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

Resumo Técnico: Estimativa de Distribuição de Tempos de Relaxação Baseada em Física e Monitoramento de Condição no Espaço Latente

Definição do Problema
A estimativa da Distribuição de Tempos de Relaxação (DRT) a partir de dados de Espectroscopia de Impedância Eletroquímica (EIS) é um problema inverso mal posto. A relação entre a impedância $Z(j\omega)$ e a função DRT $g(\log \tau)$ é governada por uma equação integral (Eq. 1) que é altamente sensível ao ruído de medição e às escolhas de regularização. Métodos tradicionais, como os Modelos de Circuito Equivalente (ECM), exigem suposições prévias específicas que são difíceis de definir para sistemas de ordem fracionária. Embora a DRT ofereça uma representação contínua e livre de modelos dos processos de relaxação, sua extração requer regularização. Abordagens baseadas em dados existentes, como redes Deep Prior, frequentemente treinam um modelo separado para cada espectro, levando a uma regularização implícita inconsistente. Isso torna difícil distinguir mudanças eletroquímicas genuínas de artefatos de ajuste. Além disso, muitas abordagens de espaço latente tratam a transformação DRT como uma etapa de pré-processamento separada ou um extrator de características de caixa-preta, falhando em incorporar as leis físicas regentes diretamente no objetivo de aprendizado.

Metodologia
Os autores propõem uma estrutura de rede neural convolucional (CNN) informada pela física que estima DRTs diretamente de dados brutos de EIS (componentes de impedância real e imaginária) sem necessidade de ajuste específico para cada espectro.

• Arquitetura: O modelo utiliza uma estrutura de CNN codificador-decodificador. A entrada consiste nas partes real e imaginária do espectro de impedância, tratadas como dois canais. A rede produz a função DRT $g(\log \tau)$.
• Restrição Informada pela Física: Ao contrário de autoencoders padrão que reconstroem a entrada diretamente, esta estrutura incorpora a forma discretizada da relação integral regente (Eq. 1) no loop de treinamento. A DRT prevista é integrada numericamente (usando a regra do trapézio) para reconstruir o espectro de impedância $\hat{Z}$. A função de perda é o Erro Quadrático Médio (MSE) entre a impedância medida e a impedância reconstruída, somado a uma penalidade $L_2$ sobre contribuições indutivas. Isso força a rede a aprender uma DRT que seja fisicamente consistente com os dados de impedância.
• Componentes Auxiliares: Um ramo separado prevê a resistência em série $R_s$, e um parâmetro treinável representa a indutância $L$.
• Otimização Arquitetural: Para evitar artefatos de checkerboard comuns em convoluções transpostas, o decodificador utiliza camadas de upsampling seguidas por convoluções padrão. Uma busca em grade (grid search) determinou uma arquitetura ideal com aproximadamente 12.000 parâmetros, um campo receptivo de 57 e um tamanho de gargalo (bottleneck) de 160. Esse equilíbrio evita o overfitting enquanto resolve processos de relaxação sobrepostos.
• Análise do Espaço Latente: Após o treinamento, o codificador produz uma representação latente compacta. Os autores realizam uma análise de "sonda do decodificador" (decoder probe) ativando canais latentes individuais para mapeá-los a regiões específicas de tempo de relaxação, revelando uma organização hierárquica do espaço latente baseada em escalas de tempo.

Principais Contribuições

1. Estrutura Unificada Informada pela Física: O artigo introduz uma única arquitetça de CNN que aprende uma representação latente compartilhada através de todo um conjunto de dados, impondo uma regularização consistente. Isso contrasta com métodos que ajustam modelos independentes para cada espectro, garantindo assim que as diferenças nas DRTs estimadas reflitam mudanças eletroquímicas reais e não artefatos de ajuste.
2. Estimativa Direta de DRT sem Ajuste: O modelo estima DRTs diretamente de dados brutos de EIS sem a necessidade de seleção manual de parâmetros de regularização, segmentação de banda de frequência ou suposições de circuito equivalente.
3. Espaço Latente Interpretável: O estudo demonstra que o espaço latente aprendido se organiza espontaneamente de acordo com as escalas de tempo de relaxação. A análise da sonda do decodificador confirma que canais latentes específicos correspondem a regiões distintas do eixo do tempo de relaxação, fornecendo uma base fisicamente interpretável para monitoramento.
4. Generalização em Diversas Condições: O framework é validado em três conjuntos de dados independentes envolvendo Células de Combustível de Óxido Sólido (SOFC) e Células de Eletrólise de Óxido Sólido (SOEC) com regimes operacionais, mecanismos de degradação e durações de campanha variados (de 60 a 3600 horas). A mesma arquitetura não modificada foi aplicada a todos os conjuntos de dados.

Resultos

• Precisão de Reconstrução: O modelo alcançou erros de reconstrução normalizados por intervalo abaixo de 1,1% em todos os três conjuntos de dados, confirmando que as DRTs previstas satisfazem as restrições eletroquímicas subjacentes.
• Resolução de Processos Sobrepostos: Em espectros ZARC sintéticos com DRTs conhecidos analiticamente, o modelo resolveu com sucesso processos de relaxação sobrepostos separados por apenas uma década de constante de tempo, mesmo na presença de ruído Gaussiano ($\sigma = 0,5 \, \Omega$).
• Monitoramento de Condição:
  • No monitoramento de pilhas de SOFC, as distâncias euclidianas no espaço latente ($D_{ref}(t)$) identificaram com sucesso eventos operacionais importantes, incluindo privação de combustível, paradas de emergência e perdas de potência, com picos na métrica de distância coincidindo com eventos conhecidos.
  • No estudo de condição operacional, as mudanças de ativação latente alinharam-se com as transições identificadas pela análise de divergência de Kullback–Leibler (KL) resolvida em frequência no estudo original, detectando perdas de difusão e mudanças no eletrodo de ar.
  • Na campanha de degradação de múltiplos regimes, a trajetória do espaço latente capturou a evolução das fases de degradação (eletrólise de vapor, co-eletrólise, operação reversível) e coincidiu com as tendências observadas nos diagnósticos de DRT fase a fase.
• Comparação com Métodos Existentes: Comparado à regularização de Tikhonov e às redes neurais por espectro, o método proposto produziu uma evolução temporal de DRTs mais suave e contínua, evitando transições abruptas causadas por variações nas forças de regularização.

Significância e Alegações
O artigo alega que a principal significância deste trabalho não reside meramente na precisão da reconstrução, mas na emergência de uma representação latente fisicamente consistente e interpretável a partir de um modelo único e unificado. Ao incorporar o modelo físico direto no processo de treinamento, o framework elimina a necessidade de pipelines de pré-processamento manuais (ajuste de regularização, seleção de circuito) que historicamente foram gargalos para diagnósticos de EIS em larga escala.

Os autores afirmam que esta abordagem fornece uma solução "leve" e "totalmente reproduzível", capaz de generalizar para tipos de células, regimes operacionais e mecanismos de degradação fundamentalmente diferentes sem a necessidade de redesenho específico para cada conjunto de dados. O espaço latente serve como um subproduto direto para o monitoramento de condições, oferecendo uma alternativa computacionalmente eficiente para métricas complexas de comparação de DRT, como o Transporte Ótimo Não Balanceado (UOT) ou a divergência KL, mantendo a capacidade de detectar degradação e anomalias operacionais com alta fidelidade.