Ứng dụng AI lai ghép (DRL + LSTM) cho bảo trì dự báo trong hệ thống sản xuất hydro phát thải thấp: Đại học Huelva phát hiện hệ số tương quan 0,99 giữa nhiệt độ nước làm mát và nhiệt độ dòng hydro
Ngày: 30 tháng 5, 2026
Annie Nguyễn
Trong bối cảnh hydro được xác định là một giải pháp then chốt cho lưu trữ năng lượng dài hạn, với khả năng sản xuất từ điện phân sử dụng nguồn điện tái tạo, việc đảm bảo các thiết bị điện phân vận hành hiệu quả và an toàn là một yêu cầu cấp thiết. Một nhóm nghiên cứu tại Đại học Huelva (Tây Ban Nha) đã công bố một khái niệm trí tuệ nhân tạo (AI) lai ghép, kết hợp học tăng cường sâu (Deep Reinforcement Learning – DRL) với mạng bộ nhớ dài-ngắn (Long Short-Term Memory – LSTM), dành cho bảo trì dự báo (predictive maintenance) trong các nhà máy điện phân.
Tầm quan trọng của bảo trì dự báo trong sản xuất hydro xanh
Khi các dự án hydro xanh quy mô lớn được triển khai trên toàn cầu, thời gian chết ngoài kế hoạch của thiết bị điện phân có thể gây ra thiệt hại kinh tế nghiêm trọng và làm gián đoạn nguồn cung cấp hydro cho các ngành công nghiệp hạ nguồn. Các phương pháp bảo trì truyền thống – dựa trên lịch trình cố định hoặc chỉ can thiệp sau khi sự cố xảy ra – đã được chứng minh là không đủ. Bảo trì dự báo (predictive maintenance) sử dụng AI để dự đoán trước các bất thường tiềm ẩn, cho phép các nhà vận hành thực hiện các hành động khắc phục một cách chủ động, giảm thời gian chết và kéo dài tuổi thọ thiết bị.
Khái niệm AI lai ghép: DRL + LSTM
Nghiên cứu được công bố trong khuôn khổ cuốn sách "Promotion of Scientific, Technological and Innovation Culture in Smart Cities" (NXB: Escuela Técnica Superior de Ingeniería – Universidad de Huelva, ISBN: 9798266036024, năm xuất bản 2024, trang 31–34) trình bày một khái niệm AI lai ghép gồm hai thành phần chính:
-
Học tăng cường sâu (DRL): Sau khi xác định biến số quan trọng phản ánh tình trạng sức khỏe của nhà máy, thuật toán DRL tìm kiếm trong tập dữ liệu quá trình vận hành của thiết bị điện phân để chọn ra biến số có mối tương quan cao nhất với biến số quan trọng đó. Biến số quan trọng được lựa chọn trong nghiên cứu này là nhiệt độ dòng hydro – một chỉ số phản ánh trực tiếp hiệu suất và sức khỏe của thiết bị điện phân.
-
Mạng bộ nhớ dài-ngắn (LSTM): Dữ liệu về biến số được DRL lựa chọn sau đó được đưa vào mạng LSTM để dự báo nhiệt độ dòng hydro trong tương lai. Giá trị dự báo này có thể được sử dụng để điều khiển hoặc dừng nhà máy điện phân trong trường hợp cảm biến thực tế bị hỏng, đảm bảo an toàn vận hành.
Kết quả đột phá: Hệ số tương quan 0,99 giữa nhiệt độ nước làm mát và nhiệt độ dòng hydro
Phân tích của DRL đã xác định rằng nhiệt độ nước làm mát (cooling water temperature) có hệ số tương quan cao nhất với nhiệt độ dòng hydro, đạt giá trị 0,99. Hệ số tương quan gần bằng 1 này chỉ ra mối quan hệ gần như tuyến tính hoàn hảo giữa hai biến số, mở ra một hướng tiếp cận mới trong việc giám sát gián tiếp tình trạng của thiết bị điện phân thông qua các thông số vận hành dễ đo lường hơn.
