人工智能在燃料电池和电解槽的应用

1. 引言

科学和工程领域的技术进步带来了更大、更复杂数据集的收集、处理和分析。这些数据集通常难以手动或用传统方法处理。人工智能（AI）被引入以帮助处理这些复杂数据。AI赋予计算机类似人类的思维和智能，使它们能够分析信息、采取解决问题的步骤，并从过程中学习。AI的概念最早在20世纪上半叶通过科幻作品被理论化，1950年代被科学家正式认可。尽管面临社会接受度、财务和技术挑战，计算机科学的快速发展和现代操作系统改进推动了AI的兴起。一般来说，人工智能根据其功能分为四种不同的类型，即反应性、有限记忆、心智理论和自我意识，如图 1 所示。

图 1.AI 的类型取决于功能

反应式AI提供可预测结果，对相同情况有固定响应。有限记忆AI能从经验中学习，持续改进。这两种AI类型是目前研究的主流，大多数现有AI模型基于它们。心智理论AI和自我意识AI仍在发展中，分别赋予机器决策能力和理解他人情绪状态的能力。

AI主要分为机器学习和深度学习两个子集。机器学习侧重于使用算法优化数据以执行任务，而深度学习是更高级的机器学习，由多层神经网络构成，用于处理复杂任务，得出逻辑结论，且不总需要标记数据。图2展示了AI与ML、DL之间的关系。

图 2.AI 的不同子集

图 3 给出了 AI 中最重要的类型和算法的子分类。传统 ML 大致可分为四种基本类型，分别是监督学习、无监督学习、半监督学习和强化学习。然而，DL 包含适用于有监督、无监督或混合学习框架的高级技术，有时被认为是一种独特的 ML 类型。

图 3.机器学习类型和算法的子分类

1）监督学习

监督学习使用标记数据集训练算法进行分类或预测。模型通过交叉验证调整权重以拟合数据。主要分为分类和回归两种。

分类算法如Logistic回归、SVM、决策树，将数据分为不同类别。Logistic回归预测事件概率，SVM通过超平面分类，决策树通过连续分割节点预测分类结果。随机森林算法通过组合多个决策树提高预测准确性。

回归涉及统计方法识别变量间关系，常用算法包括线性回归和多项式回归。线性回归基于最佳线性拟合，多项式回归将关系建模为多项式。

2）无监督学习

无监督学习使用未标记数据集识别模式或数据组。主要类型包括聚类、降维和异常检测。聚类算法如K-means和分层聚类，根据数据相似性分组。降维算法如PCA和ICA，减少数据特征数量。异常检测识别数据集中异常点。

3）半监督学习

半监督学习结合标记和未标记数据训练模型。自训练模型用标记数据训练后对未标记数据分类，低密度分离模型通过决策边界区分不同类别。

4）强化学习

强化学习通过试错方法训练模型，无需标记输入。常用算法包括动态规划和蒙特卡洛方法。动态规划将问题分解为小问题求解，蒙特卡洛方法通过重复经验学习。

5）深度学习

深度学习是机器学习的子集，基于模仿人脑的神经网络。它可以是监督式、无监督式或混合式。常见算法包括CNN、ANN和RNN。CNN通过多层人工神经元处理输入，ANN用于分类新观测值，RNN利用前一层输出优化结果。

2. 机器学习在燃料电池和电解槽中的应用

燃料电池和电解槽是用于清洁能源和氢基电化学设备，有助于减少全球碳排放。电解槽通过电化学分解水产生氢气，而燃料电池通过电化学反应将氢气转化为电能，仅产生水作为副产品。若电解槽使用可再生能源，生产的氢气为绿色，燃料电池产生的能源则为清洁和可再生。燃料电池和电解槽有许多不同类型的，具体取决于所使用的电解质类型和作条件。我们在本综述中的主要重点是质子交换膜（PEM） 燃料电池 （FC） 和水电解槽 （WE），但也将讨论其他类型。燃料电池和电解槽对于推进可持续能源解决方案都至关重要，它们具有许多基本原则和挑战。

