Por Prof. Dr. Erick Sperandio, professor de IA da Universidade SENAI CIMATEC e da University of Surrey (Reino Unido)

1. O potencial do Hidrogênio e os desafios da produção eficiente

A transição global para um sistema energético sustentável é cada vez mais impulsionada pelo hidrogênio, que tem atraído atenção por suas propriedades únicas como vetor energético. O interesse reside em duas características-chave: uma notável densidade energética e o potencial para emissões zero de carbono. Este posicionamento do hidrogênio como um pilar fundamental para um futuro mais sustentável ressoa com as preocupações ambientais e econômicas globais, estabelecendo a alta relevância de seu potencial para a sociedade e a indústria.

No contexto da produção de hidrogênio limpo, os Eletrolizadores de Água por Membrana de Troca Protônica (Proton Exchange Membrane Water Electrolyzer – PEMWE) emerge como uma das tecnologias mais promissoras para produção de hidrogênio. PEMWE são valorizados por sua alta eficiência, capacidade de operar em baixas temperaturas e design compacto. No entanto, a tecnologia enfrenta desafios significativos que limitam sua escalabilidade e adoção industrial em larga escala. Estes incluem custos elevados, ineficiências relacionadas a eletrocatalisadores, durabilidade da membrana e limitações de eficiência ao operar em diversas condições. Modelos físico-matemáticos tradicionais, embora ofereçam informações valiosas sobre o comportamento de PEMWE com vistas à simulação e otimização do processo de produção de hidrogênio, muitas vezes demandam alto custo computacional e grande esforço na parametrização e refinamento necessários para serem executados.

Diante desses desafios, as técnicas de inteligência artificial (IA) apresentam potencial para geração de soluções inovadoras para a otimização do desempenho de simulações de produção de hidrogênio a partir de PEMWE. Esses algoritmos podem ser empregados para desenvolver modelos preditivos que otimizam os parâmetros do sistema, possibilitam mecanismos de controle inteligentes para operação dinâmica e aproveitam grandes conjuntos de dados para aumentar a eficiência das simulações, tanto em termos preditivos quanto em custo computacional. A modelagem de IA baseada em “surrogate models” (modelos substitutos) surge como uma alternativa viável para superar essas restrições, oferecendo previsões muito mais rápidas e precisas, posicionando a IA não apenas como uma ferramenta, mas como um elemento transformador capaz de acelerar a transição para a produção de hidrogênio em escala industrial.

2. Um salto de inovação: Uma nova abordagem de IA para acelerar a simulação da produção de Hidrogênio

Um novo estudo, publicado na renomada revista científica International Journal of Hydrogen Energy, e liderado pelo Prof. Dr. Erick Sperandio, professor de IA da Universidade SENAI CIMATEC e da University of Surrey (Reino Unido), apresenta uma metodologia sistemática para a construção de um modelo substituto impulsionado por IA, projetado para simular a produção de hidrogênio em sistemas de PEMWE. O objetivo central foi desenvolver um modelo de IA capaz de prever com precisão, robustez e eficiência o desempenho da PEMWE para a produção de hidrogênio, utilizando técnicas de machine learning (ML) e deep learning (DL). Este trabalho aborda lacunas críticas em estudos anteriores, como a disponibilidade limitada de conjuntos de dados, a falta de comparações abrangentes entre modelos e a insuficiência de robustez e confiabilidade das abordagens existentes. Ao focar explicitamente nessas deficiências, a pesquisa demonstra um compromisso com o rigor científico e a aplicabilidade prática.

A metodologia empregada é notavelmente robusta, desenvolvendo, avaliando e analisando 10 métodos distintos de ML e DL. Para garantir a generalização, robustez e confiabilidade dos modelos, foram utilizados conjuntos de dados reais de produção de hidrogênio a partir de PEMWE provenientes de múltiplas fontes. A utilização de dados do mundo real, combinados de diversas origens, é fundamental para assegurar que os modelos desenvolvidos sejam aplicáveis em cenários industriais variados.

Os modelos testados incluíram uma ampla gama de algoritmos de ML, como k-Nearest Neighbors (k-NN), Support Vector Machine (SVM), Árvores de Decisão (DT), Random Forest (RF), Category Boosting (CB), Light Gradient Boosting (LGB) e Gradient Boosting (GB). Além disso, foram avaliados modelos de DL, incluindo Long Short-Term Memory (LSTM), Multi-Layer Perceptron (MLP) e Redes Neurais Convolucionais Unidimensionais (1DCNN). A escolha de um conjunto tão diversificado de modelos permite uma avaliação comparativa abrangente, identificando as abordagens mais eficazes para a tarefa em questão. A metodologia também envolveu um rigoroso pré-processamento de dados, e um extenso ajuste fino de hiperparâmetros para otimizar o desempenho de cada modelo. Essa abordagem meticulosa garante a qualidade dos dados e a otimização dos modelos, reforçando a credibilidade dos resultados obtidos.

