碳纤维纸是氢燃料电池堆的关键材料，在促进水排出和燃料供应方面起着至关重要的作用。它由碳纤维、粘合剂和涂层等材料组成。随着时间的推移，这些材料的排列、结构和涂层状况会发生变化，导致燃料电池的性能下降。因此，分析碳纤维纸的微观结构已成为诊断燃料电池状况的必要步骤。
然而，迄今为止，实时分析碳纤维纸的高分辨率微观结构仍是不可能的。这是因为要获得准确的分析结果，需要破坏碳纤维纸样品，然后用电子显微镜进行详细检查。
为了解决现有分析方法的局限性，研究团队开发了一种使用X射线诊断和基于AI的图像学习模型来分析碳纤维纸微观结构的技术。值得注意的是，该技术仅使用X射线断层扫描就可以进行精确分析，而无需使用电子显微镜。因此，它可以实现近乎实时的状态诊断。
研究团队从200多个碳纤维纸样本中提取了5000幅图像，并利用这些数据训练了机器学习算法。训练后的模型能够预测碳纤维纸关键成分(包括碳纤维、粘合剂和涂层)的三维分布和排列，准确率超过98%。
此功能可以将碳纤维纸的初始状态与当前状态进行比较，从而立即识别性能下降的原因。该研究结果发表在《应用能源》杂志上。
传统的分析方法是将碳纤维纸样品粉碎后，用电子显微镜进行分析，至少需要两个小时才能完成。而研究团队开发的分析模型，仅使用X射线断层扫描设备，就能在几秒钟内识别出碳纤维纸的劣化、受损部位和受损程度。
此外，研究团队利用所开发模型的数据，系统地识别了碳纤维纸厚度、粘合剂含量等设计因素对燃料电池性能的影响，并提取了最优设计参数，提出了以提高燃料电池效率为目标的理想设计方案。
