韓國能源研究所（KIER）氫研究示范中心的Chi-Young Jung博士的研究團隊成功開發了一種分析氫燃料電池關鍵材料碳纖維紙微觀結構的方法，其速度比現有方法快100倍。這是利用數字孿生技術和人工智能（AI）學習實現的。

　　碳纖維紙是氫燃料電池堆的關鍵材料，在水排放和燃料供應方面起著至關重要的作用。它由碳纖維、粘合劑和涂料等材料組成。隨著時間的推移，這些材料的排列、結構和涂層狀況會發生變化，導致燃料電池的性能下降。因此，分析碳纖維紙的微觀結構已成為診斷燃料電池狀態的重要步驟。

　　然而，到目前為止，對碳纖維紙的高分辨率微觀結構進行實時分析是不可能的。這是因為獲得準確的分析結果需要一個過程，在這個過程中，碳纖維紙樣品將被破壞，然后使用電子顯微鏡進行詳細的檢查。

　　為了解決現有分析方法的局限性，研究組開發了利用x射線診斷和人工智能圖像學習模型分析碳纖維紙微觀結構的技術。值得注意的是，該技術僅使用x射線斷層掃描就可以進行精確分析，從而消除了對電子顯微鏡的需求。因此，它可以進行近乎實時的狀態診斷。

　　研究小組從200多個碳纖維紙樣本中提取了5000張圖像，并利用這些數據訓練了機器學習算法。結果，經過訓練的模型能夠預測碳纖維紙關鍵部件的3D分布和排列，包括碳纖維、粘合劑和涂層，準確率超過98%。這種能力可以將碳纖維紙的初始狀態與當前狀態進行比較，從而可以立即識別性能下降的原因。

　　傳統的分析方法包括粉碎碳纖維紙樣品并使用電子顯微鏡，這個過程至少需要2小時才能完成。相比之下，研究小組開發的分析模型僅使用x射線斷層掃描設備就可以在幾秒鐘內識別出碳纖維紙的降解，損壞區域和損壞程度。

　　此外，研究小組利用開發模型的數據系統地確定了碳纖維紙的厚度和粘合劑含量等設計因素如何影響燃料電池的性能。他們還提取了最佳設計參數，并提出了一個理想的設計方案，旨在提高燃料電池的效率。

　　首席研究員Chi-Young Jung博士表示：“本研究的意義在于將人工智能與虛擬空間利用相結合，增強了分析技術，清晰地識別了能源材料的結構與性能之間的關系，從而體現了其實用性。我們希望它在未來的二次電池和水電解等相關領域發揮重要作用。”

　　該研究是在韓國能源研究院（KIER）研究項目的支持下進行的，并于2024年10月在線發表在全球能源領域的知名期刊《應用能源》（Applied Energy）上。

　　（素材來自：KIER 全球氫能網、新能源網綜合）