1. 引言

科學和工程領域的技術進步帶來了更大、更復雜數據集的收集、處理和分析。這些數據集通常難以手動或用傳統方法處理。人工智能（AI）被引入以幫助處理這些復雜數據。AI賦予計算機類似人類的思維和智能，使它們能夠分析信息、采取解決問題的步驟，并從過程中學習。AI的概念最早在20世紀上半葉通過科幻作品被理論化，1950年代被科學家正式認可。盡管面臨社會接受度、財務和技術挑戰，計算機科學的快速發展和現代操作系統改進推動了AI的興起。一般來說，人工智能根據其功能分為四種不同的類型，即反應性、有限記憶、心智理論和自我意識，如圖 1 所示。

圖 1.AI 的類型取決于功能

反應式AI提供可預測結果，對相同情況有固定響應。有限記憶AI能從經驗中學習，持續改進。這兩種AI類型是目前研究的主流，大多數現有AI模型基于它們。心智理論AI和自我意識AI仍在發展中，分別賦予機器決策能力和理解他人情緒狀態的能力。

AI主要分為機器學習和深度學習兩個子集。機器學習側重于使用算法優化數據以執行任務，而深度學習是更高級的機器學習，由多層神經網絡構成，用于處理復雜任務，得出邏輯結論，且不總需要標記數據。圖2展示了AI與ML、DL之間的關系。

圖 2.AI 的不同子集

圖 3 給出了 AI 中最重要的類型和算法的子分類。傳統 ML 大致可分為四種基本類型，分別是監督學習、無監督學習、半監督學習和強化學習。然而，DL 包含適用于有監督、無監督或混合學習框架的高級技術，有時被認為是一種獨特的 ML 類型。

圖 3.機器學習類型和算法的子分類

1）監督學習

監督學習使用標記數據集訓練算法進行分類或預測。模型通過交叉驗證調整權重以擬合數據。主要分為分類和回歸兩種。

分類算法如Logistic回歸、SVM、決策樹，將數據分為不同類別。Logistic回歸預測事件概率，SVM通過超平面分類，決策樹通過連續分割節點預測分類結果。隨機森林算法通過組合多個決策樹提高預測準確性。

回歸涉及統計方法識別變量間關系，常用算法包括線性回歸和多項式回歸。線性回歸基于最佳線性擬合，多項式回歸將關系建模為多項式。

2）無監督學習

無監督學習使用未標記數據集識別模式或數據組。主要類型包括聚類、降維和異常檢測。聚類算法如K-means和分層聚類，根據數據相似性分組。降維算法如PCA和ICA，減少數據特征數量。異常檢測識別數據集中異常點。

3）半監督學習

半監督學習結合標記和未標記數據訓練模型。自訓練模型用標記數據訓練后對未標記數據分類，低密度分離模型通過決策邊界區分不同類別。

4）強化學習

強化學習通過試錯方法訓練模型，無需標記輸入。常用算法包括動態規劃和蒙特卡洛方法。動態規劃將問題分解為小問題求解，蒙特卡洛方法通過重復經驗學習。

5）深度學習

深度學習是機器學習的子集，基于模仿人腦的神經網絡。它可以是監督式、無監督式或混合式。常見算法包括CNN、ANN和RNN。CNN通過多層人工神經元處理輸入，ANN用于分類新觀測值，RNN利用前一層輸出優化結果。

2. 機器學習在燃料電池和電解槽中的應用

燃料電池和電解槽是用于清潔能源和氫基電化學設備，有助于減少全球碳排放。電解槽通過電化學分解水產生氫氣，而燃料電池通過電化學反應將氫氣轉化為電能，僅產生水作為副產品。若電解槽使用可再生能源，生產的氫氣為綠色，燃料電池產生的能源則為清潔和可再生。燃料電池和電解槽有許多不同類型的，具體取決于所使用的電解質類型和作條件。我們在本綜述中的主要重點是質子交換膜（PEM） 燃料電池 （FC） 和水電解槽 （WE），但也將討論其他類型。燃料電池和電解槽對于推進可持續能源解決方案都至關重要，它們具有許多基本原則和挑戰。

