Physics-informed distribution of relaxation times estimation and latent-space condition monitoring of solid oxide fuel and electrolysis cells from electrochemical impedance spectroscopy

Resumen Técnico: Estimación de la Distribución de Tiempos de Relajación Informada por la Física y Monitoreo de Condición en el Espacio Latente

Planteamiento del Problema
La estimación de la Distribución de Tiempos de Relajación (DRT, por sus siglas en inglés) a partir de datos de Espectroscopía de Impedancia Electroquímica (EIS) es un problema inverso mal planteado. La relación entre la impedancia $Z(j\omega)$ y la función DRT $g(\log \tau)$ está gobernada por una ecuación integral (Ec. 1) que es altamente sensible al ruido de la medición y a las elecciones de regularización. Los métodos tradicionales, como los Modelos de Circuitos Equivalentes (ECM), requieren supuestos previos específicos que son difíciles de definir para sistemas de orden fraccionario. Si bien la DRT ofrece una representación continua y libre de modelos de los procesos de relajación, su extracción requiere regularización. Los enfoques actuales basados en datos, como las redes de Prior Profundo (Deep Prior), suelen entrenar un modelo separado para cada espectro, lo que conduce a una regularización implícita inconsistente. Esto dificulta distinguir los cambios electroquímicos genuinos de los artefactos de ajuste. Además, muchos enfoques de espacio latente tratan la transformación DRT como un paso de preprocesamiento separado o un extractor de características de caja negra, fallando en integrar directamente las leyes físicas gobernantes en el objetivo de aprendizaje.

Metodología
Los autores proponen un marco de red neuronal convolucional (CNN) informada por la física que estima las DRTs directamente a partir de datos brutos de EIS (componentes de impedancia real e imaginaria) sin necesidad de ajustes específicos para cada espectro.

• Arquitectura: El modelo utiliza una estructura de CNN de codificador-decodificador. La entrada consiste en las partes real e imaginaria del espectro de impedancia tratadas como dos canales. La red produce la función DRT $g(\log \tau)$.
• Restricción Informada por la Física: A diferencia de los autoencoders estándar que reconstruyen la entrada directamente, este marco integra la forma discretizada de la relación integral gobernante (Ec. 1) en el bucle de entrenamiento. La DRT predicha se integra numéricamente (usando la regla del trapecio) para reconstruir el espectro de impedancia $\hat{Z}$. La función de pérdida es el Error Cuadrático Medio (MSE) entre la impedancia medida y la impedancia reconstruida, más una penalización $L_2$ sobre las contribuciones inductivas. Esto obliga a la red a aprender una DRT que sea físicamente consistente con los datos de impedancia.
• Componentes Auxiliares: Una rama separada predice la resistencia en serie $R_s$, y un parámetro entrenable representa la inductancia $L$.
• Optimización Arquitectónica: Para evitar los artefactos de tablero de ajedrez (checkerboard artifacts) comunes en las convoluciones transpuestas, el decodificador utiliza capas de upsampling seguidas de convoluciones estándar. Una búsqueda de cuadrícula determinó una arquitectura óptima con aproximadamente 12,000 parámetros, un campo receptivo de 57 y un tamaño de cuello de botella de 160. Este equilibrio evita el sobreajuste mientras resuelve los procesos de relajación superpuestos.
• Análisis del Espacio Latente: Tras el entrenamiento, el codificador produce una representación latente compacta. Los autores realizan un análisis de "sonda del decodificador" (decoder probe) activando canales latentes individuales para mapearlos con regiones específicas de los tiempos de relajación, revelando una organización jerárquica del espacio latente basada en las escalas de tiempo.

