Les Projets

H2-DurabilitAI

Présentation

Notre siècle est marqué par une course contre la montre pour limiter le réchauffement climatique à 1,5 °C au-dessus des niveaux préindustriels, comme convenu dans l’Accord de Paris par 192 Parties en décembre 2015. Dans ce contexte, le déploiement massif des énergies renouvelables (EnR) intermittentes constitue une priorité nationale et européenne, particulièrement sur les territoires insulaires non interconnectés comme La Réunion, où l’équilibre du réseau électrique repose sur le stockage d’énergie et la production d’hydrogène décarboné.

L’électrolyse de l’eau à membrane échangeuse de protons (PEMWE) est une technologie clé pour convertir l’excédent d’électricité renouvelable en hydrogène. Cependant, l’accumulation de bulles d’oxygène à l’anode réduit significativement les performances et la durabilité des systèmes. Ces phénomènes diphasiques complexes (régimes bubbly, slug et stagnated) entraînent une couverture partielle de la surface active, une augmentation des surtensions et une dégradation accélérée des composants.

Pour surmonter ces verrous, l’intelligence artificielle représente une innovation de rupture. Des travaux fondateurs menés par Idriss Sinapan ont permis de développer des outils de détection et de reconnaissance de bulles par deep learning (YOLO), d’abord en mono-classe puis en multi-classes, combinés à une cellule PEMWE transparente et à un système d’acquisition vidéo haute résolution sur le banc d’essai SysPacRevers. Ces approches ont déjà permis de quantifier finement les taux de couverture, le nombre de bulles et les dynamiques d’écoulement, et d’identifier des phénomènes contre-intuitifs liés au débit d’eau et à la densité de courant.

Le projet H2-DurabilitAI – Amélioration de la durabilité des systèmes H2 par IA, porté en tant que chercheur principal par Idriss Sinapan, s’inscrit dans la continuité de ces travaux. Il vise à constituer une base de données expérimentale riche, à développer un pipeline IA avancé (détection/segmentation multi-classes, cartes de chaleur des non-uniformités, estimation du temps de résidence des bulles) et à proposer de nouvelles topologies et optimisations de composants, en partenariat avec le Fraunhofer ISE pour la validation expérimentale.

Le projet H2-DurabilitAI est financé par l’Union Européenne à hauteur de 167 924,67 € dans le cadre du programme FEDER-FSE+ Réunion 2021-2027 dont l’Autorité de gestion est la Région Réunion. L’Europe s’engage à La Réunion avec les fonds FEDER. La Région Réunion complète ce financement par une contrepartie nationale.

Ce projet renforce les compétences locales en intelligence artificielle appliquée à l’hydrogène et contribue à la décarbonation et à la résilience énergétique du territoire réunionnais, tout en favorisant l’innovation ouverte via la mise à disposition de la base de données et du modèle IA sur GitHub.

Objectifs

Ce projet s’appuie sur les travaux fondateurs d’Idriss Sinapan qui ont conduit au développement d’outils de détection et de reconnaissance de bulles d’oxygène par deep learning dans les électrolyseurs PEMWE. Ces travaux ont permis, pour la première fois, une analyse multi-classes (bubbly, slug et stagnated) des dynamiques bullaires à l’anode, grâce à une cellule PEMWE transparente couplée à un système d’acquisition vidéo haute résolution sur le banc SysPacRevers.

Le projet H2-DurabilitAI poursuit et amplifie ces travaux à travers quatre objectifs spécifiques :

1. Acquisition massive de données et constitution d’une base de données expérimentale

L’objectif est de générer une base de données riche et multi-conditions sur la PEMWE transparente. Plusieurs tâches sont mises en œuvre :

Remise en service et étalonnage du banc SysPacRevers ;
Acquisition vidéo haute résolution synchronisée avec les signaux opératoires (densité de courant, débit d’eau, température, pression, topologies de canaux et de milieu poreux) ;
Structuration, organisation et partage ouvert des données via un système NAS.

2. Développement d’un pipeline d’intelligence artificielle pour l’analyse des bulles

L’objectif est de créer un outil IA avancé dédié à l’analyse fine des phénomènes diphasiques. Plusieurs tâches sont mises en œuvre :

Développement d’un modèle de détection/segmentation multi-classes de bulles (bubbly, slug, stagnated) ;
Génération de cartes de chaleur des non-uniformités de couverture ;
Implémentation d’un suivi (tracking) des bulles pour calculer des indicateurs dynamiques tels que le temps de résidence et le temps d’évacuation moyen ;
Post-traitement et évaluation des performances (mAP, IoU, etc.).

3. Analyse des résultats et proposition de nouvelles topologies et optimisations

L’objectif est d’exploiter les indicateurs issus de l’IA pour améliorer les performances et la durabilité des PEMWE. Plusieurs tâches sont mises en œuvre :

Analyse comparative des régimes bullaires selon les conditions opératoires et les topologies ;
Proposition de modifications de composants (canaux, transport layer poreux, assemblage MEA) ;
Validation en partenariat avec le Fraunhofer ISE.

4. Valorisation, diffusion et préparation de projets futurs

L’objectif est d’assurer la diffusion des résultats et le renforcement des compétences locales. Les tâches incluent :

Publication des résultats dans un journal scientifique de catégorie A ;
Mise à disposition du modèle IA et de la base de données sur GitHub ;
Rédaction de rapports d’analyse et de recommandations ;
Préfiguration d’un consortium Horizon Europe.

Valorisation

Le projet H2-DurabilitAI vise à produire des résultats concrets et réutilisables, tant sur le plan scientifique que technologique, avec un fort impact territorial.

Les principaux résultats attendus sont :

Une base de données expérimentale riche et ouverte : Collecte et structuration d’un volume important de vidéos haute résolution synchronisées aux conditions opératoires (densité de courant, débits, température, pression, topologies). Cette base constituera une ressource précieuse pour la communauté scientifique internationale travaillant sur les phénomènes diphasiques dans les électrolyseurs PEMWE.
Un outil d’intelligence artificielle avancé : Développement d’un pipeline IA performant pour la détection multi-classes de bulles (bubbly, slug, stagnated), la génération de cartes de chaleur des non-uniformités et le calcul d’indicateurs dynamiques (temps de résidence, taux de couverture, etc.). Le modèle et les codes sources seront mis à disposition en open source sur GitHub afin de favoriser la reproductibilité et l’innovation collaborative.
Des avancées scientifiques et technologiques : Publication des résultats dans un journal scientifique de catégorie A, incluant l’analyse comparative des régimes bullaires et les recommandations d’optimisation de composants (canaux d’écoulement, transport layer poreux, assemblage MEA). Ces travaux permettront d’améliorer significativement les performances et la durabilité des électrolyseurs PEM.
Renforcement des compétences locales et rayonnement international : Développement de savoir-faire en vision par ordinateur appliquée à l’hydrogène au sein d’ENERGY-Lab, renforcement du partenariat avec le Fraunhofer ISE et préparation d’un consortium pour des projets Horizon Europe.

Grâce à ces livrables, le projet H2-DurabilitAI contribuera à la réduction des coûts de production d’hydrogène vert et à la résilience énergétique des territoires insulaires, en soutenant concrètement la transition écologique de La Réunion.

Partenaires

Contact