盡管存在這些相似之處，但文獻中存在明顯的差異：雖然許多評論都集中在人工智能在燃料電池中的應用，但明顯缺乏關于電解槽的類似研究。此外，缺乏同時解決這兩種技術的全面審查。造成這種差異的一個原因可能是電解槽研究仍處于早期階段，而燃料電池的研究在過去十年中一直相對穩定。為了更好地理解這一點，使用 Scopus 進行了一項全面的文獻調查，以評估過去 20 年燃料電池和電解槽研究的總體狀況，特別關注人工智能的使用，包括過去 4 年機器學習和深度學習在這些技術中的應用。圖 4所示的文獻計量數據顯示，燃料電池和電解槽中的 AI 應用僅占這些技術出版物總數的一小部分（約 2%）。此外，在這個子集中，關于電解槽的人工智能相關研究僅占燃料電池和電解槽組合領域以人工智能為重點的出版物總數的 5% 左右。這凸顯了這些領域內 AI 相關研究的現狀，并強調了需要一種更加綜合的方法來審查這兩種技術的 AI 應用。

圖4.對人工智能在燃料電池與電解槽應用領域的相關文獻進行計量分析

PEMFC 和 WEs 中的電化學反應都發生在膜電極組件 （MEA） 中，由多孔陰極催化劑層 （CL）（通常是負載在碳納米顆粒上的鉑 （Pt） 納米催化劑，由質子導電離子聚合物鍵合）、多孔陽極 CL（與 PEMFC 中的成分相似，同時在 PEMWE 中含有 Ir 基催化劑）組成，鍵合到聚合物電解質膜上。兩種 MEA 都包含用于水和熱管理的附加層（氣體擴散層 （GDL）、微孔層 （MPL） 和多孔傳輸層 （PTL）。圖5 表示 PEMFC MEA 的圖示。圖 5 所示的 PEMWE 和 PEMFC MEA 之間的主要區別在于電化學裝置的陽極側和陰極側都發生反向電化學反應。MEA 中的材料組成、微觀結構和組分分布，尤其是在催化劑層中，會顯著影響這些器件的性能和耐用性，因為要記住 PEM FC 和 WEs 在其使用壽命期間都暴露在惡劣的作條件下（例如，高電壓、高達 80-100 °C 的溫度、腐蝕性環境）。

圖5.PEMFC MEA 圖示

為了滿足清潔和可持續能源的需求，開發高效材料至關重要。這些材料的結構特性決定了設備的活性和效率。研究主要集中在提高催化劑材料性能、膜性能、耐用性和生產方法的商業可行性。盡管面臨高成本和耐用性挑戰，PEMWEs和PEMFC技術在多個領域具有巨大潛力，有助于減少碳排放和增強能源安全。歷史上，多種計算方法被用于理解材料在電池、燃料電池和超級電容器中的應用。然而，這些方法往往過于復雜且成本高昂。因此，需要替代方法來高效開發材料。在燃料電池和電解槽運行中，人工智能系統通過分析傳感器數據來監測和控制運行條件，實現最佳性能。這些系統包括神經網絡、模糊邏輯等，能夠通過學習歷史數據來加速材料的理解和開發過程。

3. ML 算法在 MEA 和性能優化中的應用

由于設計復雜性和異質性，燃料電池和電解槽中 MEA 的結構構成帶來了許多挑戰。在確定燃料電池和電解槽的性能時，考慮到電極催化劑負載、油墨配方技術、催化劑-電解質界面、陽極-膜-陰極質子傳輸、電極中反應物的傳輸、GDL、PTL以及電極和集流體之間的電流，正確的MEA設計非常重要。ML 算法，如 ANN、極端梯度提升（XGBoost）、KNN、隨機森林（RF）、支持向量機/回歸器（SVM/SVR）、邏輯回歸（LR） 和彈性網（EN） 等，可用于根據成分和結構參數以及其他 MEA/系統描述符預測和優化燃料電池和電解槽的性能。ML 模型與遺傳算法（GA）等優化算法相結合，可以進一步優化設計和作參數，以高精度和高效實現多個優化目標。

例如，Khajeh-Hosseini et al應用 ANN 研究了不同 CL 結構參數對 PEMFC 中 CL 性能的影響。作者根據 Fick 擴散定律和電化學反應方程支配的定律開發了一個團聚體模型（見圖 6a），以生成負責影響 CL 性能的九個結構參數。包括 CL 液體飽和度、離聚物膜厚度、催化劑團聚半徑、Pt 和碳負載、膜組成、GDL 滲透到 CL 中的程度和 CL 厚度在內的結構參數用作神經網絡的輸入參數，以預測與電化學池相關的活化過電位。研究人員在使用 ANN 在每個獨立的物理特性和輸出參數之間建立直接關聯時遇到了挑戰。為了應對這些挑戰，他們應用了線性疊加近似靜力學模型來找到這些相關性，揭示了離聚物厚度的增加、Pt 和碳質量載荷的增加以及 GDL 滲透到 CL 中會阻礙氧擴散到 CL 中，因為孔隙較少，從而增加了活化電位。另一方面，大團聚半徑允許更大的孔和高氧擴散系數，這最終會降低活化電位，從而提高細胞的整體性能。盡管存在這些復雜性，神經網絡還是實現了 0.8 的近乎完美的相關值和 0.0016 的均方誤差，展示了其作為建模工具的有效性，如圖 6c 所示。