3. Resultados que redefinem a eficiência: Precisão, Velocidade, Robustez e Confiabilidade

Entre todos os modelos avaliados, o modelo 1DCNN demonstrou o melhor desempenho dentre todos os modelos na simulação da produção de hidrogênio via PEMWE. Ele alcançou um R-quadrado (R²) de 0,998944, um Erro Quadrático Médio (MSE) de 488,82, um Erro Quadrático Médio Normalizado (NMSE) muito baixo de 0,001055, e uma correlação de Pearson de 0,999472 no conjunto de dados de teste. Essa performance superior do 1DCNN destaca sua capacidade de capturar relações não lineares complexas nos dados, tornando-o altamente adequado para a tarefa de previsão. O modelo MLP também apresentou um desempenho notável, indicando uma forte capacidade preditiva. Em contraste, o modelo LSTM teve o pior desempenho, o que indica sua inadequação para este conjunto de dados não sequencial. Essa diferença de desempenho sublinha a importância de selecionar arquiteturas de IA alinhadas às características dos dados, evitando o uso de modelos projetados para dados sequenciais em contextos não sequenciais.

Além da precisão preditiva, a eficiência computacional dos modelos é um fator crítico para a implantação em cenários reais. O modelo 1DCNN demonstrou a capacidade de simular processos PEMWE em uma fração do tempo exigido pelos métodos tradicionais, fornecendo informações operacionais valiosas e impulsionando o avanço de tecnologias em setores como produção de hidrogênio, energia, transporte e sistemas de energia sustentável. Ele alcançou um tempo médio de simulação da produção de hidrogênio (ou de inferência) de cerca de 102 ms por amostra, o que corresponde a aproximadamente 9 previsões por segundo. Essa velocidade é significativamente superior à dos modelos físicos convencionais, tornando o 1DCNN altamente adequado para uso operacional em tempo real em sistemas PEMWE em escala industrial. Esse resultado revela uma vantagem prática da IA considerando velocidade e precisão, algo fundamental em ambientes industriais.

Para garantir a robustez e a confiabilidade dos resultados, a pesquisa empregou técnicas rigorosas de validação estatística, distinguindo-se de muitos estudos anteriores que careciam dessa profundidade. Foram utilizadas técnicas de validação cruzada para validar o grau de generalização do modelo, e o Teste de Wilcoxon Signed-Rank para validação estatística, estabelecendo a robustez e a confiabilidade das previsões do 1DCNN. O Teste de Shapiro-Wilk confirmou que as previsões de todos os modelos não seguiam uma distribuição normal (p < 0,05), justificando o uso de testes estatísticos não paramétricos. O Teste de Kruskal-Wallis revelou diferenças significativas entre os modelos (p-value <0,05). O Teste de Wilcoxon Signed-Rank confirmou que as previsões do modelo 1DCNN eram estatisticamente diferentes das de todos os outros modelos. Essa distinção é fundamental para reforçar a confiança na superioridade do 1DCNN em aplicações industriais. Além disso, a utilização de Intervalos de Confiança (ICs) de 95% quantificou a confiabilidade e a precisão das previsões, apoiando a significância estatística do desempenho superior do 1DCNN.

4. Desvendando a “Caixa Preta”: A IA explicável e seus insights preditivos

Um dos desafios frequentemente associados aos modelos de IA é sua natureza de “caixa preta”, dificultando a compreensão de como as decisões são tomadas. Para superar isso, o estudo integrou técnicas de IA Explicável (Explainable AI – XAI), especificamente a análise SHAP (SHapley Additive exPlanations), para interpretar e validar as previsões do modelo. A incorporação da explicabilidade baseada em SHAP viabilizou a interpretabilidade e a transparência do modelo, onde se quantificou a contribuição de cada variável de entrada para as previsões do modelo, permitindo identificar os parâmetros-chave que influenciam a eficiência da produção de hidrogênio. Essa abordagem aumenta a confiança no modelo, pois permite verificar se suas decisões são consistentes com o conhecimento de domínio e os princípios físicos. A capacidade de validar a IA junto ao conhecimento científico estabelecido aumenta significativamente a confiança na robustez e confiabilidade do modelo, tornando-o mais atrativo para profissionais da indústria que dependem de princípios científicos comprovados para otimização de sistemas reais.

5. IA, Hidrogênio e um futuro mais sustentável: Implicações e próximos passos

O modelo substituto impulsionado por IA desenvolvido neste estudo demonstra uma capacidade notável de prever as taxas de produção de hidrogênio via PEMWE com alta precisão, robustez, confiabilidade e requisitos computacionais mínimos. Ele reduz significativamente os custos computacionais e o tempo necessário para experimentação em comparação com os modelos físicos e baseados em dados convencionais, tornando-o escalável para aplicações industriais. O design compacto e eficiente do modelo 1DCNN o torna altamente adequado para implantação em dispositivos de borda (edge devices), possibilitando a simulação e o monitoramento em tempo real da produção de hidrogênio em sistemas de PEMWE em escala industrial. Isso representa um avanço substancial para a indústria, oferecendo uma via mais rápida, econômica e confiável para a produção de hidrogênio verde, acelerando a adoção de energia limpa, uma vez que acelera o processo de simulação da produção de hidrogênio visando sua integração otimizada com sistemas de geração híbrida de energias limpas e renováveis.

Para ter acesso ao artigo científico completo, acesse http://dx.doi.org/10.1016/j.ijhydene.2025.04.098.