尽管存在这些相似之处，但文献中存在明显的差异：虽然许多评论都集中在人工智能在燃料电池中的应用，但明显缺乏关于电解槽的类似研究。此外，缺乏同时解决这两种技术的全面审查。造成这种差异的一个原因可能是电解槽研究仍处于早期阶段，而燃料电池的研究在过去十年中一直相对稳定。为了更好地理解这一点，使用 Scopus 进行了一项全面的文献调查，以评估过去 20 年燃料电池和电解槽研究的总体状况，特别关注人工智能的使用，包括过去 4 年机器学习和深度学习在这些技术中的应用。图 4所示的文献计量数据显示，燃料电池和电解槽中的 AI 应用仅占这些技术出版物总数的一小部分（约 2%）。此外，在这个子集中，关于电解槽的人工智能相关研究仅占燃料电池和电解槽组合领域以人工智能为重点的出版物总数的 5% 左右。这凸显了这些领域内 AI 相关研究的现状，并强调了需要一种更加综合的方法来审查这两种技术的 AI 应用。

图4.对人工智能在燃料电池与电解槽应用领域的相关文献进行计量分析

PEMFC 和 WEs 中的电化学反应都发生在膜电极组件 （MEA） 中，由多孔阴极催化剂层 （CL）（通常是负载在碳纳米颗粒上的铂 （Pt） 纳米催化剂，由质子导电离子聚合物键合）、多孔阳极 CL（与 PEMFC 中的成分相似，同时在 PEMWE 中含有 Ir 基催化剂）组成，键合到聚合物电解质膜上。两种 MEA 都包含用于水和热管理的附加层（气体扩散层 （GDL）、微孔层 （MPL） 和多孔传输层 （PTL）。图5 表示 PEMFC MEA 的图示。图 5 所示的 PEMWE 和 PEMFC MEA 之间的主要区别在于电化学装置的阳极侧和阴极侧都发生反向电化学反应。MEA 中的材料组成、微观结构和组分分布，尤其是在催化剂层中，会显着影响这些器件的性能和耐用性，因为要记住 PEM FC 和 WEs 在其使用寿命期间都暴露在恶劣的作条件下（例如，高电压、高达 80-100 °C 的温度、腐蚀性环境）。

图5.PEMFC MEA 图示

为了满足清洁和可持续能源的需求，开发高效材料至关重要。这些材料的结构特性决定了设备的活性和效率。研究主要集中在提高催化剂材料性能、膜性能、耐用性和生产方法的商业可行性。尽管面临高成本和耐用性挑战，PEMWEs和PEMFC技术在多个领域具有巨大潜力，有助于减少碳排放和增强能源安全。历史上，多种计算方法被用于理解材料在电池、燃料电池和超级电容器中的应用。然而，这些方法往往过于复杂且成本高昂。因此，需要替代方法来高效开发材料。在燃料电池和电解槽运行中，人工智能系统通过分析传感器数据来监测和控制运行条件，实现最佳性能。这些系统包括神经网络、模糊逻辑等，能够通过学习历史数据来加速材料的理解和开发过程。

3. ML 算法在 MEA 和性能优化中的应用

由于设计复杂性和异质性，燃料电池和电解槽中 MEA 的结构构成带来了许多挑战。在确定燃料电池和电解槽的性能时，考虑到电极催化剂负载、油墨配方技术、催化剂-电解质界面、阳极-膜-阴极质子传输、电极中反应物的传输、GDL、PTL以及电极和集流体之间的电流，正确的MEA设计非常重要。ML 算法，如 ANN、极端梯度提升（XGBoost）、KNN、随机森林（RF）、支持向量机/回归器（SVM/SVR）、逻辑回归（LR） 和弹性网（EN） 等，可用于根据成分和结构参数以及其他 MEA/系统描述符预测和优化燃料电池和电解槽的性能。ML 模型与遗传算法（GA）等优化算法相结合，可以进一步优化设计和作参数，以高精度和高效实现多个优化目标。

例如，Khajeh-Hosseini et al应用 ANN 研究了不同 CL 结构参数对 PEMFC 中 CL 性能的影响。作者根据 Fick 扩散定律和电化学反应方程支配的定律开发了一个团聚体模型（见图 6a），以生成负责影响 CL 性能的九个结构参数。包括 CL 液体饱和度、离聚物膜厚度、催化剂团聚半径、Pt 和碳负载、膜组成、GDL 渗透到 CL 中的程度和 CL 厚度在内的结构参数用作神经网络的输入参数，以预测与电化学池相关的活化过电位。研究人员在使用 ANN 在每个独立的物理特性和输出参数之间建立直接关联时遇到了挑战。为了应对这些挑战，他们应用了线性叠加近似静力学模型来找到这些相关性，揭示了离聚物厚度的增加、Pt 和碳质量载荷的增加以及 GDL 渗透到 CL 中会阻碍氧扩散到 CL 中，因为孔隙较少，从而增加了活化电位。另一方面，大团聚半径允许更大的孔和高氧扩散系数，这最终会降低活化电位，从而提高细胞的整体性能。尽管存在这些复杂性，神经网络还是实现了 0.8 的近乎完美的相关值和 0.0016 的均方误差，展示了其作为建模工具的有效性，如图 6c 所示。