圖6.（a）團聚體模型設計 （b）ANN 的示意圖 （c）數值模擬預測的活化過電位與實際活化電位

Zhang等人利用蒙特卡洛方法結合深度神經網絡（DNN）和高斯回歸模型研究了MEA多孔結構CL對高溫PEMFC電池性能的影響。研究中使用了11個結構參數，包括陽極和陰極GDL的厚度、孔隙率、CL的厚度、孔隙率、電解質體積分數及Pt含量。結果表明，隨著Pt負載增加，最佳GDL厚度和CL孔隙率降低，陰極MEA參數對電池性能影響大于陽極參數。優化參數后，可在0.4V和0.6V下實現最大功率密度。Jienkulsawad等人應用ANN確定PVA/Pt的最佳組成重量，作為PEMFC陰極側催化劑層組分的添加劑。研究中使用電池電壓、電流密度、相對濕度和功率密度等參數，預測PVC/Pt比率?；贚evenberge-Marquardt算法的ANN，以RMSE作為準確率指標，發現ANN能預測最佳PVA/Pt比率，最小RMSE分別為0.1293和0.031。隱藏層數量的選擇對模型準確性有重要影響。Mohamed等人研究了使用ANN、PR、SVM、KNN、決策樹預測PEMWE的產氫速率和電池電流密度。構建了包含1203個實驗數據的數據庫，分析了陽極和陰極支撐、膜類型、催化劑等因素對高電流密度的貢獻。結果表明，特定配置在實現高電流密度方面發揮了重要作用。ANN在預測產氫速率和電流密度方面表現出色，測試數據均方誤差分別為0006.0和04026。

在ML模型應用前使用箱須圖作為數據分析工具并不常見，但提供了對數據中輸入和輸出參數之間關系的重要見解。Günay等人在應用決策樹ML對PEMWE性能進行建模前，探索了箱須圖。分析揭示了陰極/陽極載體、催化劑摩爾分數、催化劑負載、工作溫度和PEMWE性能之間的顯著相關性。箱須數據分析確定了影響電流密度和功率密度的關鍵因素。

極端梯度提升（XGBoost）算法是一種強大的ML技術，已被證明在回歸和分類任務中都有效。Uenishi和Imoto使用XGBoost ML方法研究了PEMFC催化劑層的物理性質與電壓之間的相關性，并使用GA優化了輸出。研究發現，輸出電壓的性能取決于從CL的SEM橫截面圖像中提取的特征，如孔體積、孔徑和表面積。優化孔結構可提高性能，降低生產成本。Zhang等人利用ML構建了一個包含58個MEA和16個輸入特征的數據庫，開發了機器學習模型來優化輸出電壓。使用了多種算法，其中XGBoost的R2值最高，優化了輸出電壓并提高了計算效率。為了解決模型可解釋性問題，應用了SHAP方法揭示了工作溫度、陽極離聚物含量等因素對輸出電壓的影響。

SVM算法在預測和優化燃料電池及電解槽組件方面極為重要。它適用于回歸和分類任務，通過在高維空間中找到最佳超平面或分隔線來區分數據或最小化預測誤差。SVM雖復雜，卻能在處理小數據集時保持良好性能，平衡了復雜性和樣本量。例如，Wang等人利用SVM模型預測PEMFC中最佳催化劑層組成以產生最大功率密度。他們使用3D CFD模型模擬不同條件下的電流密度，并用GA優化確定最佳催化劑組成。將CFD模型數據作為SVM模型輸入，實現了高準確度和低誤差。優化后的SVM預測與3D CFD模擬結果高度一致，顯示了SVM在預測和優化PEMFC組件及結構參數方面的潛力。

圖7.（a） 用于 PEMFC 性能仿真的 CFD 模型設計  SVM 預測和模擬了 （b） 訓練集和 （c） 測試集的電流密度（d） GA 的最大功率密度優化結果

