原文信息
Machine learning in proton exchange membrane water electrolysis — A knowledge-integrated framework
原文链接：
https://www.sciencedirect.com/science/article/pii/S0306261924009334
Highlights
(1) 提出了"知识集成机器学习阶梯"框架，系统地将领域专业知识融入机器学习模型中，显著提高了质子交换膜水电解(PEMWE)系统的预测性能。
(2) 通过三个层次的案例研究（插值、外推和表示），展示了该框架在PEMWE退化预测中的应用，实现了高达30%的插值精度提升，增强了外推稳定性，并支持自主知识发现。
(3) 该框架不仅适用于PEMWE系统，还可推广到其他复杂工程领域，为平衡经验准确性和物理合理性提供了新的途径，促进了数据驱动方法与领域专业知识的深度融合。
Abstract
In this study, we propose to adopt a novel framework, Knowledge-integrated Machine Learning, for advancing Proton Exchange Membrane Water Electrolysis (PEMWE) development. Given the significance of PEMWE in green hydrogen production and the inherent challenges in optimizing its performance, our framework aims to provide a systematic overview of incorporating data-driven models with domain-specific insights to address the domain challenges. We first identify the uncertainties originating from data acquisition conditions, data-driven model mechanisms, and domain expertise, highlighting their complementary characteristics in carrying information from different perspectives. Building upon this foundation, we showcase how to adeptly decompose knowledge and extract unique information to contribute to the data augmentation, modeling process, and knowledge discovery. We demonstrate a hierarchical three-level framework, termed the ”Ladder of Knowledge-integrated Machine Learning,” in the PEMWE context, applying it to three case studies within a context of cell degradation analysis to affirm its efficacy in interpolation, extrapolation, and information representation. Initial results demonstrate improvements in interpolation accuracy by up to 30%, robustness in extrapolation by enhancing predictive stability across varied operational conditions, and enriched information representation that supports autonomous knowledge discovery. This research lays the groundwork for more knowledge-informed enhancements in ML applications in engineering.
Keywords
Proton exchange membrane water electrolysis
Degradation analysis
Machine learning
Knowledge engineering
Uncertainty analysis
Graphics
图 1. 文章结构与“知识集成机器学习”框架，展示了如何在工程系统中系统了解不确定性来源，先验知识分解与集成，以提升机器学习模型的性能和解释力，最后通过三个质子交换膜水电解领域的系统案例进行验证
图 2. 以 PEMWE 的退化预测为例，从三个角度说明基于知识的分解。知识，包括领域诀窍、科学/数学方法、不同的系统复杂性/规模，以及各自的示例性子主题，如退化类型或单细胞行为，都被嵌入其中，以帮助分解能源需求时间序列，并获取更多信息来理解系统退化情况
图 3. 知识集成机器学习阶梯。路径中的三个级别说明了它们的差异和核心能力，并链接到它们的典型方法和特征描述。级别 1 - 插值：将领域知识嵌入数据增强和特征工程中，以使 ML 方法获得更好的性能；级别 2 - 外推：将领域知识纳入数据驱动的建模过程，以便在训练数据的观察范围之外做出明智的预测；级别 3 - 表示：将知识发现或学习机制纳入模型，以简洁地转换有效信息。较高的级别能够兼容较低级别的能力
作者简介
团队介绍：
本研究由莱布尼茨汉诺威大学可持续建筑系统工程学院和能源系统工程学院的研究人员主导，致力于推动可持续能源技术的发展，尤其是氢能与质子交换膜水电解（PEMWE）与知识集成机器学习领域的交叉学科前沿研究。
第一作者/通信作者简介：
陈夏，第一作者/通讯作者，可持续建筑系统工程研究所研究员，加州大学伯克利分校建筑环境中心访问学者，研究领域包括预测建模、基于数据的价值主张、人机交互中的高级机器辅助、不确定性分析以及用于可持续决策支持的因果推断。他参与并领导了多个包括德国研究基金会 (DFG) 和德国联邦教育部的AI for Science项目，并在德国莱布尼茨汉诺威大学和柏林工业大学担任数据科学、能源效率设计等课程讲师。作为该项目的主要研究者，他在知识集成与复杂系统建模方面有丰富的经验。
关于Applied Energy
本期小编：何意；审核人：解浩男
《Applied Energy》是世界能源领域著名学术期刊，在全球出版巨头爱思唯尔 (Elsevier) 旗下，1975年创刊，影响因子10.1，CiteScore 21.2，本刊旨在为清洁能源转换技术、能源过程和系统优化、能源效率、智慧能源、环境污染物及温室气体减排、能源与其他学科交叉融合、以及能源可持续发展等领域提供交流分享和合作的平台。开源（Open Access）姊妹新刊《Advances in Applied Energy》影响因子13.0，CiteScore 23.9。全部论文可以免费下载。在《Applied Energy》的成功经验基础上，致力于发表应用能源领域顶尖科研成果，并为广大科研人员提供一个快速权威的学术交流和发表平台，欢迎关注！
公众号团队小编招募长期开放，欢迎发送自我简介（含教育背景、研究方向等内容）至wechat@applied-energy.org
点击“阅读原文”
喜欢我们的内容？
点个“赞”或者“再看”支持下吧！
阅读原文