图6.（a）团聚体模型设计 （b）ANN 的示意图 （c）数值模拟预测的活化过电位与实际活化电位

Zhang等人利用蒙特卡洛方法结合深度神经网络（DNN）和高斯回归模型研究了MEA多孔结构CL对高温PEMFC电池性能的影响。研究中使用了11个结构参数，包括阳极和阴极GDL的厚度、孔隙率、CL的厚度、孔隙率、电解质体积分数及Pt含量。结果表明，随着Pt负载增加，最佳GDL厚度和CL孔隙率降低，阴极MEA参数对电池性能影响大于阳极参数。优化参数后，可在0.4V和0.6V下实现最大功率密度。Jienkulsawad等人应用ANN确定PVA/Pt的最佳组成重量，作为PEMFC阴极侧催化剂层组分的添加剂。研究中使用电池电压、电流密度、相对湿度和功率密度等参数，预测PVC/Pt比率。基于Levenberge-Marquardt算法的ANN，以RMSE作为准确率指标，发现ANN能预测最佳PVA/Pt比率，最小RMSE分别为0.1293和0.031。隐藏层数量的选择对模型准确性有重要影响。Mohamed等人研究了使用ANN、PR、SVM、KNN、决策树预测PEMWE的产氢速率和电池电流密度。构建了包含1203个实验数据的数据库，分析了阳极和阴极支撑、膜类型、催化剂等因素对高电流密度的贡献。结果表明，特定配置在实现高电流密度方面发挥了重要作用。ANN在预测产氢速率和电流密度方面表现出色，测试数据均方误差分别为0006.0和04026。

在ML模型应用前使用箱须图作为数据分析工具并不常见，但提供了对数据中输入和输出参数之间关系的重要见解。Günay等人在应用决策树ML对PEMWE性能进行建模前，探索了箱须图。分析揭示了阴极/阳极载体、催化剂摩尔分数、催化剂负载、工作温度和PEMWE性能之间的显著相关性。箱须数据分析确定了影响电流密度和功率密度的关键因素。

极端梯度提升（XGBoost）算法是一种强大的ML技术，已被证明在回归和分类任务中都有效。Uenishi和Imoto使用XGBoost ML方法研究了PEMFC催化剂层的物理性质与电压之间的相关性，并使用GA优化了输出。研究发现，输出电压的性能取决于从CL的SEM横截面图像中提取的特征，如孔体积、孔径和表面积。优化孔结构可提高性能，降低生产成本。Zhang等人利用ML构建了一个包含58个MEA和16个输入特征的数据库，开发了机器学习模型来优化输出电压。使用了多种算法，其中XGBoost的R2值最高，优化了输出电压并提高了计算效率。为了解决模型可解释性问题，应用了SHAP方法揭示了工作温度、阳极离聚物含量等因素对输出电压的影响。

SVM算法在预测和优化燃料电池及电解槽组件方面极为重要。它适用于回归和分类任务，通过在高维空间中找到最佳超平面或分隔线来区分数据或最小化预测误差。SVM虽复杂，却能在处理小数据集时保持良好性能，平衡了复杂性和样本量。例如，Wang等人利用SVM模型预测PEMFC中最佳催化剂层组成以产生最大功率密度。他们使用3D CFD模型模拟不同条件下的电流密度，并用GA优化确定最佳催化剂组成。将CFD模型数据作为SVM模型输入，实现了高准确度和低误差。优化后的SVM预测与3D CFD模拟结果高度一致，显示了SVM在预测和优化PEMFC组件及结构参数方面的潜力。

图7.（a） 用于 PEMFC 性能仿真的 CFD 模型设计  SVM 预测和模拟了 （b） 训练集和 （c） 测试集的电流密度（d） GA 的最大功率密度优化结果