ML在預測燃料電池和電解槽性能及優化結構參數方面非常有用。關鍵結論包括：模型選擇應基于數據復雜性；復雜數據需要復雜模型進行泛化；復雜模型的可解釋性重要，可通過敏感性分析如Pearson相關性實現。

4 ML 算法在燃料電池和電解槽分析圖像分割中的應用

對PEM FC、WE（包括催化劑、CL、GDL、PTL等）和SOFC的材料及層結構分析對性能和耐久性影響的理解至關重要。SOFC由復雜的多孔陽極和陰極結構組成，其電化學性能由此決定。這些結構通常由陶瓷-金屬復合材料、混合氧化物和穩定的氧化鋯制成，需要優化設計以實現高效性能，特別是在高溫下運行時。研究人員長期依賴手動方法從電化學器件的微觀結構中提取信息，過程費力且容易出錯。深度學習（DL）是機器學習（ML）的一個分支，它使用模擬人腦的算法根據數據進行學習和預測，可自動化此過程。DL在圖像處理方面的成功歸因于其使用CNN、DNN和RNN從圖像中識別、學習和提取復雜特征的能力。計算機視覺是一種有助于分析、理解和識別圖像模式的DL方法。DL已被應用于從TEM、FIB-SEM和XCT圖像中識別和分割燃料電池和電解槽的微觀結構圖像。

相位分割是將圖像劃分為具有相似形態特性的不同區域的過程。傳統方法如Watershed和Weka分割方法已被用于從材料微觀結構中提取信息。DL算法適用于實現燃料電池和電解槽組件的相位分割。例如，Liu等展示了Deeplab DL架構的應用，清晰分割PEMFC的CL中包含孔隙和炭黑相的FIB圖像。Deeplab架構通過提取圖像的密集特征來提高分割精度。他們還應用了DCGAN DL算法，從最初分割的2張圖像中生成人工600D微結構，并將其重建為3D形式。DCGAN算法由生成器和判別器模型組成，通過訓練生成人工圖像并欺騙判別器模型，從而提高對人工圖像和真實圖像的分類能力。從3D重建圖像中，研究人員發現孔隙率顯著影響氧氣在CL內的擴散，并且與線性插值相比，應用DCGAN的球形線性插值能產生更好的3D圖像和擴散系數。

圖8.（a） 2D FIB-SEM 圖像（左），使用 Deeplab 的分割圖像（中）和 DCGAN 生成的微觀結構（右），其中黑色相表示炭黑，白色表示孔隙;（b） 從 3D 連續切片圖像進行 2D 重建

Hwang等人結合Deeplabv3+深度學習算法和立體分析方法，對SOFC陰極復合材料的三相微觀結構進行了語義分割和量化。Deeplabv3+算法結合CNN和空洞空間金字塔池，對圖像進行像素級分類和對象分割。立體分析方法用于量化3D圖像的體積、形狀和表面積。研究中，他們分析了3張FIB-SEM圖像，使用49張圖像進行訓練，40張用于測試。盡管數據集較小，但算法成功分割了9相微觀結構，包括GDC、LSC和孔隙。預測結果與實際圖像處理結果對比，實現了20.0的高平均交并比（mIoU）精度，顯示了該算法在自動分割7D圖像微觀結構方面的潛力，特別是在燃料電池和電解槽應用中。

圖9.（a） 用于固體氧化物燃料電池語義分割的 DL 輔助流動過程 （b） 用于驗證深度學習方法的測試圖像，以及 （c） 獲得的深度學習圖像（左）和從圖像處理中獲得的地面實況（右）。藍色區域是 GDC，綠色區域是 LSC，紅色區域是毛孔

另一種廣泛用于語義分割任務的 DL 算法是 UNet 架構。UNet 架構是一種 CNN，最初設計用于分割生物醫學圖像，但現在在金屬、巖石、燃料電池和電解槽的微觀結構組件分割方面獲得了突出地位。該架構由下采樣和上采樣路徑組成，如圖10所示。下采樣路徑會減小捕獲圖像的空間維度，但會增加特征圖的深度。另一方面，上采樣路徑通過提高特征圖的分辨率來實現精確定位，這意味著準確的分割，從而確?；謴涂s小的圖像空間維度。

