Enhancing predictive accuracy in alkaline water electrolysis: A machine learning approach to the effects of trans‐diaphragm fluid flow using experimental data
Notice bibliographique
Résumé
Abstract Enhancing the efficiency of alkaline water electrolysis is critical for large‐scale green hydrogen production, yet accurately predicting hydrogen‐in‐oxygen concentrations remains a significant challenge due to the complex nonlinear interactions between electrochemical and fluid dynamic parameters. This study employs machine learning to improve the predictive accuracy of hydrogen‐in‐oxygen levels under varying trans‐diaphragm fluid flow conditions, addressing a gap in existing modelling approaches that rely primarily on theoretical or empirical methods. Five artificial neural network models were developed using experimental data from a 0.6 m single‐stack electrolyzer operating with an electrolyte. The models were trained and tested on 132 experimental data points, with 75% allocated for training and 25% for testing. The number of neurons in the hidden layer of the network models developed with a single hidden layer and the TanSig activation function was optimized by analyzing the performance of different network models. The models achieved exceptional predictive accuracy, with mean squared errors below 1.47E‐02, correlation coefficients exceeding 0.989, and margin of deviation within ±0.82% across all test cases. These findings confirm the capability of machine learning‐based predictive modelling to enhance electrolysis optimization, reduce experimental costs, and support the scalable deployment of green hydrogen production. The novel integration of machine learning in trans‐diaphragm fluid flow analysis advances predictive modelling beyond conventional techniques, offering a robust approach for industrial‐scale electrolysis system enhancement. This study primarily aims to develop accurate predictive models for hydrogen‐in‐oxygen concentrations under varying trans‐diaphragm flow conditions, addressing a critical gap in monitoring and controlling alkaline water electrolysis systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».