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

Technische Samenvatting: Natuurkundig geïnformeerde distributie van relaxatietijden schatting en latent-ruimte conditiebewaking

Probleemstelling
Het schatten van de Distributie van Relaxatietijden (DRT) uit Elektrochemische Impedantie Spectroscopie (EIS) data is een slecht gesteld invers probleem. De relatie tussen impedantie $Z(j\omega)$ en de DRT-functie $g(\log \tau)$ wordt beheerst door een integraalvergelijking (Vergelijking 1) die zeer gevoelig is voor meetruis en keuzes in regularisatie. Traditionele methoden, zoals Equivalent Circuit Models (ECM's), vereisen specifieke voorafgaande aannames die moeilijk te definiëren zijn voor fractionele orde systemen. Hoewel DRT een model-vrije, continue representatie van relaxatieprocessen biedt, vereist het extraheren ervan regularisatie. Bestaande datagestuurde benaderingen, zoals Deep Prior netwerken, trainen vaak een apart model voor elk spectrum, wat leidt tot inconsistente impliciete regularisatie. Dit maakt het moeilijk om genuwechte elektrochemische veranderingen te onderscheiden van fitting-artefacten. Bovendien behandelen veel latent-ruimte benaderingen de DRT-transformatie als een aparte voorverwerkingsstap of een black-box feature extractor, waarbij ze er niet in slagen de onderliggende natuurkundige wetten direct in de leerdoelstelling te integreren.

Methodologie
De auteurs stellen een physics-informed convolutional neural network (CNN) framework voor dat DRT's direct schat uit ruwe EIS-data (reële en imaginaire impedantiecomponenten) zonder spectrum-specifieke afstemming.

• Architectuur: Het model maakt gebruik van een encoder-decoder CNN-structuur. De input bestaat uit de reële en imaginaire delen van het impediespectrum, behandeld als twee kanalen. Het netwerk geeft de DRT-functie $g(\log \tau)$ als output.
• Physics-Informed Constraint: In tegenstelling tot standaard autoencoders die de input direct reconstrueren, integreert dit framework de gediscretiseerde vorm van de onderliggende integraalrelatie (Vergelijking 1) in de trainingslus. De voorspelde DRT wordt numeriek geïntegreerd (met behulp van de trapeziumregel) om de impediespectrum $\hat{Z}$ te reconstrueren. De verliesfunctie is de Mean Squared Error (MSE) tussen de gemeten impedantie en de gereconstrueerde impedantie, plus een $L_2$-straf op inductieve bijdragen. Dit dwingt het netwerk om een DRT te leren die fysiek consistent is met de impedantiedata.
• Auxiliaire Componenten: Een aparte tak voorspelt de serie weerstand $R_s$, en een trainbare parameter representeert de inductie $L$.
• Architecturale Optimalisatie: Om checkerboard-artefacten te voorkomen die gebruikelijk zijn bij transposed convolutions, gebruikt de decoder upsampling-lagen gevolgd door standaard convoluties. Een grid search bepaalde een optimale architectuur met ongeveer 12.000 parameters, een receptief veld van 57 en een bottleneck-grootte van 160. Deze balans voorkomt overfitting terwijl overlappende relaxatieprocessen worden opgelost.
• Latent-ruimte Analyse: Na training produceert de encoder een compacte latente representatie. De auteurs voeren een "decoder probe" analyse uit door individuele latente kanalen te activeren om deze te mappen aan specifieke relaxatietijdregio's, wat een hiërarchische organisatie van de latente ruimte op basis van tijdschalen onthult.

