Điện phân nước sản xuất hydro bằng học máy: Bài tổng quan từ Đại học Edinburgh chỉ ra xu hướng, khoảng trống và cơ hội
Ngày: 30 tháng 5, 2026
Annie Nguyễn
Nhóm nghiên cứu tại Đại học Edinburgh (Vương quốc Anh) vừa công bố bài tổng quan mang tên "A critical review of modeling hydrogen production using water electrolysis and machine learning: trends, gaps and opportunities" trên tạp chí Energy and AI (tập 14, tháng 4/2026). Bài báo thuộc khuôn khổ luận án Tiến sĩ của tác giả chính Davide P. Busecco tại Trường Kỹ thuật, dưới sự hướng dẫn của các Giáo sư Dr. Hosein. Công trình tổng hợp hệ thống 150 bài báo từ năm 2019 đến 2025, làm rõ vai trò đang ngày càng quan trọng của học máy trong việc mô hình hóa các quá trình điện phân nước (AWE, PEMWE, SOEC) để sản xuất hydro.
Học máy đang chiếm lĩnh lĩnh vực mô hình hóa điện phân
Từ 150 nghiên cứu được phân tích, các tác giả nhận thấy sự thống trị của học máy (ML) so với học sâu (DL) và tối ưu hóa (OPT). Mạng nơ-ron nhân tạo (ANN) và các thuật toán ML lai ghép với tối ưu hóa là những phương pháp được ưa chuộng nhất. Các chỉ số hiệu suất như R² và RMSE được sử dụng phổ biến để đánh giá chất lượng mô hình.
Về phân bố theo loại hình điện phân, các mô hình AI tập trung nhiều nhất vào điện phân nước kiềm (AWE), tiếp đến là điện phân màng trao đổi proton (PEMWE), trong khi điện phân oxit rắn (SOEC) – mặc dù có hiệu suất cao – lại ít được chú ý do chi phí thử nghiệm cao và số lượng nghiên cứu thực nghiệm còn hạn chế.
Khoảng trống nghiên cứu: Thiếu xác nhận thực nghiệm và mô hình tích hợp
Mặc dù các mô hình ML thể hiện khả năng dự báo ấn tượng, bài tổng quan chỉ ra một số khoảng trống nghiên cứu quan trọng:
-
Xác nhận thực nghiệm còn thiếu: Nhiều nghiên cứu ML tập trung vào tối ưu hóa các thông số vận hành nhưng hiếm khi xác nhận kết quả bằng thực nghiệm.
-
Thiếu tích hợp vật lý: Các mô hình thuần túy dựa trên dữ liệu (black-box) thiếu sự tích hợp các nguyên lý vật lý, dẫn đến tính bền vững và khả năng tổng quát hóa kém.
-
Hạn chế về quy mô: Hầu hết các mô hình chỉ hoạt động ở quy mô phòng thí nghiệm, chưa được mở rộng lên cấp độ công nghiệp.
-
SOEC chưa được khai thác: Tiềm năng của SOEC hầu như chưa được khai thác trong các nghiên cứu ML.
Cơ hội phía trước: Vật lý, mở rộng quy mô và AI thế hệ mới
Để giải quyết các khoảng trống này, các tác giả đề xuất một lộ trình nghiên cứu gồm ba hướng chính:
-
Tích hợp vật lý vào mô hình ML: Kết hợp các nguyên lý nhiệt động lực học và động học điện hóa vào mạng nơ-ron (PINN) hoặc sử dụng mô hình ML được điều chỉnh bằng bộ giải PDE.
-
Mở rộng quy mô mô hình: Phát triển các phương pháp học chuyển tiếp (transfer learning) để mở rộng mô hình từ quy mô phòng thí nghiệm sang công nghiệp.
-
Tăng cường khả năng giải thích: Áp dụng các kỹ thuật AI giải thích được (XAI) như SHAP và LIME để xây dựng lòng tin vào các mô hình "hộp đen".
Bài báo kết luận rằng các mô hình ML có tiềm năng to lớn trong việc thúc đẩy quá trình chuyển đổi sang nền kinh tế hydro, nhưng để hiện thực hóa tiềm năng này, cần có sự hợp tác chặt chẽ giữa các nhà nghiên cứu học máy, kỹ sư hóa học và các bên liên quan trong ngành công nghiệp.
Các tác giả bày tỏ lòng biết ơn đến EPSRC (Hội đồng Nghiên cứu Kỹ thuật và Khoa học Vật lý Vương quốc Anh) và Shell cho học bổng Tiến sĩ của mình, cũng như Horizon 2020 vì đã cung cấp một số dữ liệu được sử dụng trong các thí nghiệm liên quan.
