många lager av kolfibrer dränkta i harts, en process som kallas wet filament winding. Under lindningen kan dussintals parametrar justeras: hur hårt varje fibertrumma dras, hur snabbt den inre mandralen roterar, vinkeln vid vilken fibrerna korsar ytan, hur snabbt lagren läggs ner och hur mycket harts en liten metallkniv sprider över fibrerna. Certifieringsregler tillåter en viss nivå av porositet, men överdrivna håligheter försvagar strukturen och kan hota säkerheten. Eftersom den fysikaliska samverkan mellan alla dessa faktorer är extremt komplex, vände sig författarna till datadriven modellering istället för att försöka formulera en fullständig fysikalisk ekvation.

Transparent artificiell intelligens för system med hög risk

Europeiska regler klassificerar beslut om vätetanksäkerhet som höginsatsanvändningar av AI. Det innebär att modeller inte kan vara svarta lådor: ingenjörer och tillsynsmyndigheter måste kunna förstå hur förutsägelser görs. Metoder som djupa neurala nätverk eller stora ensemblemetoder med beslutsträd kan vara exakta, men deras interna logik är i huvudsak ogenomskinlig. Författarna använde därför XTRACTIS, en så kallad förstärkt fuzzy-kognitiv AI. Istället för att dölja sitt resonemang bygger XTRACTIS automatiskt upp uppsättningar av människoläsbara OM…SÅ-regler som länkar utvalda processvariabler till utfall. Den poängsätter också hur enkel eller komplex en modell är, och premierar versioner som förlitar sig på färre ingångar och regler samtidigt som de fortfarande förutsäger väl.

Från fabriksmätningar till inlärda regler

Att samla in data om verkliga tankar är kostsamt eftersom varje fullskalig behållare kostar flera tusen euro och måste skannas med 3D röntgentomografi. Studien arbetade därför med endast 12 tankar, uppdelade i 180 individuella lindningslager. För varje lager fanns 58 potentiella prediktorer som beskrev spänningar, hastigheter, vinklar, hartskontroll och andra konstruktionsval, tillsammans med röntgenmätta porositeter. Teamet fokuserade på att förutsäga logaritmen av antalet porer snarare än det råa antalet, vilket jämnar ut extrema värden. XTRACTIS utforskade tusentals modellkonfigurationer och använde en rigorös korsvalideringsstrategi, där den upprepade gånger tränade och testade på olika uppdelningar av datan för att undvika överanpassning. Den destillerade sedan den bästa modellensemblen till en enda, enklare regelbaserad "virtuell expert." På ej sedda testlager reproducerade denna expert porantal med god noggrannhet, med förutsägelsefel under cirka 8 procent och en stark korrelation mellan förutspådda och observerade värden.

Vad modellen avslöjar om att tillverka bättre tankar

Eftersom slutmodellen uttrycks som en liten uppsättning fuzzy OM…SÅ-regler kan dess beteende läsas nästan som ingenjörsriktlinjer. Reglerna visar att det är avgörande att hålla fiberdragningarna jämna och inom ett hälsosamt intervall: när spänningarna på olika fibertrummor varierar för mycket blir vissa områden slappa medan andra dras för hårt, vilket skapar förutsättningar för extra håligheter. Mandralens rotationshastighet och lindningsvinkeln formar tillsammans hur tätt och jämnt fibrerna packas; för låg hastighet och för grunt vinkel ger dålig kompaktion och hartsspridning. Ett annat nyckelelement är hartskontrollen via doctor-bladet och den totala volymen per lager. Väljusterat hartstflöde förhindrar både torra fiberzoner och hartstäta fickor, var och en som främjar bubblor. Modellen antyder också att mindre, mer stabila fibertrummor kan hjälpa till att hålla spänningarna stadiga, vilket ytterligare minskar porositeten.

Datasetets begränsningar och lärdomar för kvalitetskontroll

Forskarna försökte också träna modeller för att klassificera varje lager i låg respektive medel‑eller‑hög porositetsnivå, ett mått som ofta används på fabriksgolvet. Både XTRACTIS och en ogenomskinlig boosted-tree-algoritm presterade dåligt på verkligt nya data i denna uppgift. Senare kontroller visade att själva etiketterna för porositetsnivåerna var brusiga, eftersom alla porer antagits vara sfäriska och automatiskt tilldelats lager på ett förenklat sätt. Denna felaktiga märkning dämpade sannolikt gränsen mellan klasserna. Kontrasten är lärorik: där målvärdena är pålitliga kan transparent AI prestera väl även med begränsad data; där etiketterna är osäkra kan ingen algoritm rädda dem. Övergripande visar studien att tolkbara fuzzy-regelmodeller både kan vägleda ingenjörer mot säkrare processinställningar och belysa svagheter i mätning och datapreparering.

En tydligare väg mot säkrare vätelagring

Enkelt uttryckt visar detta arbete att ett förklarbart AI-system kan lära sig från en måttlig mängd fabrikdata för att förutse hur många mikroskopiska håligheter som bildas i ett vätetanks kompositskal och att peka ut vilka rattar på produktionslinjen som spelar störst roll. De resulterande reglerna översätter komplex matematik till begripligt processråd: håll fiberdragningarna stabila, välj lämpliga lindningshastigheter och vinklar, och kontrollera noggrant hartstflöde och lagervolym. Medan fler och bättre data behövs för att förfina dessa insikter och validera dem på nya tankar, erbjuder tillvägagångssättet en lovande ritning för att göra vätelagring säkrare — inte genom att ersätta ingenjörer, utan genom att ge dem en transparent partner som omvandlar spridda mätningar till handlingsbar förståelse.

Citering: 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

Nyckelord: vätelagring, kompositmaterial, tillverkningsdefekter, förklarbar AI, filamentwinding