Artırılmış bulanık kavramsal yapay zeka ve üretim süreci parametreleri kullanarak kompozit yüksek basınçlı hidrojen tanklarında porozitenin tahmini

Hidrojen tanklarındaki küçük kabarcıkların önemi neden büyük?

Yüksek basınçlı hidrojen tankları, yakıt hücreli otomobillerden endüstriyel depolamaya kadar geleceğin temiz ulaştırmasının belkemiğini oluşturur. Bu tanklar hem çok güçlü hem de çok hafif olmalıdır; bu yüzden plastik bir astar etrafına sarılmış karbon elyaf kompozit tabakalarından üretilirler. Ancak bu katmanların içinde porozite adı verilen çok küçük boşluklar oluşabilir. Çok fazla veya yanlış yerde olurlarsa, yıllarca dayanması gereken bir tank arızalanabilir. Bu çalışma, yorumlanabilir bir yapay zekâ yönteminin gerçek fabrika verilerinden öğrenerek bir tankta kaç porozitenin ortaya çıkacağını ve sarma sürecinin hangi bölümlerinin bunları kontrol altında tutmak için en önemli olduğunu nasıl tahmin edebileceğini inceliyor.

Daha güvenli bir hidrojen kabuğu inşa etmek

Bu çalışmada incelenen tanklar, araçlarda ve sabit sistemlerde kullanılan Tip IV hidrojen tanklarıdır. Bunlar reçineyle ıslatılmış çok sayıda karbon lif katmanının bir polimer astar etrafına sarılmasından oluşur; bu işleme ıslak filament sarımı denir. Sarım sırasında her bir lif makarasının ne kadar gergin çekildiği, iç mandrelin dönüş hızı, liflerin yüzeyi kestiği açı, katmanların ne kadar hızlı yerleştirildiği ve küçük bir metal bıçağın lifler üzerine yayılan reçine miktarı gibi onlarca parametre ayarlanabilir. Sertifikasyon kuralları belirli bir düzeye kadar poroziteye izin verir, ancak aşırı boşluklar yapıyı zayıflatır ve güvenliği tehlikeye atabilir. Tüm bu faktörlerin fiziksel etkileşimi son derece karmaşık olduğundan, yazarlar tam bir fiziksel denklemi yazmaya çalışmak yerine veri odaklı modellemeye yöneldiler.

Yüksek riskli sistemler için şeffaf yapay zekâ

Avrupa düzenlemeleri hidrojen tankı güvenliğine ilişkin kararları yapay zekânın yüksek riskli kullanım alanları olarak sınıflandırır. Bu, modellerin siyah kutu olamayacağı anlamına gelir: mühendislerin ve düzenleyicilerin tahminlerin nasıl yapıldığını anlayabilmesi gerekir. Derin sinir ağları veya büyük karar ağacı ansamblları gibi yöntemler doğru olabilir, ancak iç mantıkları esasen opaktır. Bu nedenle yazarlar, XTRACTIS adı verilen, artırılmış bulanık kavramsal bir yapay zekâ kullandılar. XTRACTIS akıl yürütmesini gizlemek yerine, seçilmiş süreç değişkenlerini sonuçlarla ilişkilendiren ve insan tarafından okunabilir IF…THEN kuralları setleri otomatik olarak oluşturur. Ayrıca bir modelin ne kadar basit veya karmaşık olduğunu puanlar; daha az girdiye ve kurala dayanan ama hâlâ iyi tahmin yapan versiyonları ödüllendirir.

Fabrika ölçümlerinden öğrenilmiş kurallara

Gerçek tanklar üzerine veri toplamak pahalıdır çünkü her tam ölçekli kap birkaç bin euroya mal olur ve 3B X-ışını tomografisi ile taranmalıdır. Bu nedenle çalışma, 180 ayrı sarım katmanına ayrılmış sadece 12 tankla çalıştı. Her katman için gerilimler, hızlar, açılar, reçine kontrolü ve diğer tasarım tercihlerini tanımlayan 58 potansiyel öngörücü ile X-ışını ile ölçülmüş porozite değerleri mevcuttu. Ekip, aşırı değerleri düzleştirdiği için ham sayının yerine gözenek sayısının logaritmasını tahmin etmeye odaklandı. XTRACTIS binlerce model konfigürasyonunu keşfetti ve aşırı öğrenmeyi önlemek için veri üzerinde farklı bölmelerde tekrar tekrar eğitim ve test yapan titiz bir çapraz doğrulama stratejisi kullandı. Ardından en iyi model ansamblını tek, daha basit bir kural tabanlı “sanal uzman” halinde özümseyen bir süreç uyguladı. Görülmemiş test katmanlarında bu uzman, gözenek sayılarını iyi doğrulukla yeniden üretti; tahmin hataları yaklaşık %8’in altında ve tahmin edilen ile gözlemlenen değerler arasında güçlü bir korelasyon vardı.

