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

Sintesi Tecnica: Stima della Distribuzione dei Tempi di Rilassamento basata sulla Fisica e Monitoraggio delle Condizioni nello Spazio Latente

Definizione del Problema
La stima della Distribuzione dei Tempi di Rilassamento (DRT) dai dati di Spettroscopia di Impedenza Elettrochimica (EIS) è un problema inverso mal posto. La relazione tra l'impedenza $Z(j\omega)$ e la funzione DRT $g(\log \tau)$ è governata da un'equazione integrale (Eq. 1) che è altamente sensibile al rumore di misura e alle scelte di regolarizzazione. I metodi tradizionali, come i Modelli di Circuito Equivalente (ECM), richiedono assunzioni a priori specifiche che sono difficili da definire per sistemi a ordine frazionario. Sebbene la DRT offra una rappresentazione continua e priva di modelli dei processi di rilassamento, l'estrazione di essa richiede la regolarizzazione. Gli approoli basati sui dati esistenti, come le reti Deep Prior, spesso addestrano un modello separato per ogni spettro, portando a una regolarizzazione implicita incoerente. Ciò rende difficile distinguere i reali cambiamenti elettrochimici dagli artefatti di fitting. Inoltre, molti approcci basati sullo spazio latente trattano la trasformazione DRT come un passaggio di pre-elaborazione separato o come un estrattore di caratteristiche "black-box", fallendo nell'incorporare direttamente le leggi fisiche governanti nell'obiettivo di apprendimento.

Metodologia
Gli autori propongono un framework di rete neurale convoluzionale (CNN) physics-informed che stima le DRT direttamente dai dati EIS grezzi (componenti di impedenza reale e immaginaria) senza necessità di sintonizzazione specifica per lo spettro.

• Architettura: Il modello utilizza una struttura CNN encoder-decoder. L'input consiste nelle parti reale e immaginaria dello spettro di impedenza trattate come due canali. La rete produce la funzione DRT $g(\log \tau)$.
• Vincolo Physics-Informed: A differenza degli autoencoder standard che ricostruiscono l'input direttamente, questo framework incorpora la forma discretizzata della relazione integrale governante (Eq. 1) nel ciclo di addestramento. La DRT predetta viene integrata numericamente (usando la regola del trapezio) per ricostruire lo spettro di impedenza $\hat{Z}$. La funzione di perdita è l'Errore Quadratico Medio (MSE) tra l'impedenza misurata e l'impedenza ricostruita, più una penalità $L_2$ sulle contribuzioni induttive. Questo costringe la rete a imparare una DRT che sia fisicamente coerente con i dati di impedenza.
• Componenti Ausiliari: Un ramo separato predice la resistenza in serie $R_s$, e un parametro addestrabile rappresenta l'induttanza $L$.
• Ottimizzazione Architetturale: Per prevenire gli artefatti a scacchiera comuni nelle convoluzioni trasposte, il decoder utilizza strati di upsampling seguiti da convoluzioni standard. Una ricerca a griglia ha determinato un'architettura ottimale con circa 12.000 parametri, un campo ricettivo di 57 e una dimensione del bottleneck di 160. Questo equilibrio previene l'overfitting pur risolvendo i processi di rilassamento sovrapposti.
• Analisi dello Spazio Latente: Dopo l'addestramento, l'encoder produce una rappresentazione latente compatta. Gli autori eseguono un'analisi "decoder probe" attivando i singoli canali latenti per mapparli su specifiche regioni dei tempi di rilassamento, rivelando un'organizzazione gerarchica dello spazio latente basata sulle scale temporali.