ML在预测燃料电池和电解槽性能及优化结构参数方面非常有用。关键结论包括：模型选择应基于数据复杂性；复杂数据需要复杂模型进行泛化；复杂模型的可解释性重要，可通过敏感性分析如Pearson相关性实现。

4 ML 算法在燃料电池和电解槽分析图像分割中的应用

对PEM FC、WE（包括催化剂、CL、GDL、PTL等）和SOFC的材料及层结构分析对性能和耐久性影响的理解至关重要。SOFC由复杂的多孔阳极和阴极结构组成，其电化学性能由此决定。这些结构通常由陶瓷-金属复合材料、混合氧化物和稳定的氧化锆制成，需要优化设计以实现高效性能，特别是在高温下运行时。研究人员长期依赖手动方法从电化学器件的微观结构中提取信息，过程费力且容易出错。深度学习（DL）是机器学习（ML）的一个分支，它使用模拟人脑的算法根据数据进行学习和预测，可自动化此过程。DL在图像处理方面的成功归因于其使用CNN、DNN和RNN从图像中识别、学习和提取复杂特征的能力。计算机视觉是一种有助于分析、理解和识别图像模式的DL方法。DL已被应用于从TEM、FIB-SEM和XCT图像中识别和分割燃料电池和电解槽的微观结构图像。

相位分割是将图像划分为具有相似形态特性的不同区域的过程。传统方法如Watershed和Weka分割方法已被用于从材料微观结构中提取信息。DL算法适用于实现燃料电池和电解槽组件的相位分割。例如，Liu等展示了Deeplab DL架构的应用，清晰分割PEMFC的CL中包含孔隙和炭黑相的FIB图像。Deeplab架构通过提取图像的密集特征来提高分割精度。他们还应用了DCGAN DL算法，从最初分割的2张图像中生成人工600D微结构，并将其重建为3D形式。DCGAN算法由生成器和判别器模型组成，通过训练生成人工图像并欺骗判别器模型，从而提高对人工图像和真实图像的分类能力。从3D重建图像中，研究人员发现孔隙率显著影响氧气在CL内的扩散，并且与线性插值相比，应用DCGAN的球形线性插值能产生更好的3D图像和扩散系数。

图8.（a） 2D FIB-SEM 图像（左），使用 Deeplab 的分割图像（中）和 DCGAN 生成的微观结构（右），其中黑色相表示炭黑，白色表示孔隙;（b） 从 3D 连续切片图像进行 2D 重建

Hwang等人结合Deeplabv3+深度学习算法和立体分析方法，对SOFC阴极复合材料的三相微观结构进行了语义分割和量化。Deeplabv3+算法结合CNN和空洞空间金字塔池，对图像进行像素级分类和对象分割。立体分析方法用于量化3D图像的体积、形状和表面积。研究中，他们分析了3张FIB-SEM图像，使用49张图像进行训练，40张用于测试。尽管数据集较小，但算法成功分割了9相微观结构，包括GDC、LSC和孔隙。预测结果与实际图像处理结果对比，实现了20.0的高平均交并比（mIoU）精度，显示了该算法在自动分割7D图像微观结构方面的潜力，特别是在燃料电池和电解槽应用中。

图9.（a） 用于固体氧化物燃料电池语义分割的 DL 辅助流动过程 （b） 用于验证深度学习方法的测试图像，以及 （c） 获得的深度学习图像（左）和从图像处理中获得的地面实况（右）。蓝色区域是 GDC，绿色区域是 LSC，红色区域是毛孔

另一种广泛用于语义分割任务的 DL 算法是 UNet 架构。UNet 架构是一种 CNN，最初设计用于分割生物医学图像，但现在在金属、岩石、燃料电池和电解槽的微观结构组件分割方面获得了突出地位。该架构由下采样和上采样路径组成，如图10所示。下采样路径会减小捕获图像的空间维度，但会增加特征图的深度。另一方面，上采样路径通过提高特征图的分辨率来实现精确定位，这意味着准确的分割，从而确保恢复缩小的图像空间维度。