圖10.UNet 體系結構的表示形式

例如，Rena等應用傳統的編碼器-解碼器和UNet算法，從作情況下捕獲的低分辨率激光顯微鏡圖像中分割SOFC中的Ni和YSZ相。使用這些算法，他們計算了相的相分數和三相邊界 （TPB）。在他們的工作中，觀察到這兩種算法能夠分割這些階段。然而，由于激光顯微鏡的低分辨率，每個相的微小微觀結構細節都丟失了，如圖 11 所示。為了提高分辨率，探索了 pix2pix GAN 架構，將低分辨率激光顯微鏡圖像轉換為高分辨率的類似 SEM 的圖像。據推斷，可以通過利用 UNet 架構來實現低分辨率圖像的分割，從而產生與地面實況非常接近的結果。然而，為了更準確地預測和分析相位，有必要使用 pix2pix GAN DL 算法提高圖像分辨率，傳統的編碼器-解碼器、UNet 和 pix2pix 架構的性能分別為 0.867、0.889 和 0.897。

圖11.（a） 傳統的編碼器-解碼器網絡 （b） 帶有編碼器-解碼器網絡的 U-net （c） 低分辨率激光圖像（左上）、真實分割圖像（中上）、具有傳統編碼器-解碼器網絡的分割圖像（左下）和帶有編碼器-解碼器的 UNet 的分割圖像（中下）、高分辨率 SEM 圖像（右上）、pix2pix GAN 輸出（右下）

眾所周知，燃料電池和電解槽的性能分別在很大程度上取決于 GDL 和 PTL 的微觀結構特性。這些特性包括孔徑、曲折度、GDL厚度、纖維直徑、孔隙率等。先前的研究表明，GDL 和 PTL 孔隙率的增加導致這些電化學器件的性能更好 。定量測量這些物理性質的能力可以深入了解反應物物質（氫和氧）通過 GDL/PTL 到達催化劑層時的質量傳遞特性或擴散行為。Mehdi等研究了具有不同百分比（5、20、40和60 wt%）涂層疏水性聚四氟乙烯（PTFE）的GDL中發生的流體流動機制。為了研究這些機制，他們利用 2D 和 3D UNet DL 算法從 X 射線計算機斷層掃描 （XCT） 圖像中分割 GDL 組件的水、空氣和 PTFE 涂層纖維相。將從 DL 算法獲得的結果與通常用于相位分割的傳統 Watershed 和 Weka 分割過程進行了比較。結果表明，兩種 DL 算法都有效地對三個階段進行了分類，與 3D UNet、Watershed 和 Weka 分割方法相比，2D UNet 算法表現出卓越的性能。

DL技術應用于PEMFC催化劑層油墨篩選，Eslamibidgoli等人利用ConVNets架構自動分割和量化催化劑油墨中的團聚體粒度分布。他們對市售的Tanaka EA50、F50和V50催化劑以及Nafion和Aquivion載體的油墨進行高分辨率TEM成像，并訓練ConVNets模型。該模型通過注釋成像墨水并應用基于區域的對象檢測算法來提高檢測準確性，提取圖像邊緣和空間細節特征。使用預訓練模型的遷移學習方法微調ConVNet，顯著提升檢測性能。Grad-CAM用于可視化包含墨水團聚體的分段區域，研究結果顯示ConVNets成功分割了催化劑墨水，F1分數不低于99%，V50團聚體最大。DL技術用于燃料電池和電解槽的基于圖像的缺陷檢測。ML算法在預測燃料電池系統健康狀況和診斷內外部缺陷方面至關重要。缺陷特征可能包括裂紋、針孔等，影響系統效率。傳統檢測方法如紅外熱成像、光學檢查、X射線和顯微鏡技術存在局限性。DL技術中的對象檢測有助于識別和理解相關對象，通過圖像注釋和DL算法訓練，實現缺陷檢測。

5 ML 算法在降解研究中的應用

燃料電池和電解槽等電化學器件的廣泛商業化受到其耐用性問題的限制，這需要通過ML模型對老化和降解機制進行廣泛的分析。借助遞歸神經網絡 （RNN） 機器學習算法，我們可以根據運行時間和系統條件預測這些設備的性能演變，也稱為剩余使用壽命 （RUL） 和電壓退化，而無需依賴物理定律和電化學方程式的復雜建模 .RNN 是一種人工神經網絡，它反復處理輸入數據，并允許在下一個時間步將一個步驟的輸出作為輸入反饋給網絡，從而捕獲輸入和輸出數據之間的動態關系。簡單來說，這意味著輸入到系統 A 的輸入特征產生輸出特征，而系統 A 的輸出特征現在用作系統 B 的輸入特征，目的是捕獲順序輸入特征和最終輸出之間的動態關系。RNN 的一個例子是回聲狀態網絡 （ESN），這是一種以其獨特架構而聞名的儲層計算神經網絡，它隨機生成具有靜態內部權重的儲層，并取代了傳統神經網絡中的隱藏層，使其在降解預測中具有計算成本效益，如圖12所示。ESN 的優點是網絡的輸出層通過多元線性回歸進行優化。

