DETECÇÃO PRECOCE DE CROSSOVER DE HIDROGÊNIO EM ELETROLISADOR PEM UTILIZANDO APRENDIZADO DE MÁQUINA EXPLICÁVEL

Este estudo aborda os desafios de segurança e confiabilidade da eletrólise da água por membrana de troca protônica integrada à energia renovável intermitente. Utilizando um dataset público de um eletrolisador comercial de 1,25 MW, desenvolveu-se um framework para identificar transições do regime estacionário para regimes dinâmicos de crossover. Ao priorizar precursores operacionais a montante, comparamos as arquiteturas Random Forest e XGBoost, com esta última alcançando um recall superior de 96,36% e inferência 3,6 vezes mais rápida. Além do desempenho preditivo, métodos de explicabilidade foram empregados para validar a lógica física do modelo. Os resultados identificam a resistividade da água, a temperatura de entrada e a variabilidade do comando de corrente como os principais impulsionadores do risco de crossover. Este alinhamento entre a inferência de IA e a teoria eletroquímica demonstra o potencial da IA explicável para o monitoramento em tempo real da integridade de sistemas de hidrogênio verde.