Оптимізація складу електролітів для "зелених" водневих технологій

Анотація

Сучасний стан розвитку водневої енергетики потребує кардинального підвищення ефективності процесів електролізу води для забезпечення сталого переходу до безвуглецевої економіки. Ключовим фактором, що визначає продуктивність та довговічність електролізерів, є хімічний склад електроліту, який безпосередньо впливає на перенапругу реакції виділення водню та стабільність електродних матеріалів. Дана робота присвячена розробці методології оптимізації багатокомпонентних електролітичних систем шляхом поєднання традиційних електрохімічних методів та сучасних цифрових інструментів.

В межах дослідження розглянуто вплив різних добавок та концентраційних параметрів лужних і полімерних електролітів на кінетику переносу заряду. Особлива увага приділяється мультидисциплінарному підходу, де цифрова трансформація виступає як інструмент прискорення наукового пошуку. Замість тривалого методу «спроб і помилок», автори пропонують використання алгоритмів машинного навчання для прогнозування фізико-хімічних властивостей систем на основі обмеженої вибірки експериментальних даних.

Практична частина статті базується на побудові математичних моделей, що описують взаємозв'язок між іонною провідністю, в’язкістю та корозійною активністю електролітів. Використання методів градієнтного бустингу та нейронних мереж дозволило ідентифікувати оптимальні синергетичні комбінації компонентів, які забезпечують максимальний вихід за струмом при мінімальних енерговитратах. Такий підхід дозволяє суттєво скоротити час розробки нових складів та знизити собівартість отримання «зеленого» водню.

Екологічний аспект дослідження розкривається через аналіз життєвого циклу запропонованих електролітів та можливість їхньої подальшої рециркуляції. Встановлено, що цифрова оптимізація не лише покращує технічні характеристики систем, а й дозволяє уникати використання токсичних добавок, замінюючи їх більш безпечними аналогами без втрати ефективності. Це повністю відповідає принципам «зеленої хімії» та стратегічним цілям сталого розвитку в енергетичному секторі.

У висновках узагальнено результати впровадження інтелектуальних систем аналізу в електрохімічні дослідження. Доведено, що інтеграція методів Big Data в розробку енергетичних технологій є необхідною умовою для масштабування водневої інфраструктури. Сформульовано рекомендації щодо використання розроблених моделей для проектування промислових електролізерів нового покоління, що здатні ефективно працювати з нестабільними джерелами відновлюваної енергії.

References

1.               Demchuk, L., Kireitseva, H., & Khomenko, S. (2026). Zelenyi voden ta enerhiia dlia staloho rozvytku maibutnoho [Green hydrogen and energy for sustainable development of the future]. Středoevropský věstník pro vědu a výzkum, 2, 315.

2.               Ministerstvo enerhetyky Ukrainy. (2026). Zvit pro stan vprovadzhennia vodnevykh tekhnolohii v Ukraini ta YeS [Report on the status of implementation of hydrogen technologies in Ukraine and the EU].

3.               Kudria, S. O., Riepkin, O. O., Rubanenko, O. O., Yatsenko, L. V., & Shynkarenko, L. Ya. (2022). Etapy rozvytku zelenoi vodnevoi enerhetyky Ukrainy [Stages of development of green hydrogen energy in Ukraine]. Vidnovliuvana enerhetyka [Renewable Energy], 1(68), 5–16. https://doi.org/10.36296/1819-8058.2022.1(68).5-16

4.               Kireitseva, H., Vyhovska, O., & Khomenko, S. (2025). Intehrovana model zaluchennia zelenykh investytsii dlia dekarbonizatsii zalizorudnoi promyslovosti Ukrainy [Integrated model of attracting green investments for decarbonization of the iron ore industry of Ukraine]. Naukovyi visnyk Vinnytskoi akademii bezperervnoi osvity. Seriia «Ekolohiia. Publichne upravlinnia ta administruvannia» [Scientific Bulletin of Vinnytsia Academy of Continuing Education. Series "Ecology. Public Management and Administration"], 2(8), 10–19. https://doi.org/10.32782/2786-5681-2025-2.02

5.               Khomenko, S. V., & Kireitseva, H. V. (2025). Otsinka stanu vprovadzhennia mizhnarodnykh zoboviazan Ukrainy zi zminy klimatu v zakonodavche ta normatyvno-pravove zabezpechennia [Assessment of the state of implementation of Ukraine's international climate change obligations into legislative and regulatory support]. Ekolohichni nauky [Environmental Sciences], 2(59), 228–235. https://doi.org/10.32846/2306-9716/2025.eco.2-59.35

6.               BRDO (2022). Zelena vidbudova Ukrainy: perspektyvy zastosuvannia vodniu v transporti [Green reconstruction of Ukraine: prospects for the use of hydrogen in transport]. https://brdo.com.ua/analytics/zelena-vidbudova-ukrayiny-perspektyvy-zastosuvannya-vodnyu-vtransporti/

7.               Bhuiyan, M. A., et al. (2025). Machine Learning for Hydrogen Economy: A Review of Electrolyte Optimization through 2025. ACS Energy Letters, 10(2), 415–432.

8.               Feng, J., Zhang, L., & Müller, K. (2025). Digital Twins and Real-time ML Integration in Green Hydrogen Production Systems. Journal of Power Sources, 580, 233–245.

9.               International Energy Agency (2026). Global Hydrogen Review 2026: Digitalization Trends and Sustainable Solutions. IEA Publications.

10.            Li, X., et al. (2023). Data-driven design of PEM electrolyzers: From molecular structure to stack performance. Nature Communications, 14, 1102.

11.            Saha, R., Gupta, S., & Weber, A. Z. (2024). AI-driven optimization of green hydrogen production: Minimizing overpotential in alkaline systems. Energy & Environmental Science, 17(4), 1589–1605. https://doi.org/10.1039/D3EE03241A

12.            Schmidt, O., et al. (2022). Future cost and performance of water electrolysis: An expert elicitation study updated for 2030 goals. International Journal of Hydrogen Energy, 47(30), 13000-13015.

13.            Wang, Y., & Chen, H. (2026). Explainable AI (XAI) in Electrochemical Engineering: Breaking the Black Box of Catalyst Discovery. Nature Energy, 11(1), 45–58.

14.            Zhang, T., et al. (2024). Ionic Liquids as Performance Enhancers in Alkaline Water Electrolysis: A Machine Learning Perspective. Green Chemistry, 26(8), 2100–2118.

15.            Zhu, J., et al. (2025). Automated High-Throughput Screening of Electrolytes for Sustainable Energy Storage. Advanced Functional Materials, 35(12), 2400567.