음이온 교환막 수전해 시스템의 예측 기계 학습 최적화

음이온 교환막 수전해(AEMWE)는 순수한 녹색 수소 생산을 위한 유망한 경로로, 탄소 중립 배출 및 지속 가능한 개발 목표 달성에 기여합니다. AEMWE 시스템은 전기화학적/막 전극 조립(MEA) 설계, 음이온 교환막(AEM) 특성 및 넓은 운영 매개변수 사이의 절충점 때문에 상당한 도전에 직면해 있습니다. 이러한 상호 의존적인 프로세스를 최적화하는 것은 확장 가능하고 효율적인 수소 생산을 위해 필수적입니다. 본 연구에서는 AEMWE 성능에 영향을 미치는 가장 중요한 매개변수를 체계적으로 식별하고 최적화하기 위해 혁신적 기계 학습 모델을 최초로 사용했습니다. 반복적 특성 제거 기법을 적용하여 프로세스 전반에 걸쳐 중요한 특성을 선택한 후 교차 검증, 하이퍼파라미터 조정 및 모델 최적화를 수행했습니다. 조사된 모델 중 CatBoost 및 랜덤 포레스트가 전류 밀도의 예측 성능이 가장 높았으며, 각각 R² 0.95 및 0.91을 달성하고 가장 낮은 RMSE, MAE 및 MAPE를 보여주었습니다. 상관 분석 결과 AEM의 전기화학적, 차원적 및 기계적 특성 간의 주목할 만한 절충이 발견되었습니다. 또한, 순열 변수 중요도(PVI) 및 SHapley Additive exPlanations(SHAP) 기법을 사용하여 이온 전도도(IC)가 전류 밀도의 가장 중요한 예측 변수로 확인되었습니다. 부분 의존 분석(PDA)은 250 mS cm−1의 IC가 전류 밀도를 극대화하는 데 최적이라고 제안했습니다. 이러한 발견은 데이터 기반 프로세스 최적화를 위한 귀중한 통찰을 제공하여 AEMWE 기술을 상업적 실행 가능성으로 발전시키는 데 기여할 수 있습니다. 본 연구에서 제시된 주요 통찰은 고성능 AEM 및 MEA 설계의 제작을 위한 잠재적인 로드맵이 될 수 있으며, 산업 규모의 AEMWE 시스템의 완전 자동화도 포함됩니다. • AEMWE 프로세스 최적화를 위한 다수의 예측 기계 학습 모델. • 차원적, 전기화학적 및 기계적 프로세스 간의 주요 절충점 식별. • CatBoost 및 랜덤 포레스트가 수소 생산을 위한 가장 높은 예측 성능을 보여줌. • 발견된 결과는 고성능 AEM 및 MEA 설계 제작을 위한 잠재적인 로드맵을 제공함.