圖12.標準 Echo State Network （ESN） 的架構

Vichard等的研究通過5000小時耐久性測試，探討了PEMFC系統性能演變，發現較低環境溫度有助于加濕和降低電壓衰減率。研究將測試分為6個階段，每個階段有不同的運行時間和溫度。ESN網絡用于預測電壓劣化，模型顯示了有希望的結果，歸一化RMSE值為0.098，計算時間2秒。學習率對預測電壓衰減的重要性被討論，33%和60%的學習率分別預測PEMFC系統使用壽命為3000小時和6000小時。Morando等開發了基于信號濾波和預后分析的ESN算法，用于預測PEMFC電壓劣化，實驗顯示良好準確性，MAPE小于5%，前340小時數據足以預測至少1000小時的退化。Mezzi等提出MR-ESN和經典ESN算法，預測電池電壓劣化，MR-ESN性能更優。Zhang等改進MR-ESN架構，增強網絡處理和預測能力，研究了訓練集長度對預測準確性的影響，并使用SG濾波器和PSO算法優化模型，結果表明350小時訓練集對靜態測試條件預測精度最高，PSO優化后最佳主儲層和神經元分別為20,550和10,800個。MRM在靜態和動態測試條件下表現優于LSTM和Bi-LSTM。

LSTM模型是RNN的一種，由Hochreiter和Schmidhuber于1997年開發，用于捕獲時間序列數據中的模式和關系，解決傳統RNN的梯度消失問題。Liu等開發了基于LSTM的框架，預測載體PEMFC的耐久性，實驗數據為1155小時。他們使用定期間隔采樣和LOESS進行數據重建和平滑，保持數據完整性。研究表明，LSTM模型預測PEMFC堆棧的RUL準確率高達70.77%，預測壽命為260小時，接近實際壽命結束的511小時。

圖13.（a）基于 LSTM RNN 的 RUL 預后框架 （b）PEMFC 堆棧的降解數據 （c）LSTM RNN 的預后結果

Xu等人利用CNN-LSTM算法，基于恒定和啟停負載下的實驗數據預測PEM WE的電壓劣化。恒定負載運行1140小時，啟停負載運行660小時，以評估算法性能。實驗中每分鐘記錄一次輸出電壓，每1.5分鐘記錄一次，這些數據作為CNN-LSTM算法的輸入參數。CNN提取特征，LSTM處理順序信息以預測性能下降。數據經Savitzky-Golay濾波預處理。研究發現輸出電壓先降后升，歸因于IrO2初始氧化還原循環。CNN-LSTM在不同負載條件下預測準確，平均絕對誤差分別為0.39 mV和2.1 × 10–2mV，優于傳統LSTM模型和GRU。

Wang等人提出BILSTM-AT模型，預測PEMFC堆在靜態和動態負載下的電壓劣化。24個輸入參數中，隨機森林用于排序導致電壓衰減的重要特征。模型性能優于其他模型，相對誤差在0.09%到0.29%之間。

其他ML算法如SVM、RVM和LS-SVM也被用于燃料電池降解研究。RVM作為貝葉斯方法，生成稀疏模型，預測鋰離子電池RUL表現出色。Lee等人應用SVM和GPR預測AEM電壓，通過監測時間、電流和功率密度等參數。算法在輸入數據上表現良好，但輸入數據偏差大可能導致預測不準確。引入廣泛輸入參數是解決這一限制的權宜之計。ML在PEM FC降解或老化性能研究中應用有限，需進一步調查以更好理解系統耐用性和效率。

6結論

人工智能在燃料電池和電解槽領域的應用已顯示出巨大潛力，特別是在MEA優化、性能預測和材料開發等方面。盡管存在數據、模型解釋性等挑戰，但隨著算法進步和計算能力提升，AI有望加速這些清潔能源技術的開發和商業化進程。未來需要更多研究關注電解槽的AI應用，以及開發更高效、可解釋的AI模型來推動這一領域的發展。

參考文獻

Mariah Batool, Oluwafemi Sanumi, Jasna Jankovic,Application of artificial intelligence in the materials science, with a special focus on fuel cells and electrolyzers,Energy and AI,Volume 18,2024,100424,ISSN 2666-5468,https://doi.org/10.1016/j.egyai.2024.100424.