《Computers & Chemical Engineering》：Digital twin framework with physics-informed neural networks for real-time monitoring of PEM electrolyzers in renewable microgrids
编辑推荐：
数字孪生技术在质子交换膜电解槽中的集成与应用，通过构建虚实同步的数字孪生框架，结合物理信息神经网络（PINNs）优化预测模型，实现电解槽实时监控、性能评估与退化预警，验证了分层架构与多物理场耦合方法的有效性。
哈桑·纳纳尼（Hassan NAANANI）|梅里姆·凯苏尼（Meriem KAYSOUNY）|阿纳斯·阿贝尔胡什（Anas ABERHOUCH）|赛义德·赛尔（Said SAIR）|阿卜杜萨马德·费克（Abdessamad FAIK）
摩洛哥本盖里尔（Benguerir）穆罕默德六世理工学院（University Mohammed VI Polytechnic，UM6P）化学科学与工程学院（College of Chemical Sciences and Engineering，CCSE），可持续能源技术无机材料实验室（Laboratory of Inorganic Materials for Sustainable Energy Technologies，LIMSET），邮编43150
摘要
生产绿色氢气的电解槽运行面临两大关键挑战：一是对氢气的需求在各种应用中迅速增加，二是电化学组件的耐用性有限。数字孪生（Digital Twin，DT）技术通过实现实时监控、故障检测和预测分析，为解决这些限制提供了有前景的途径。本研究开发了一种用于实验室规模质子交换膜（Proton Exchange Membrane，PEM）电解槽的数字孪生系统，该系统由两个串联的电解槽组成。虚拟模型与在不同运行条件下获取的实验电压和电流数据同步，从而能够持续验证系统的性能。为了提高预测能力，将基于物理信息的神经网络（Physics-Informed Neural Networks，PINN）集成到数字孪生系统中，结合了极化数据与电化学约束条件，包括巴特勒-沃尔默活化动力学（Butler-Volmer activation kinetics）和欧姆电阻（ohmic resistance）。所开发系统的三维表示提供了电解槽及其运行状态的交互式可视化。这一框架支持实时监控、性能评估和退化监测，为PEM电解系统的智能控制和诊断策略奠定了实用基础。
引言
全球脱碳的推进加剧了人们对绿色氢气生产的兴趣，绿色氢气生产利用可再生能源生成氢气且不排放温室气体（Adeli等人，2023年）。这种清洁能源载体在交通、工业过程和能源存储等多个领域具有巨大潜力，使其成为可持续未来的核心（Nachtane等人，2024年）。近年来，已经开发并商业化了许多生产绿色氢气的技术，尤其是电解技术（Taroual等人，2024年）。在各种电解技术中，质子交换膜（PEM）电解槽因其快速响应时间和在功率波动下的高效运行能力而特别适合与可再生能源结合使用（Adeli等人，2025年）。它们的紧凑设计和高纯度氢气输出是显著优势。然而，PEM系统也存在挑战，包括依赖昂贵的贵金属催化剂（如铂和铱）以及需要高度纯净的水，这可能会增加运营成本并在某些地区限制其可扩展性（Du、Zhang和Sun，2021年）。
PEM电解槽的复杂性，加上可再生能源的不确定性，使得其优化和稳健运行至关重要。这就是数字孪生技术变得不可或缺的地方（Naanani、Nachtane和Faik，2025年）。对于PEM电解槽而言，数字孪生提供了一个动态的虚拟副本，能够反映物理系统的实时性能。Monopoli等人（Monopoli等人，2024年）提出了一种构建PEM电解槽数字孪生的统一方法。他们首先介绍了数字孪生的架构，然后分析了其所有组件，概述了构建运行中的PEM电解槽系统的功能数字孪生所需的所有步骤。同样，Zhao等人（Zhao和Zhu，2021年）提出了一种专门用于PEM燃料电池系统故障诊断的数字孪生方法。在他们的工作中，通过检测和评估残差向量来进行故障诊断，并通过仿真结果成功验证了该方法的可行性。此外，Zhang等人（Zhang等人，2023年）引入了一种基于数字孪生的在线方法来预测PEM燃料电池（PEMFC）的剩余使用寿命（RUL）。该方法基于长短期记忆（Long Short-term Memory，LSTM）神经网络和分位数Huber损失（QH-loss），即使使用有限的在线监测数据训练，也能准确预测PEMFC的RUL。在这些概念的基础上，Flogado等人（Folgado、González和Calderón，2022年）描述了一个基于MATLAB的应用程序的设计和实现。