Modelin daha iyi tanklar yapma hakkında ortaya koydukları

Nihai model küçük bir bulanık IF…THEN kural seti olarak ifade edildiği için davranışı neredeyse mühendislik yönergeleri gibi okunabilir. Kurallar, lif geriliminin tutarlı ve sağlıklı bir aralıkta tutulmasının kritik olduğunu gösteriyor: farklı lif makaralarındaki gerilimler çok fazla değiştiğinde bazı bölgeler gevşek, bazıları aşırı sıkı hale gelir ve ek boşluklar oluşması için koşullar yaratılır. Mandrelin dönüş hızı ve sarım açısı birlikte liflerin ne kadar yoğun ve eşit paketlendiğini şekillendirir; çok düşük hız ve çok sığ bir açı kötü sıkıştırma ve reçine dağılımına yol açar. Diğer önemli bir unsur doktor bıçak aracılığıyla reçine kontrolü ve her katmanın toplam hacmidir. İyi ayarlanmış reçine akışı hem kuru lif bölgelerini hem de reçine yoğun cepleri önler; her iki durum da kabarcıkları teşvik eder. Model ayrıca daha küçük, daha stabil lif makaralarının gerilimleri sabit tutmaya yardımcı olabileceğini ve böylece poroziteyi daha da azaltabileceğini öne sürüyor.

Verinin sınırlılıkları ve kalite kontrol için dersler

Araştırmacılar ayrıca her katmanı fabrika zemini uygulamalarında sıkça kullanılan düşük ile orta‑ve‑yüksek porozite oranına göre sınıflandırmak için modeller eğitmeyi denediler. Hem XTRACTIS hem de opak bir artan ağaç algoritması bu görevde gerçekten yeni veriler üzerinde kötü performans gösterdi. Sonraki kontroller, porozite oranı etiketlerinin kendisinin gürültülü olduğunu ortaya koydu; çünkü tüm gözeneklerin küresel olduğu varsayılmış ve basitleştirilmiş bir şekilde katmanlara otomatik olarak atanmıştı. Bu yanlış etiketleme muhtemelen sınıflar arasındaki sınırı bulanıklaştırdı. Bu karşıtlık öğreticidir: hedef değerler güvenilir olduğunda, şeffaf yapay zekâ sınırlı veriye rağmen iyi performans gösterebilir; etiketler şüpheli olduğunda ise hiçbir algoritma bunları düzeltemez. Genel olarak çalışma, yorumlanabilir bulanık kural modellerinin mühendisleri daha güvenli proses ayarlarına yönlendirebileceğini ve ölçüm ile veri hazırlama süreçlerindeki zayıflıkları ortaya çıkarabileceğini gösteriyor.

Daha güvenli hidrojen depolamaya daha net bir yol

Basitçe söylemek gerekirse, bu çalışma açıklanabilir bir yapay zekâ sisteminin mütevazı miktarda fabrika verisinden öğrenerek bir hidrojen tankının kompozit kabuğunda kaç mikroskobik boşluk oluşacağını ve üretim hattındaki hangi ayarların en önemli olduğunu öngörebileceğini gösteriyor. Ortaya çıkan kurallar karmaşık matematiği anlaşılır süreç tavsiyelerine çeviriyor: lif gerilimlerini sabit tutun, uygun sarım hızları ve açıları seçin ve reçine akışı ile katman hacmini dikkatle kontrol edin. Bu içgörüleri rafine etmek ve yeni tanklarda doğrulamak için daha fazla ve daha iyi veriye ihtiyaç olacak olsa da, yaklaşım mühendislerin yerini almak yerine onlara dağınık ölçümleri eyleme dönüştürülebilir anlayışa çeviren şeffaf bir ortak sunarak hidrojen depolamayı daha güvenli kılmak için umut verici bir plan sunuyor.

Atıf: 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

Anahtar kelimeler: hidrojen depolama, kompozit malzemeler, üretim kusurları, açıklanabilir yapay zeka, filament sarma