Технология получения водорода на основе электрофизической ионизации с использованием машинного обучения

Бюллетень науки и практики / Bulletin of Science and Practice

УДК 621.3.035.2:621.315.592:004.8                

Согласно прогнозам Международного энергетического агентства (IEA, 2024), глобальный спрос на водород к 2030 г достигнет 180 млн т/год [1].

Однако существующие технологии производства, в первую очередь паровой риформинг метана и электролиз воды, не в полной мере отвечают требованиям по энергоэффективности, экологичности и экономической целесообразности в масштабах «зеленой» экономики. Электрофизическая ионизация (ЭФИ) представляет собой перспективный альтернативный метод, основанный на диссоциации молекул-предшественников (H₂O, CH₄) в неравновесной низкотемпературной плазме импульсного разряда. Теоретический КПД метода оценивается в 92-95% [2], что превосходит лучшие показатели PEM-электролизеров. Основная сложность внедрения ЭФИ заключается в необходимости точного контроля множества взаимосвязанных параметров (напряжение, частота, форма импульса, состав газа, геометрия реактора), что представляет собой сложную многопараметрическую задачу. Машинное обучение, обладающее мощным потенциалом для анализа больших данных и поиска сложных нелинейных зависимостей, становится ключевым инструментом для преодоления этого барьера. Представлены результаты разработки и оптимизации технологии ЭФИ с применением комплексной ML-архитектуры. Целью работы было создание самообучающейся системы управления, способной в реальном времени адаптировать параметры разряда для максимизации выхода водорода, энергоэффективности и срока службы установки. Активный рост числа публикаций в период 2023-2025 гг. свидетельствует о формировании нового междисциплинарного направления на стыке физики ионизованной системы(плазмы) и искусственного интеллекта [3-9]. Анализ ключевых работ представлен в Таблице 1.

Таблица 1

СРАВНИТЕЛЬНЫЙ АНАЛИЗ СОВРЕМЕННЫХ ИССЛЕДОВАНИЙ ПО ПРИМЕНЕНИЮ МО В ТЕХНОЛОГИЯХ ПОЛУЧЕНИЯ ВОДОРОДА

Проведенный анализ выявил основные тенденции: переход от однофакторной оптимизации к комплексному управлению процессом, использование гибридных моделей и рост интереса к обучению с подкреплением. Однако большинство исследований фокусируется на решении частных задач, в то время как наш подход предлагает комплексное решение.

Методология исследования

• 1.    Экспериментальная установка. Исследования проводились на лабораторной установке, основным элементом которой являлся реактор с импульсным коронным разрядом. Диапазон рабочих параметров: Напряжение: 20-100 кВ; Частота импульсов: 1-10 кГц; Состав газовой смеси: H₂O/CH₄ в соотношении от 1:1 до 1:4.

• 2.    Архитектура ML-модели и алгоритм обучения. Для сбора обучающей выборки было проведено большое количество экспериментов с вариацией ключевых параметров (V, f, состав газа). Данные были нормализованы с использованием Min-Max scaling. Нормализация данных с помощью Min-Max Scaling — это метод предобработки данных, который преобразует числовые признаки в определенный диапазон, обычно [0, 1] и является очень чувствительным к экстремальным значениям. При этом каждое значение признака преобразуется по следующей формуле: Xnorm. = (X - Xmin) / (Xmax - Xmin), где X — исходное значение; Xmin — минимальное значение в столбце (признаке); Xmax — максимальное значение в столбце (признаке). Результатом этой операции является значение в интервале [0, 1], где: 0-соответствует минимальному значению в исходном столбце; 1- соответствует максимальному значению.

Была разработана гибридная ML-архитектура, интегрирующая: CNN-модуль: для анализа спектральных данных плазмы и идентификации паттернов, коррелирующих с высоким выходом H₂. LSTM-модуль: для временного анализа данных и прогнозирования износа электродов и каталитических элементов, что позволяет реализовать стратегию предиктивного обслуживания. Агент Q-learning: для динамического управления параметрами разряда (напряжение, длительность импульса) на основе обратной связи от датчиков [5].

Обучение модели проводилось с использованием: Оптимизатор: AdamW (learning rate=3e-4 -это научная запись числа 0.0003):это усовершенствованная версия одного из самых популярных оптимизаторов в глубоком обучении — Adam; Функция потерь: Huber loss(устойчива к выбросам в экспериментальных данных): Huber Loss (потери Хубера) — это функция потерь, используемая в задачах регрессии, которая сочетает в себе свойства двух других популярных функций: MSE (Mean Squared Error) и MAE (Mean Absolute Error).

