9月30日消息，意大利研究团队（Marco Veneriano、Matteo Santacesaria等，涉及Graphene Labs相关机构）9月29日在arXiv预印本平台发布研究，对阴离子交换膜（AEM）水电解槽的衰减预测开展数据驱动分析，构建了多轮异构实验工况下恒流运行的单电池数据集，训练线性基线、LSTM与CNN等多种机器学习模型，实现电解槽电压衰减曲线的中期预测，并在专门针对异构工业数据设计的训练评估框架内检验模型稳健性。

AEM电解槽兼具碱性电解的低成本（无铂族催化剂、可用镍基钢组件）与PEM的快速响应优势，被视为绿氢降本的下一代路线，但其膜与电极组件的寿命衰减规律尚缺乏系统性数据。衰减预测模型的工程价值在于：电解槽运营商可据此规划维护窗口、优化电流密度策略以延长堆寿命，降低绿氢的平准化成本。

该研究是“数据驱动的电解槽健康管理”方向的代表性工作。随着欧盟绿氢项目批量投运，电解槽堆的寿命数据资产化与预测性维护，正在成为绿氢资产收益率核算中的关键变量。研究团队计划公开该异构数据集，为行业提供可复现的基准，这有助于推动电解槽厂商与运营方建立统一的寿命数据格式。 （来源：arXiv）