← 論文一覧に戻る

PEM電解槽向けデジタルツインと機械学習に基づく診断

Digital Twin and Machine Learning-Based Diagnostics for PEM Electrolyzer (原題)

Diop M, Skorek AW, Moustapha Diop M

Research Squareプレプリント2026-05-19#水素
DOI: 10.20944/preprints202605.1191.v1
原典: https://doi.org/10.20944/preprints202605.1191.v1

🤖 gxceed AI 要約

日本語

本論文は、PEM水電解槽の異常検知のためにデジタルツインと機械学習を組み合わせたハイブリッドシステムを提案。Azure Machine Learningを用いて電流、電圧、水素流量をリアルタイム予測し、デジタルツインで可視化する。予測モデルはExtreme Random TreesとElastic Netを採用し、決定係数0.99以上の高精度を達成。これにより故障予測と寿命延長が可能となり、グリーン水素生産の効率向上に寄与する。

English

This paper proposes a hybrid system combining digital twin and machine learning for real-time anomaly detection in PEM electrolyzers. Using Azure Machine Learning, it predicts current, voltage, and hydrogen flow rate, visualized in a digital twin. Models achieve R² > 0.99, enabling failure anticipation and lifespan extension for green hydrogen production.

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

📝 gxceed 編集解説 — Why this matters

日本のGX文脈において

日本では水素基本戦略に基づきグリーン水素のコスト低減と技術開発が急務であり、本手法は電解槽の高効率運用とメンテナンス最適化に寄与する。デジタルツインの活用は、SSBJやESG情報開示におけるサプライチェーン排出量の可視化にも応用可能。

In the global GX context

As global hydrogen production scales up, digital twin and ML diagnostics offer a pathway to reduce operational costs and improve electrolyzer lifespan. This work directly supports the efficiency targets of green hydrogen initiatives worldwide, aligning with the goals of the Hydrogen Council and national hydrogen strategies.

👥 読者別の含意

🔬研究者:Novel integration of digital twin and ML for PEM electrolyzer diagnostics with high prediction accuracy.

🏢実務担当者:Actionable methodology for real-time monitoring and predictive maintenance of electrolyzers in hydrogen plants.

🏛政策担当者:Supports policy goals for cost-competitive green hydrogen by showcasing technology that improves electrolyzer efficiency.

📄 抄録（日本語訳）

プロトン交換膜（PEM）水電解装置の健康状態の劣化は、電力供給の変動性、動作温度の変化、およびその他の化学的要因によって引き起こされ、グリーン水素生産効率にとって主要な課題となっている。本論文は、デジタルツインと機械学習を組み合わせた高度なハイブリッドシステムを提示し、PEM電解装置のリアルタイム異常検知を可能にする。この知的アプローチにより、Azure Machine Learningを介した動作パラメータ、すなわち電流、電圧、および水素流量のリアルタイム予測と、Azure Digital Twinsを介したシステムのデジタルツイン内でのそれらの可視化が可能となる。さらに、デジタルツインからのシミュレーションデータと機械学習によって予測されたデータとの比較により、PEM電解装置の異常を予測することができる。選択された予測モデルは、電流および電圧の推定にはExtreme Random Treesアルゴリズムに依存し、水素流量の予測にはElastic Netアルゴリズムに依存する。得られた結果は、提案アプローチの頑健性を確認し、電流、電圧、および水素流量についてそれぞれ0.99820、0.99693、および0.99665の決定係数と、0.00870、0.011278、および0.11087の正規化二乗平均平方根誤差（NRMSE）を伴う。この高い精度により、デジタルツインは故障を予測し、PEM電解装置の寿命を延ばす能力を備え、グリーン水素生産の全体的な効率を最適化することを目指す。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

📄 Abstract（原文）

The degradation of the health state of Proton Exchange Membrane (PEM) water electrolyzer, caused by power supply variability, operating temperature changes, and other chemical factors, represents a major challenge for green hydrogen production efficiency. This paper presents an advanced hybrid system combining a digital twin and machine learning, enabling real-time anomaly detection of a PEM electrolyzer. This intelligent approach allows for the real-time prediction of operating parameters, namely current, voltage, and hydrogen flow rate, via Azure Machine Learning, and their visualization within the system's digital twin via Azure Digital Twins. Furthermore, the comparison between simulated data from the digital twin and those predicted by machine learning enables the anticipation of PEM electrolyzer anomalies. The selected prediction models rely on the Extreme Random Trees algorithm for current and voltage estimation, and on the Elastic Net algorithm for hydrogen flow rate prediction. The obtained results confirm the robustness of the proposed approach, with coefficients of determination of 0.99820, 0.99693, and 0.99665 for current, voltage, and hydrogen flow rate respectively, associated with Normalized Root Mean Square Errors (NRMSE) of 0.00870, 0.011278, and 0.11087. This high accuracy provides the digital twin with the capability to anticipate failures and extend the PEM electrolyzer's lifespan, with a view to optimizing the global efficiency of green hydrogen production.

🔗 Provenance — このレコードを発見したソース

🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。

gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。