《Energy Conversion and Management-X》：Machine learning-assisted optimization of PEM water electrolysis for maximized hydrogen production: a comparative study
编辑推荐：
为解决传统PEM水电解制氢效率优化依赖单一方法、缺乏系统比较的问题，研究人员集成随机森林特征选择，并对比了遗传算法、响应面法、贝叶斯优化和粒子群优化四种算法在1062个实验数据点上的表现，发现均能收敛至~3596 mL/min的最大产氢速率，其中响应面法计算最快（1.05秒），遗传算法重现性最佳，为高效、可持续的绿氢生产系统优化提供了数据驱动的决策框架。
随着全球对清洁能源需求的日益增长，氢能，尤其是利用可再生能源生产的“绿氢”，被视为实现深度脱碳的关键载体。在众多制氢技术中，质子交换膜水电解（PEMWE）因其高电流密度、快速动态响应、系统紧凑以及与间歇性可再生能源（如太阳能、风能）良好的兼容性而备受青睐，是实现可持续氢经济的有力竞争者。然而，PEMWE系统的性能高度依赖于功率、电池电压、电流密度、水流量和温度等多个操作参数，这些参数之间存在着复杂的非线性相互作用。如何从这多维度的参数空间中精准、高效地找到最大化氢气产率的最优组合，同时确保优化过程的稳健性和计算效率，是当前研究和工程应用面临的一大挑战。传统的试错法或依赖单一优化策略的方法，往往难以全面捕捉系统的复杂性，且缺乏对不同优化算法在统一框架下的系统性性能评估，这限制了我们从大量实验数据中提取可靠洞见、并指导实际系统设计和运行的能力。
为了应对这些挑战，由 Muhammad Tawalbeh, Ibrahim Shomope, Amani Al-Othman, Hussam Alshraideh, Phumlani Fortune Msomi 和 Abdulrahman Alraeesi 组成的研究团队，在《Energy Conversion and Management: X》上发表了一项名为“Machine learning-assisted optimization of PEM water electrolysis for maximized hydrogen production: a comparative study”的研究。该研究进行了一项全面的比较分析，旨在评估四种主流优化算法——遗传算法（GA）、响应面法（RSM）、贝叶斯优化（BO）和粒子群优化（PSO）——在最大化PEMWE产氢率方面的性能。研究创新性地整合了机器学习进行特征预处理，并基于一个包含1062个实验数据点的大规模数据集，为不同优化方法在相同条件下的公平比拼搭建了舞台。
研究者们运用了几个关键技术方法来架构整个研究。首先，他们从已发表的PEMWE研究中收集并整理了一个包含1062个数据点的综合数据集，涵盖了广泛的实验条件和对应的产氢率。其次，在优化前，他们采用了一个两步特征选择流程：先通过皮尔逊相关性分析消除多重共线性，再结合随机森林（RF）算法评估特征重要性，最终确定了功率、电池电压、电流密度、水流量和温度这五个关键操作参数作为优化目标。为确保所选特征间无严重共线性，他们进行了方差膨胀因子（VIF）分析。接着，研究以训练好的随机森林回归模型作为替代模型（即目标函数的近似），来预测给定参数组合下的产氢率。最后，他们分别实施了GA、RSM、BO和PSO这四种优化算法，在相同的参数边界和优化目标下，寻找能最大化RF模型预测产氢率的最优参数组合，并详细记录了每种算法的收敛过程、计算时间，并通过10次独立运行进行了不确定性分析，以评估其鲁棒性和可重复性。
研究结果
3.1. 优化技术概述
