Đại học Hàn Quốc phát triển khung học máy dự báo và tối ưu hóa sản xuất hydro trong điện phân màng trao đổi proton
Ngày: 30 tháng 5, 2026
Annie Nguyễn
Nhóm nghiên cứu của Giáo sư Do Won Kim tại Khoa Kỹ thuật Hóa học và Sinh học, Đại học Hàn Quốc (Korea University) vừa công bố một khung học máy (machine learning) toàn diện, có khả năng dự báo, giải thích và tối ưu hóa hiệu suất sản xuất hydro của thiết bị điện phân màng trao đổi proton (PEMWE).
Công trình mang tên "Machine learning‑based framework to enhance hydrogen flow rate in proton‑exchange membrane water electrolysis: From prediction to cell design suggestion" đã được đăng trên tạp chí Journal of Environmental Chemical Engineering (tập 14, 121858, tháng 4/2026).
Thách thức tối ưu hóa thiết bị điện phân PEM
Điện phân nước màng trao đổi proton (PEMWE) được xem là công nghệ sản xuất hydro xanh hàng đầu nhờ khả năng hoạt động ở mật độ dòng điện cao, cấu trúc nhỏ gọn, dải áp suất rộng và đáp ứng động nhanh. Tuy nhiên, việc tối ưu hóa đồng thời vật liệu và điều kiện vận hành cho thiết bị điện phân đòi hỏi chi phí thực nghiệm rất lớn và kéo dài thời gian.
Khung học máy với bảy thuật toán được so sánh có hệ thống
Nhóm nghiên cứu đã phát triển một khung ML tích hợp ba giai đoạn: mô hình dự báo, giải thích bằng AI có thể giải thích (XAI), và tối ưu hóa để xác định thiết kế tế bào điện phân cho sản lượng hydro cao nhất.
Sử dụng bộ dữ liệu thực nghiệm gồm 15 biến đầu vào, bảy thuật toán ML được huấn luyện và đánh giá qua 100 lần phân chia dữ liệu ngẫu nhiên. So sánh có hệ thống bằng kiểm định Friedman và hậu kiểm Nemenyi xác nhận rằng CatBoost là thuật toán có độ chính xác và độ bền vượt trội nhất, với giá trị R² trung bình trên tập kiểm tra đạt 0,987.
Giải mã "hộp đen" bằng AI giải thích được
Phân tích SHAP (Shapley Additive exPlanations) đã xác định các thông số vận hành và thông số mô tả thiết bị điện phân có ảnh hưởng lớn nhất đến sản lượng hydro, trong khi các đồ thị phụ thuộc riêng phần (PDP) giúp hình dung tác động biên của từng biến số quan trọng lên dự báo của mô hình.
Tối ưu hóa thiết kế tế bào điện phân
Cuối cùng, tìm kiếm toàn diện trên không gian mô hình được huấn luyện cho phép xác định các cấu hình tế bào tối ưu ở các mức điện áp và nhiệt độ vận hành khác nhau, cũng như vật liệu tốt nhất cho từng thành phần. Cách tiếp cận do AI dẫn dắt này cung cấp những hiểu biết minh bạch, thực tiễn để cải thiện năng suất hydro và giảm thiểu gánh nặng thực nghiệm trong thiết kế hệ thống.
Ý nghĩa và triển vọng
Phương pháp học máy toàn diện này hứa hẹn đẩy nhanh quá trình chuyển đổi từ nhiên liệu hóa thạch sang nền kinh tế hydro bằng cách cho phép phát triển nhanh chóng, tiết kiệm chi phí các thiết bị điện phân PEM hiệu suất cao. Nghiên cứu là một phần trong xu hướng ứng dụng AI ngày càng mạnh mẽ vào lĩnh vực năng lượng tái tạo tại Hàn Quốc, đặc biệt trong phát triển chất xúc tác và tối ưu hóa quy trình sản xuất hydro.