Contributi Chiave

1. Framework Unificato Physics-Informed: Il documento introduce un'unica architettura CNN che apprende una rappresentazione latente condivisa attraverso l'intero dataset, garantendo una regolarizzazione coerente. Ciò contrasta con i metodi che applicano modelli indipendenti a ogni spettro, assicurando così che le differenze nelle DRT stimate riflettano reali cambiamenti elettrochimici piuttosto che artefatti di fitting.
2. Stima Diretta della DRT senza Sintonizzazione: Il modello stima le DRT direttamente dai dati EIS grezzi senza la necessità di selezione manuale dei parametri di regolarizzazione, segmentazione delle bande di frequenza o assunzioni di circuiti equivalenti.
3. Spazio Latente Interpretabile: Lo studio dimostra che lo spazio latente appreso si organizza spontaneamente secondo le scale temporali di rilassamento. L'analisi decoder probe conferma che specifici canali latenti corrispondono a distinte regioni dell'asse del tempo di rilassamento, fornendo una base fisicamente interpretabile per il monitoraggio.
4. Generalizzazione su Condizioni Diverse: Il framework è validato su tre dataset indipendenti riguardanti Celle a Combustibile a Ossido Solido (SOFC) e Celle di Elettrolisi a Ossido Solido (SOEC) con regimi operativi, meccanismi di degradazione e durate di campagna variabili (da 60 a 3600 ore). La stessa architettura non modificata è stata applicata a tutti i dataset.

Risultati

• Accuratezza della Ricostruzione: Il modello ha ottenuto errori di ricostruzione normalizzati per intervallo inferiori all'1,1% in tutti e tre i dataset, confermando che le DRT predette soddisfano i vincoli elettrochimici sottostanti.
• Risoluzione di Processi Sovrapposti: Su spettri ZARC sintetici con DRT note analiticamente, il modello ha risolto con successo processi di rilassamento sovrapposti separati anche di un solo decennio nella costante di tempo, anche in presenza di rumore Gaussiano ($\sigma = 0,5 \, \Omega$).
• Monitoraggio delle Condizioni:
  • Nella campagna di monitoraggio dello stack SOFC, le distanze euclidee nello spazio latente ($D_{ref}(t)$) hanno identificato con successo i principali eventi operativi, inclusi la carenza di combustibile, lo spegnimento di emergenza e le perdite di potenza, con picchi nella metrica di distanza che coincidono con gli eventi noti.
  • Nello studio delle condizioni operative, i cambiamenti di attivazione latente si sono allineati con le transizioni identificate dall'analisi della divergenza di Kullback–Leibler (KL) risolta in frequenza nello studio originale, rilevando perdite di diffusione e cambiamenti dell'elettrodo d'aria.
  • Nella campagna di degradazione multi-regime, la traiettoria nello spazio latente ha catturato l'evoluzione delle fasi di degradazione (elettrolisi del vapore, co-elettrolisi, operazione reversibile) e ha seguito i trend osservati nei diagnostici DRT fase per fase.
• Confronto con Metodi Esistenti: Rispetto alla regolarizzazione di Tikhonov e alle reti neurali per singolo spettro, il metodo proposto ha prodotto un'evoluzione temporale delle DRT più fluida e continua, evitando transizioni brusche causate da variazioni nelle intensità di regolarizzazione.

Significatività e Rivendicazioni
Il documento afferma che la principale significatività di questo lavoro non risiede meramente nell'accuratezza della ricostruzione, ma nell'emergere di una rappresentazione latente fisicamente coerente e interpretabile da un unico modello unificato. Incorporando il modello fisico diretto nel processo di addestramento, il framework elimina la necessità di pipeline di pre-elaborazione manuali (sintonizzazione della regolarizzazione, selezione del circuito) che storicamente hanno rappresentato colli di bottiglia per la diagnostica EIS su larga scala.

Gli autori sostengono che questo approccio fornisca una soluzione "leggera" e "completamente riproducibile" capace di generalizzare su tipi di celle, regimi operativi e meccanismi di degradazione fondamentalmente diversi senza ridisegno specifico del dataset. Lo spazio latente funge da prodotto diretto per il monitoraggio delle condizioni, offrendo un'alternativa computazionalmente efficiente ai complessi metri di confronto DRT come l'Unbalanced Optimal Transport (UOT) o la divergenza KL, mantenendo al contempo la capacità di rilevare la degradazione e le anomalie operative con alta fedeltà.