研究发现，所有四种优化算法（GA、RSM、BO、PSO）均成功收敛到一个非常接近的最大氢气产率，约为3596 mL/min（按平均电极面积40.12 cm2标准化后为89.63 mL/min/cm2）。这显著超过了文献中报道的许多结果，验证了优化框架的有效性。敏感性分析表明，各算法在关键参数（如种群大小、迭代次数）变化时，产氢率表现稳定，确认了其鲁棒性。
3.2. 计算环境与工具
在计算效率方面，不同算法表现出巨大差异。响应面法（RSM）以绝对优势胜出，仅用1.05秒就完成了优化。贝叶斯优化（BO）耗时27.05秒，遗传算法（GA）耗时870.18秒，而粒子群优化（PSO）最慢，耗时1527.97秒。这凸显了RSM在追求快速解决方案时的巨大优势。
3.3. 优化算法
研究详细阐述了每种算法的实施细节和寻优过程。遗传算法通过模拟自然选择，在500代后找到最优参数组合（如功率1008.85 W，电压18.86 V）。贝叶斯优化利用高斯过程建立概率代理模型，在80次迭代后找到最优解。粒子群优化模拟鸟群行为，经过500次迭代收敛。响应面法则采用基于梯度的序列最小二乘规划法进行局部搜索，快速找到了最优条件。尽管方法迥异，但它们都指向了相似的高性能区域。
3.4. 优化技术的比较分析与结果
这是本研究的关键部分。除了前述的最大产氢率和计算时间对比，收敛曲线显示，GA和PSO在最初几次迭代中迅速提升并稳定，BO逐步改进后趋于平稳，而RSM则几乎瞬时收敛。更重要的是不确定性分析结果：遗传算法（GA）在10次独立运行中表现出完美的可重复性，标准差为0.00 mL/min；贝叶斯优化（BO）和粒子群优化（PSO）的变异性可忽略不计（标准差分别<1.02和1.05 mL/min）；而响应面法（RSM）对初始值表现出中等敏感性，标准差为6.31 mL/min。这表明GA在寻找全局最优解方面最为稳健。
3.5. 选定操作参数对产氢率的影响
通过三维响应面图，研究可视化并分析了关键参数之间的相互作用及其对产氢率的影响。结果显示，高电池电压（接近19 V）和高功率（>940 W）是驱动高产氢率的关键。电流密度在中等至高范围（1.0-1.76 A/cm2）内与高产率相关。水流量和温度的影响相对复杂，存在最优区间，例如水流量在优化中或趋于上限（1000 mL/min）或降至极低值，而温度则集中在313-316 K（约40-43°C）的较窄范围内。这些发现为实际操作中调整参数提供了直观指导。
结论与重要意义
本研究通过系统的比较分析，得出若干重要结论。首先，遗传算法（GA）、响应面法（RSM）、贝叶斯优化（BO）和粒子群优化（PSO）四种算法在优化PEMWE产氢率时，都能有效找到接近的全局最优解（~3596 mL/min），证明了所构建的机器学习辅助优化框架的普遍有效性。其次，不同算法在性能上各有千秋，形成了清晰的“权衡”图谱：如果追求极致的计算速度，响应面法（1.05秒）是无可争议的选择；如果优先考虑结果的可重复性和稳健性（避免陷入局部最优），遗传算法（标准差为0）表现最佳；贝叶斯优化则在效率与稳健性之间取得了良好平衡；而粒子群优化虽然也能找到最优解，但计算成本最高。
这项研究的意义深远。在方法论上，它首次在统一的大规模PEMWE数据集上，集成了随机森林特征选择，并对这四种代表不同优化范式的算法进行了并列比较和不确定性量化，填补了文献空白，为复杂电化学系统的优化研究提供了严谨、可复现的分析框架。在实践应用上，研究结果为工程师和研究人员根据实际需求（如实时优化需要速度、实验设计或工艺确定需要稳健性）选择最合适的优化工具提供了直接、数据支持的决策依据。此外，研究识别出的关键操作参数（电压、功率等）及其最优范围，为设计高性能PEMWE系统和制定高效运行策略提供了宝贵指导。最终，这项工作通过推动PEMWE过程的智能化、最优化，为降低绿氢生产成本、加速氢能产业发展、以及实现全球能源转型和碳中和目标贡献了重要的技术路径和见解。
