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.