Contribuciones Clave

1. Marco Unificado Informado por la Física: El artículo introduce una única arquitectura CNN que aprende una representación latente compartida a través de todo un conjunto de datos, imponiendo una regularización consistente. Esto contrasta con los métodos que ajustan modelos independientes para cada espectro, asegurando así que las diferencias en las DRTs estimadas reflejen cambios electroquímicos reales y no artefactos de ajuste.
2. Estimación Directa de DRT sin Ajuste: El modelo estima las DRTs directamente desde los datos brutos de EIS sin necesidad de selección manual de parámetros de regularización, segmentación de bandas de frecuencia o supuestos de circuitos equivalentes.
3. Espacio Latente Interpretable: El estudio demuestra que el espacio latente aprendido se organiza espontáneamente según las escalas de tiempo de relajación. El análisis de la sonda del decodificador confirma que canales latentes específicos corresponden a distintas regiones del eje del tiempo de relajación, proporcionando una base físicamente interpretable para el monitoreo.
4. Generalización en Diversas Condiciones: El marco se valida en tres conjuntos de datos independientes que involucran Celdas de Combustible de Óxido Sólido (SOFC) y Celdas de Electrólisis de Óxido Sólido (SOEC) con regímenes operativos, mecanismos de degradación y duraciones de campaña variables (de 60 a 3600 horas). La misma arquitectura sin modificaciones se aplicó a todos los conjuntos de datos.

Resultados

• Precisión de Reconstrucción: El modelo logró errores de reconstrucción normalizados por rango inferiores al 1.1% en los tres conjuntos de datos, confirmando que las DRTs predichas satisfacen las restricciones electroquímicas subyacentes.
• Resolución de Procesos Superpuestos: En espectros ZARC sintéticos con DRTs conocidos analíticamente, el modelo resolvió con éxito procesos de relajación superpuestos separados por tan solo una década en la constante de tiempo, incluso en presencia de ruido Gaussiano ($\sigma = 0.5 \, \Omega$).
• Monitoreo de Condición:
  • En la campaña de monitoreo de la pila de SOFC, las distancias euclidianas en el espacio latente ($D_{ref}(t)$) identificaron con éxito eventos operativos mayores, incluyendo la inanición de combustible, paradas de emergencia y pérdidas de potencia, con picos en la métrica de distancia coincidiendo con eventos conocidos.
  • En el estudio de condiciones de operación, los cambios en la activación latente se alinearon con las transiciones identificadas mediante el análisis de divergencia de Kullback–Leibler (KL) de resolución de frecuencia en el estudio original, detectando pérdidas de difusión y cambios en el electrodo de aire.
  • En la campaña de degradación de múltiples regímenes, la trayectoria del espacio latente capturó la evolución de las fases de degradación (electrólisis de vapor, co-electrólisis, operación reversible) y coincidió con las tendencias observadas en los diagnósticos de DRT fase por fase.
• Comparación con Métodos Existentes: Comparado con la regularización de Tikhonov y las redes neuronales por espectro, el método propuesto produjo una evolución temporal de las DRTs más suave y continua, evitando transiciones abruptas causadas por variaciones en la fuerza de regularización.

Significancia y Reivindicaciones
El artículo afirma que la principal significancia de este trabajo no reside meramente en la precisión de la reconstrucción, sino en la emergencia de una representación latente físicamente consistente e interpretable a partir de un modelo único y unificado. Al embeber el modelo físico directo en el proceso de entrenamiento, el marco elimina la necesidad de pipelines de preprocesamiento manual (ajuste de regularización, selección de circuitos) que históricamente han sido cuellos de botella en los diagnósticos de EIS a gran escala.

Los autores sostienen que este enfoque proporciona una solución "ligera" y "totalmente reproducible" capaz de generalizarse a través de tipos de celdas, regímenes operativos y mecanismos de degradación fundamentalmente diferentes sin necesidad de un rediseño específico para cada conjunto de datos. El espacio latente sirve como un subproducto directo para el monitoreo de condición, ofreciendo una alternativa computacionalmente eficiente a las métricas complejas de comparación de DRT, como el Transporte Óptimo Desbalanceado (UOT) o la divergencia KL, manteniendo al mismo tiempo la capacidad de detectar la degradación y las anomalías operativas con alta fidelidad.