该应用程序无缝嵌入了PEM水电解槽（PEM Water Electrolyzer，WE）的数字副本和专用的图形用户界面（GUI）进行控制，所有这些都集成在由光伏能源供电的智能微电网的运行框架内，并支持氢气的生成和存储。尽管取得了这些进展，但现有文献中完全实现的数字孪生实例仍然很少。大多数研究要么依赖于模拟数据，要么依赖于运营设施的历史记录。此外，一个常见的趋势是作者往往只关注物理层或数字层中的某一方面，而不是它们的联合和协同集成（Semeraro等人，2023年）。尽管如此，仍有一些具体的数字孪生实现案例。例如，Sun等人（Sun、Wang和Chen，2024年）成功地在50千瓦燃料电池PEM工厂中部署了数字孪生系统用于故障诊断。该系统利用运营数据，展示了提取特征和准确识别各种故障类型的超过90%的精度。Deon等人（Deon等人，2022年）提供了一个用于热电厂的数字孪生实例，该实例提供了预测性维护和故障诊断功能。这一功能使公司能够预见意外事件，从而减少停机时间和相关维护成本。
在这项研究中，我们专注于设计和实现一个用于实验室规模质子交换膜（PEM）电解槽堆的数字孪生系统，该系统由两个串联的电解槽组成。该系统的虚拟副本旨在精确反映从物理单元获得的实验测量结果和数字孪生模型生成的仿真数据。为了进一步提高预测性能，将基于物理信息的神经网络（PINNs）集成到数字孪生系统的结构中，并通过Grafana的直观Web界面持续监控和可视化其输出。本文的结构旨在引导读者了解我们的方法和发现。第1节首先提供了系统的全面描述，为理解物理PEM电解槽奠定了基础。接下来，第2节详细介绍了数字孪生的设计，概述了其架构和组件。第3节进一步阐述了基于物理信息的神经网络（PINNs）的集成方式，解释了如何通过这些网络增强数字孪生的预测能力。随后，第4节介绍了使用Grafana和基于云的InfluxDB集成实现PEM电解槽实时监控的实时仪表板，展示了系统性能的可视化和管理方法。最后，第5节展示了结果和讨论，分析了我们的发现并进行了解释。
部分摘录
系统描述
本研究中的系统是一个集成在数字孪生框架中的实验室规模PEM电解槽，用于实时监控和预测分析。实验平台基于一个两电解槽的Titan EZ120堆栈，连接到配备电化学阻抗谱（EIS）模块的恒电位仪/恒电流仪。这种配置可以同时获取不同工作电压下的极化曲线和阻抗谱（Lasia，2014年；Orazem等
数字孪生设计
PEM电解槽的数字孪生（DT）采用了分层架构，结合了物理建模、实时数据采集和三维可视化。在物理层，使用CAD和3D建模工具详细建模了实际的PEM电解槽堆栈，从而在Unity和Blender中构建了虚拟副本。如图3所示，这种数字表示允许对电解槽的运行进行结构可视化和交互式仿真
基于物理信息的神经网络（PINNs）的集成
为了提高预测精度，在PEM电解槽的数字孪生系统中插入了基于物理信息的神经网络（PINNs）。与纯数据驱动的神经网络不同，PINNs将物理约束条件（如控制电极动力学的巴特勒-沃尔默方程和欧姆电阻关系）直接整合到训练损失函数中。PINN架构包括一个前馈神经网络，每层有64个神经元和ReLU激活函数
PEM电解槽实时监控仪表板的实现
基于云的监控基础设施，特别是利用Grafana的基础设施，已成为实时分析和可视化复杂数据的基本工具。像Prometheus和Grafana这样的云监控工具对于实时数据分析和可视化至关重要，使组织能够迅速响应异常情况并预防安全漏洞（ISO 23247-1:2021 2021）。然而，基于云的系统可能会面临数据延迟和依赖稳定性等问题结果与验证
通过将PEM电解槽的实验测量结果与虚拟模型的仿真输出进行系统比较，验证了所提出的数字孪生框架（其中包含了基于物理信息的神经网络（PINNs））。这一阶段的重点是评估预测精度、在动态条件下的响应能力以及框架检测早期退化迹象的能力。研究的局限性包括其实验室规模的性质结论与未来工作
本研究提出了一个全面的数字孪生（DT）框架，专门用于PEM电解槽的实时监控、预测和诊断分析。研究取得了几项重要贡献。首先，实现了一个分层式的DT架构，将两电解槽Titan EZ120堆的实验测量结果与基于物理的仿真相结合。这种双重方法确保了数字副本与物理电解槽保持同步
写作过程中生成式AI和AI辅助技术的声明
在准备本工作时，作者使用了ChatGPT来提高某些段落的可读性和表达效果。使用该工具后，作者根据需要对内容进行了审查和编辑，并对出版物的内容负全责。
CRediT作者贡献声明
哈桑·纳纳尼（Hassan NAANANI）：撰写 – 审稿与编辑，撰写 – 原稿。梅里姆·凯苏尼（Meriem KAYSOUNY）：监督。阿纳斯·阿贝尔胡什（Anas ABERHOUCH）：可视化。赛义德·赛尔（Said SAIR）：可视化。阿卜杜萨马德·费克（Abdessamad FAIK）：可视化。
