Daniel Tizon

新型AI模型从燃料电池数据中估算弛豫时间

研究人员开发了一种新颖的、基于物理信息的卷积自编码器，用于从电化学阻抗谱（EIS）数据中估算弛豫时间分布（DRT）。该方法通过将阻抗与DRT之间的离散化关系嵌入训练过程，解决了逆问题的病态性质，确保了阻抗一致的输出。该模型已证明其能够解析重叠的弛豫过程，并能准确地从固态氧化物燃料电池和电解池数据集中重建测量值，实现了低误差率。此外，模型中学习到的潜在表示按弛豫时间尺度组织，通过捕捉运行变化和长期退化，实现了有效的状态监测。