AI, Digital Twin và PINNs có thể giúp giảm chi phí hydrogen tới 15% — góc nhìn từ chuyên gia Carlos Zygier
16 May 2026
Annie Nguyễn
Chuyên gia chiến lược trong lĩnh vực nhiên liệu sạch Carlos Zygier cho rằng việc ứng dụng trí tuệ nhân tạo (AI), digital twin và các mô hình học máy tiên tiến có thể trở thành “động lực số hóa” quan trọng giúp giảm chi phí sản xuất hydrogen và tối ưu toàn bộ chuỗi giá trị.
Trong bài phân tích về Renewable Hydrogen Digital Boosters & Drivers, ông nhấn mạnh hydrogen là một ngành “giàu dữ liệu nhưng phụ thuộc mạnh vào yếu tố bên ngoài”, bao gồm:
- Giá điện và năng lượng tái tạo
- Điều kiện thời tiết
- Hiệu suất thiết bị điện phân
- Hệ thống lưu trữ và vận hành
AI và digital twin trong tối ưu hóa hydrogen
Theo ông Zygier, việc áp dụng:
- Digital Twin (DT)
- Generative AI
- Probabilistic analytics
- Machine learning (ML)
có thể giúp mô phỏng toàn bộ vòng đời dự án hydrogen và đánh giá tác động của các biến số lên:
- Chi phí sản xuất (LCOx)
- Hiệu suất vận hành
- Rủi ro kỹ thuật
- Tiêu hao năng lượng
Ông ước tính rằng tối ưu hóa bằng digital twin có thể giúp:
- Giảm tới ~15% chi phí sản xuất hydrogen trong một số kịch bản vận hành
Vai trò của PINNs và AI vật lý
Một điểm quan trọng trong phân tích là việc sử dụng:
- Physics-Informed Neural Networks (PINNs)
Các mô hình này kết hợp:
- Dữ liệu AI
- Các định luật vật lý truyền thống
Nhằm tăng độ chính xác và giảm “tính hộp đen” (black-box) của AI trong công nghiệp hydrogen.
Ứng dụng trong toàn bộ chuỗi hydrogen
Ông Zygier đề xuất AI có thể được áp dụng trong nhiều lĩnh vực:
1. Sản xuất hydrogen
- Tối ưu điện phân nước (electrolysis)
- Cải thiện methane pyrolysis và SMR
- Thiết kế nhà máy bằng generative AI
2. Vận hành & bảo trì
- Dự đoán hỏng hóc (predictive maintenance)
- Giảm thời gian dừng máy
- Tối ưu hóa xúc tác (catalyst design)
3. Lưu trữ & an toàn
- Theo dõi nhiệt độ, áp suất, độ tinh khiết
- Sử dụng cảm biến kết hợp AI
- Tăng an toàn lưu trữ áp suất cao và cryogenic
4. Logistics & hạ tầng
- Tối ưu tuyến vận chuyển
- Giám sát đường ống và rò rỉ
- Robot tự động hỗ trợ vận hành
Thách thức triển khai
Dù tiềm năng lớn, ông cũng chỉ ra nhiều rào cản:
- Thiếu dữ liệu công nghiệp quy mô lớn
- Khó tích hợp với hạ tầng hiện hữu
- Vấn đề độ tin cậy cảm biến
- An ninh mạng trong hệ thống AI công nghiệp
- Tính liên thông giữa các hệ thống vận tải và năng lượng
Kết luận
Theo Zygier, tương lai của hydrogen không chỉ phụ thuộc vào công nghệ điện phân hay nguồn năng lượng tái tạo, mà còn nằm ở khả năng:
- Số hóa toàn bộ chuỗi giá trị
- Kết hợp AI + vật lý + dữ liệu vận hành thực tế
- Tạo ra hệ thống hydrogen thông minh và tự tối ưu hóa