Mô hình LSTM sau đó được sử dụng để dự báo nhiệt độ dòng hydro, đạt sai số bình phương trung bình gốc (root-mean-squared error – RMSE) là 0,1351. Mức sai số thấp này chứng tỏ khả năng dự báo chính xác của mô hình, cho phép các nhà vận hành tin tưởng vào các khuyến nghị từ hệ thống AI.
Ứng dụng thực tiễn và ý nghĩa chiến lược
Giá trị dự báo nhiệt độ dòng hydro từ mô hình LSTM có thể được sử dụng để:
-
Điều khiển chủ động (proactive control): Tự động điều chỉnh các thông số vận hành (ví dụ: lưu lượng nước làm mát, dòng điện) để duy trì nhiệt độ dòng hydro trong ngưỡng an toàn, ngăn ngừa quá nhiệt và suy giảm hiệu suất.
-
Dừng khẩn cấp (emergency shutdown): Trong trường hợp cảm biến nhiệt độ dòng hydro thực tế bị hỏng (một sự cố phổ biến trong môi trường công nghiệp khắc nghiệt), giá trị dự báo từ mô hình LSTM có thể được sử dụng làm giá trị thay thế (redundancy) để kích hoạt quy trình dừng khẩn cấp, đảm bảo an toàn cho toàn bộ nhà máy.
Bối cảnh rộng lớn: AI trong quản lý tài sản hydro
Nghiên cứu này là một phần của xu hướng ứng dụng AI ngày càng mạnh mẽ vào quản lý tài sản và bảo trì dự báo trong ngành công nghiệp hydro, một lĩnh vực đã chứng kiến nhiều bước tiến quan trọng trong năm 2026:
-
Phát hiện rò rỉ hydro bằng quang phổ kết hợp ML: Một bài tổng quan trên tạp chí Processes đã phân tích việc tích hợp các kỹ thuật quang phổ với học máy để phát hiện rò rỉ hydro với độ nhạy cao, ngay cả ở nồng độ rất thấp, giúp cảnh báo sớm và ngăn ngừa các sự cố tiềm ẩn.
-
Quản lý toàn vẹn đường ống dựa trên rủi ro: AMPP đã giới thiệu một khung quản lý toàn vẹn thế hệ mới cho đường ống vận chuyển hydro, sử dụng mô hình suy giảm kỹ thuật số, dữ liệu cảm biến thời gian thực và mô hình rủi ro dự báo để tối ưu hóa lịch trình bảo trì, giảm chi phí kiểm tra và nâng cao độ an toàn.
-
Dự báo cắt giảm năng lượng tái tạo bằng AI: Một nghiên cứu trên tạp chí Energy đã sử dụng các mô hình học máy LSTM, BiLSTM và XGBoost để dự báo cắt giảm điện mặt trời và điện gió theo giờ, từ đó tối ưu hóa lịch vận hành của nhà máy điện phân để sản xuất hydro xanh với chi phí dưới 3 USD/kg.
Triển vọng tương lai
Khi ngành công nghiệp hydro toàn cầu chuyển từ giai đoạn thử nghiệm sang triển khai thương mại quy mô lớn, nhu cầu về các hệ thống giám sát và bảo trì thông minh, dự báo sẽ trở nên cấp thiết hơn bao giờ hết. Nghiên cứu của Đại học Huelva không chỉ cung cấp một khái niệm AI lai ghép có độ chính xác cao, mà còn mở ra một hướng tiếp cận mới trong việc phát hiện mối tương quan giữa các biến số vận hành, giúp giảm thiểu số lượng cảm biến cần thiết và nâng cao độ tin cậy tổng thể của hệ thống sản xuất hydro.
Trong bối cảnh các chính sách hỗ trợ hydro đang được tăng cường mạnh mẽ trên toàn cầu – với gói hỗ trợ 1,3 tỷ euro của Đức thông qua Ngân hàng Hydro châu Âu, mạng lưới lõi hydro của Hà Lan và Đức, và việc Trung Quốc nâng hydro lên vị thế "điểm tăng trưởng mới" – những công cụ AI như đang được phát triển tại Đại học Huelva sẽ đóng vai trò then chốt trong việc đảm bảo các tài sản hydro vận hành an toàn, hiệu quả và có lợi nhuận, góp phần hiện thực hóa các mục tiêu trung hòa carbon vào giữa thế kỷ.
