使用增强型模糊认知人工智能和制造工艺参数预测复合高压氢容器中的孔隙率

为什么氢罐中的微小气泡很重要

高压氢罐是未来清洁出行的支柱，从燃料电池汽车到工业储存都离不开它们。这些容器既要非常坚固又要尽可能轻，所以采用环绕塑料内衬的碳纤维复合材料层构成。然而在这些层之间会形成称为孔隙的小空洞。孔隙过多或出现在关键位置，会使本应使用多年的罐体发生失效。本文研究了一种可解释的人工智能如何从真实工厂数据中学习，预测罐体中会出现多少孔隙，以及绕丝工艺的哪些环节对控制孔隙最为关键。

构建更安全的氢气壳体

本研究考察的罐体为所谓的 IV 型氢容器，广泛用于车辆和固定系统。它们由聚合物内衬和多层浸渍树脂的碳纤维层组成，这一工艺称为湿式纤维缠绕。缠绕过程中有数十个参数可以调节：每个纤维卷筒的拉力、内芯的转速、纤维与表面的交叉角度、铺层速度以及小金属刮刀在纤维上铺展的树脂量等。认证规则允许一定程度的孔隙，但过多的空洞会削弱结构并危及安全。由于这些因素之间的物理相互作用极为复杂，作者选择了数据驱动建模，而不是试图写出完整的物理方程。

面向高风险系统的透明人工智能

欧洲法规将关于氢罐安全的决策归类为高风险的人工智能使用场景。这意味着模型不能是黑箱：工程师和监管者必须能够理解预测是如何产生的。像深度神经网络或大型决策树集成等方法虽然可能很准确，但其内部逻辑本质上不透明。因此，作者使用了 XTRACTIS，一种所谓的增强型模糊认知人工智能。XTRACTIS 不隐藏其推理过程，而是自动构建一组人类可读的 IF…THEN 规则，将选定的工艺变量与结果关联。它还对模型的简单性或复杂性进行评分，倾向于在保持良好预测能力的同时使用更少的输入和规则。

从工厂测量到学习规则

对真实罐体进行数据采集成本高昂，因为每个全尺寸容器价值数千欧元，并且必须通过三维 X 射线断层扫描进行检测。因此该研究仅使用了 12 个罐体，分解为 180 个单独的缠绕层。对于每一层，提供了 58 个潜在预测变量，描述拉力、速度、角度、树脂控制及其他设计选择，同时有 X 射线测量得到的孔隙数据。团队侧重于预测孔洞数量的对数而非原始计数，这样可以平滑极端值。XTRACTIS 探索了数千种模型配置，并采用严格的交叉验证策略，在不同数据切分上反复训练和测试以避免过拟合。随后它将最佳模型集成精炼为单一、较为简单的基于规则的“虚拟专家”。在未见过的测试层上，这一专家以良好精度再现了孔隙计数，预测误差低于约 8%，且预测值与观测值之间具有很强的相关性。

模型揭示的改进罐体制造要点

由于最终模型以少量模糊 IF…THEN 规则表达，其行为几乎可以被解读为工程指南。规则显示保持纤维张力均匀且处于合理范围至关重要：当不同纤维卷筒的张力差异过大时，部分区域会松弛而另一些过紧，从而产生额外空洞的条件。内芯的转速和缠绕角度共同决定纤维的致密度与均匀性；转速过低和角度过浅会导致压实与树脂分布不良。另一个关键因素是通过刮刀对树脂的控制以及每层的总体体积。调校得当的树脂流量既能防止干纤维区，又能避免树脂过多的口袋，这两种情况都会促成气泡产生。模型还表明，使用更小且更稳定的纤维卷筒有助于保持张力稳定，从而进一步降低孔隙率。

数据的限制与质量控制的启示

研究人员还尝试训练模型将每层分类为低孔隙率与中高孔隙率，此类指标常用于工厂现场。在这一任务上，XTRACTIS 与一种不透明的提升树算法在真正新的数据上表现都很差。后期检查发现，孔隙率标签本身存在噪声，因为所有孔洞被假定为球形并以简化方式自动分配到层上。这种错误标注可能模糊了类别之间的界限。这一对比具有启发性：当目标值可靠时，可解释的 AI 即使在数据有限的情况下也能表现良好；当标签存在问题时，任何算法都无法弥补。总体而言，研究表明可解释的模糊规则模型既能为工程师指明更安全的工艺参数，也能揭示测量和数据准备中的薄弱环节。

通向更安全氢储存的更清晰路径

简言之，这项工作表明，一种可解释的人工智能系统能从适量的工厂数据中学习，预测氢罐复合壳体内会形成多少微观空洞，并指出生产线上哪些可调参数最为重要。所得规则将复杂的数学转换为可理解的工艺建议：保持纤维张力稳定、选择合适的缠绕速度与角度，并谨慎控制树脂流量和层体积。尽管需要更多且更高质量的数据来完善这些见解并在新罐体上验证，但该方法提供了一个有前景的蓝图，通过为工程师提供一个透明的伙伴，将零散的测量转化为可操作的理解，从而提高氢气储存的安全性。

引用: 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

关键词: 氢气储存, 复合材料, 制造缺陷, 可解释人工智能, 纤维缠绕