图10.UNet 体系结构的表示形式

例如，Rena等应用传统的编码器-解码器和UNet算法，从作情况下捕获的低分辨率激光显微镜图像中分割SOFC中的Ni和YSZ相。使用这些算法，他们计算了相的相分数和三相边界 （TPB）。在他们的工作中，观察到这两种算法能够分割这些阶段。然而，由于激光显微镜的低分辨率，每个相的微小微观结构细节都丢失了，如图 11 所示。为了提高分辨率，探索了 pix2pix GAN 架构，将低分辨率激光显微镜图像转换为高分辨率的类似 SEM 的图像。据推断，可以通过利用 UNet 架构来实现低分辨率图像的分割，从而产生与地面实况非常接近的结果。然而，为了更准确地预测和分析相位，有必要使用 pix2pix GAN DL 算法提高图像分辨率，传统的编码器-解码器、UNet 和 pix2pix 架构的性能分别为 0.867、0.889 和 0.897。

图11.（a） 传统的编码器-解码器网络 （b） 带有编码器-解码器网络的 U-net （c） 低分辨率激光图像（左上）、真实分割图像（中上）、具有传统编码器-解码器网络的分割图像（左下）和带有编码器-解码器的 UNet 的分割图像（中下）、高分辨率 SEM 图像（右上）、pix2pix GAN 输出（右下）

众所周知，燃料电池和电解槽的性能分别在很大程度上取决于 GDL 和 PTL 的微观结构特性。这些特性包括孔径、曲折度、GDL厚度、纤维直径、孔隙率等。先前的研究表明，GDL 和 PTL 孔隙率的增加导致这些电化学器件的性能更好 。定量测量这些物理性质的能力可以深入了解反应物物质（氢和氧）通过 GDL/PTL 到达催化剂层时的质量传递特性或扩散行为。Mehdi等研究了具有不同百分比（5、20、40和60 wt%）涂层疏水性聚四氟乙烯（PTFE）的GDL中发生的流体流动机制。为了研究这些机制，他们利用 2D 和 3D UNet DL 算法从 X 射线计算机断层扫描 （XCT） 图像中分割 GDL 组件的水、空气和 PTFE 涂层纤维相。将从 DL 算法获得的结果与通常用于相位分割的传统 Watershed 和 Weka 分割过程进行了比较。结果表明，两种 DL 算法都有效地对三个阶段进行了分类，与 3D UNet、Watershed 和 Weka 分割方法相比，2D UNet 算法表现出卓越的性能。

DL技术应用于PEMFC催化剂层油墨筛选，Eslamibidgoli等人利用ConVNets架构自动分割和量化催化剂油墨中的团聚体粒度分布。他们对市售的Tanaka EA50、F50和V50催化剂以及Nafion和Aquivion载体的油墨进行高分辨率TEM成像，并训练ConVNets模型。该模型通过注释成像墨水并应用基于区域的对象检测算法来提高检测准确性，提取图像边缘和空间细节特征。使用预训练模型的迁移学习方法微调ConVNet，显著提升检测性能。Grad-CAM用于可视化包含墨水团聚体的分段区域，研究结果显示ConVNets成功分割了催化剂墨水，F1分数不低于99%，V50团聚体最大。DL技术用于燃料电池和电解槽的基于图像的缺陷检测。ML算法在预测燃料电池系统健康状况和诊断内外部缺陷方面至关重要。缺陷特征可能包括裂纹、针孔等，影响系统效率。传统检测方法如红外热成像、光学检查、X射线和显微镜技术存在局限性。DL技术中的对象检测有助于识别和理解相关对象，通过图像注释和DL算法训练，实现缺陷检测。

5 ML 算法在降解研究中的应用

燃料电池和电解槽等电化学器件的广泛商业化受到其耐用性问题的限制，这需要通过ML模型对老化和降解机制进行广泛的分析。借助递归神经网络 （RNN） 机器学习算法，我们可以根据运行时间和系统条件预测这些设备的性能演变，也称为剩余使用寿命 （RUL） 和电压退化，而无需依赖物理定律和电化学方程式的复杂建模 .RNN 是一种人工神经网络，它反复处理输入数据，并允许在下一个时间步将一个步骤的输出作为输入反馈给网络，从而捕获输入和输出数据之间的动态关系。简单来说，这意味着输入到系统 A 的输入特征产生输出特征，而系统 A 的输出特征现在用作系统 B 的输入特征，目的是捕获顺序输入特征和最终输出之间的动态关系。RNN 的一个例子是回声状态网络 （ESN），这是一种以其独特架构而闻名的储层计算神经网络，它随机生成具有静态内部权重的储层，并取代了传统神经网络中的隐藏层，使其在降解预测中具有计算成本效益，如图12所示。ESN 的优点是网络的输出层通过多元线性回归进行优化。