Результаты и обсуждение

Сравнительные показатели эффективности представлены в Таблице 2.

Таблица 2

СРАВНИТЕЛЬНЫЕ ПОКАЗАТЕЛИ ЭФФЕКТИВНОСТИ

• 1.    Энергоэффективность: Достигнутый показатель топливной эффективности в 142.3 г/кВт·ч является рекордным среди аналогов. Это означает, что установка расходует всего 142.3 грамма топлива для производства 1 кВт,ч энергии, в то время как показатель старых установок составляет ≈200 г/кВт.ч, а лучших современных аналогов — ≈160 г/кВт.ч. Этот прорыв стал возможным благодаря двум ключевым факторам: GAN-синтез оптимальных форм импульсов: Использование генеративно-состязательных сетей (GAN) [6] позволило найти высокоэффективные формы управляющих импульсов. Традиционные методы (аналитические или ручной перебор) неэффективны из-за высокой сложности и многомерности пространства параметров системы, тогда как GAN обеспечивает нахождение глобально оптимальной формы, недостижимой при ручной настройке. Динамическое управление зазором электродов (на основе Q-learning): агент Q-learning в реальном времени корректирует геометрию реактора, компенсируя эрозию электродов и поддерживая оптимальные условия разряда. Коррекция зазора происходит плавно, а агент непрерывно анализирует состояние реактора (силу тока, напряжение, стабильность разряда). На основе этого анализа он с высокой частотой (порядка миллисекунд/секунду) принимает микро-решения, возвращая систему в оптимальный режим с учётом её текущего состояния.

• 2.    Стабильность процесса: LSTM-модель [7] анализирует исторические данные по давлению, температуре и спектральным характеристикам разряда, выполняя прогноз остаточного ресурса катализатора и электродов. Это позволяет эффективно планировать техническое обслуживание (ТО) и предотвращать внезапные остановки. Система автоматически корректирует рабочие параметры (нагрузку, скорость) и планирует ТО в оптимальные временные окна. Кроме того, она генерирует предиктивные рекомендации (например, замену подшипника за 50 часов до прогнозируемого отказа). В результате срок службы ключевых компонентов установки увеличен в 2.3 раза по сравнению с результатами полученными ранее [9].

• 3.    Скорость обучения: Гибридная архитектура и оптимизированный алгоритм обучения обеспечили рекордно высокую скорость обучения, что критически важно для быстрой перенастройки системы при работе с новыми видами сырья или в меняющихся условиях. Система достигает этого за счёт распределения задач между нейросетевыми и классическими блоками, адаптивной оптимизации вычислительного графа и селективного обучения только релевантных параметров для конкретного сырья. Несмотря на функциональные преимущества гибридных ML-архитектур в управлении водородным производством (комбинированный анализ данных, адаптивное управление, селективное обучение), их практическое использование сопряжено со следующими ограничениями: 1. Высокие требования к чистоте воды: Для стабильной работы и предотвращения загрязнения реактора требуется вода с чистотой более 99.99%. 2. Электромагнитные помехи: Импульсный разряд высокой мощности является источником ЭМ-помех, что требует разработки эффективного экранирования и помехозащищённой системы управления.

Заключение и перспективы

Разработанная интеллектуальная технология получения водорода основана на электрофизической ионизации и управляется гибридной ML-моделью. Интеграция методов машинного обучения (CNN, LSTM, Q-learning) позволила существенно повысить энергоэффективность (КПД 91.2%), стабильность процесса и снизить себестоимость (2.1 кг H 2 ). Перспективными направлениями для дальнейших исследований являются:

• 1.    Разработка самообучающихся каталитических систем, способных адаптировать свою поверхностную морфологию для достижения максимальной эффективности [6];

• 2.    Создание открытой базы экспериментальных данных по ЭФИ для ускорения развития направления;

• 3.    Разработка отраслевых стандартов для валидации и сравнения ML-моделей, применяемых в подобных технологических задачах.

Данное исследование закладывает основу для создания водородной энергетики 4.0, характеризующейся конвергенцией физических принципов ионно-плазменных процессов и интеллектуальных, самооптимизирующихся систем управления.