Belangrijkste Bijdragen

1. Verenigd Physics-Informed Framework: Het artikel introduceert een enkele CNN-architectuur die een gedeelde latente representatie leert over een gehele dataset, waardoor consistente regularisatie wordt afgedwongen. Dit staat in contrast met methoden die onafhankelijke modellen voor elk spectrum fitten, waardoor wordt gewaarborgd dat verschillen in geschatte DRT's werkelijke elektrochemische veranderingen reflecteren in plaats van fitting-artefacten.
2. Directe DRT Schatting zonder Afstemming: Het model schat DRT's direct uit ruwe EIS-data zonder de noodzaak van handmatige regularisatieparameterselectie, frequentieband-segmentatie of equivalent circuit aannames.
3. Interpreteerbare Latent-ruimte: De studie toont aan dat de geleerde latente ruimte spontaan organiseert volgens relaxatietijdschalen. Decoder probe analyse bevestigt dat specifieke latente kanalen overeenkomen met onderscheidende regio's van de relaxatietijd-as, wat een fysiek interpreteerbare basis biedt voor monitoring.
4. Generalisatie over Diverse Condities: Het framework wordt gevalideerd op drie onafhankelijke datasets bestaande uit Solid Oxide Fuel Cells (SOFC) en Solid Oxide Electrolysis Cells (SOEC) met variërende operationele regimes, degradatiemechanismen en campagne-duur (van 60 tot 3600 uur). Dezelfde ongewijzigde architectuur werd op alle datasets toegepast.

Resultaten

• Reconstructie Nauwkeurigheid: Het model bereikte range-genormaliseerde reconstructiefouten van minder dan 1,1% over alle drie de datasets, wat bevestigt dat de voorspelde DRT's voldoen aan de onderliggende elektrochemische beperkingen.
• Resolutie van Overlappende Processen: Op synthetische twee-ZARC spectra met analytisch bekende DRT's, slaagde het model erin om overlappende relaxatieprocessen te onderscheiden die gescheiden zijn door slechts één decade in tijdconstante, zelfs in de aanwezigheid van Gaussische ruis ($\sigma = 0,5 \, \Omega$).
• Conditiebewaking:
  • In de SOFC stack monitoring campagne identificeerden Euclidische afstanden in de latente ruimte ($D_{ref}(t)$) belangrijke operationele gebeurtenissen, waaronder brandstoftekort, noodstops en vermogensverliezen, waarbij pieken in de afstand-metriek samenvielen met bekende gebeurtenissen.
  • In de studie naar operationele condities kwamen veranderingen in latente activatie overeen met transities geïdentificeerd door frequentie-opgeloste Kullback–Leibler (KL) divergentie analyse in de oorspronkelijke studie, waarmee diffusieverliezen en lucht-elektrode veranderingen werden gedetecteerd.
  • In de multi-regime degradatie campagne legde de latente-ruimte traject de evolutie van degradatiefases vast (stoomelektrolyse, co-elektrolyse, reversibele operatie) en kwam deze overeen met de trends waargenomen in de fase-per-fase DRT diagnostiek.
• Vergelijking met Bestaande Methoden: Vergeleken met Tikhonov-regularisatie en per-spectrum neurale netwerken, produceerde de voorgestelde methode een gladdere, meer continue temporele evolutie van DRT's, waardoor abrupte transities door variërende regularisatiestatussen werden vermeden.

Significantie en Claims
De auteurs beweren dat de primaire significantie van dit werk niet enkel ligt in reconstructienauwkeurigheid, maar in de opkomst van een fysiek consistente en interpreteerbare latente representatie vanuit een enkel, verenigd model. Door de fysieke forward model in het trainingsproces te embedden, elimineert het framework de noodzaak voor handmatige preprocessing pipelines (regularisatie-afstemming, circuit selectie) die historisch gezien knelpunten waren in grootschalige EIS-diagnostiek.

De auteurs stellen dat deze benadering een "lichtgewicht" en "volledig reproduceerbaar" oplossing biedt die in staat is om te generaliseren over fundamenteel verschillende celtypen, operationele regimes en degradatiemechanismen zonder dataset-specifieke herontwerp. De latente ruimte dient als een direct bijproduct voor conditiebewaking, wat een computationeel efficiënt alternatief biedt voor complexe DRT-vergelijkingsmetrieken zoals Unbalanced Optimal Transport (UOT) of KL-divergentie, terwijl het tegelijkertijd het vermogen behoudt om degradatie en operationele anomalieën met hoge getrouwheid te detecteren.