图12.标准 Echo State Network （ESN） 的架构

Vichard等的研究通过5000小时耐久性测试，探讨了PEMFC系统性能演变，发现较低环境温度有助于加湿和降低电压衰减率。研究将测试分为6个阶段，每个阶段有不同的运行时间和温度。ESN网络用于预测电压劣化，模型显示了有希望的结果，归一化RMSE值为0.098，计算时间2秒。学习率对预测电压衰减的重要性被讨论，33%和60%的学习率分别预测PEMFC系统使用寿命为3000小时和6000小时。Morando等开发了基于信号滤波和预后分析的ESN算法，用于预测PEMFC电压劣化，实验显示良好准确性，MAPE小于5%，前340小时数据足以预测至少1000小时的退化。Mezzi等提出MR-ESN和经典ESN算法，预测电池电压劣化，MR-ESN性能更优。Zhang等改进MR-ESN架构，增强网络处理和预测能力，研究了训练集长度对预测准确性的影响，并使用SG滤波器和PSO算法优化模型，结果表明350小时训练集对静态测试条件预测精度最高，PSO优化后最佳主储层和神经元分别为20,550和10,800个。MRM在静态和动态测试条件下表现优于LSTM和Bi-LSTM。

LSTM模型是RNN的一种，由Hochreiter和Schmidhuber于1997年开发，用于捕获时间序列数据中的模式和关系，解决传统RNN的梯度消失问题。Liu等开发了基于LSTM的框架，预测载体PEMFC的耐久性，实验数据为1155小时。他们使用定期间隔采样和LOESS进行数据重建和平滑，保持数据完整性。研究表明，LSTM模型预测PEMFC堆栈的RUL准确率高达70.77%，预测寿命为260小时，接近实际寿命结束的511小时。

图13.（a）基于 LSTM RNN 的 RUL 预后框架 （b）PEMFC 堆栈的降解数据 （c）LSTM RNN 的预后结果

Xu等人利用CNN-LSTM算法，基于恒定和启停负载下的实验数据预测PEM WE的电压劣化。恒定负载运行1140小时，启停负载运行660小时，以评估算法性能。实验中每分钟记录一次输出电压，每1.5分钟记录一次，这些数据作为CNN-LSTM算法的输入参数。CNN提取特征，LSTM处理顺序信息以预测性能下降。数据经Savitzky-Golay滤波预处理。研究发现输出电压先降后升，归因于IrO2初始氧化还原循环。CNN-LSTM在不同负载条件下预测准确，平均绝对误差分别为0.39 mV和2.1 × 10–2mV，优于传统LSTM模型和GRU。

Wang等人提出BILSTM-AT模型，预测PEMFC堆在静态和动态负载下的电压劣化。24个输入参数中，随机森林用于排序导致电压衰减的重要特征。模型性能优于其他模型，相对误差在0.09%到0.29%之间。

其他ML算法如SVM、RVM和LS-SVM也被用于燃料电池降解研究。RVM作为贝叶斯方法，生成稀疏模型，预测锂离子电池RUL表现出色。Lee等人应用SVM和GPR预测AEM电压，通过监测时间、电流和功率密度等参数。算法在输入数据上表现良好，但输入数据偏差大可能导致预测不准确。引入广泛输入参数是解决这一限制的权宜之计。ML在PEM FC降解或老化性能研究中应用有限，需进一步调查以更好理解系统耐用性和效率。

6结论

人工智能在燃料电池和电解槽领域的应用已显示出巨大潜力，特别是在MEA优化、性能预测和材料开发等方面。尽管存在数据、模型解释性等挑战，但随着算法进步和计算能力提升，AI有望加速这些清洁能源技术的开发和商业化进程。未来需要更多研究关注电解槽的AI应用，以及开发更高效、可解释的AI模型来推动这一领域的发展。

参考文献

Mariah Batool, Oluwafemi Sanumi, Jasna Jankovic,Application of artificial intelligence in the materials science, with a special focus on fuel cells and electrolyzers,Energy and AI,Volume 18,2024,100424,ISSN 2666-5468,https://doi.org/10.1016/j.egyai.2024.100424.