《Journal of Loss Prevention in the Process Industries》：Artificial intelligence in hydrogen safety: A Comprehensive review of methods, applications, and future directions
编辑推荐：
摘要氢能正迅速成为全球清洁能源转型的核心力量，但其独特的物理化学性质——宽广的燃爆范围、较低的着火能量、较高的扩散性以及难以察觉的火焰——给整个产业链带来了巨大的安全挑战。与此同时，人工智能和机器学习技术可通过数据驱动的泄漏检测、实时风险评估、预测性维护以及基于物理原理的模拟，为
摘要
氢能正迅速成为全球清洁能源转型的核心力量，但其独特的物理化学性质——宽广的燃爆范围、较低的着火能量、较高的扩散性以及难以察觉的火焰——给整个产业链带来了巨大的安全挑战。与此同时，人工智能和机器学习技术可通过数据驱动的泄漏检测、实时风险评估、预测性维护以及基于物理原理的模拟，为现有的安全措施提供增强支持。本文采用结构化的半系统化方法，通过研究六个关键领域的应用，分析了人工智能在氢能安全中的作用：（i）泄漏检测与传感器智能；（ii）利用机器学习与计算流体动力学相结合的方法进行扩散建模；（iii）爆炸及其后果预测；（iv）概率风险评估；（v）燃料电池的诊断与预测；（vi）数字孪生框架。此外，本文还从过程安全的角度评估了基于物理原理的学习、强化学习、自然语言处理以及可解释人工智能技术。在分析过程中，我们区分了针对氢能特性的实验证据与从其他领域借鉴过来的方法，并对所报道的性能进行了严格评估，指出那些高准确率的数据往往未考虑假阴性率、数据集不平衡问题、不确定性以及数据分布偏差等情况。文章还探讨了数据稀缺、模型可解释性、实时部署以及法规整合等关键挑战，并提出了相应的研究方向。语言模型应用被视为专家指导下的知识辅助工具，而非替代正式的安全研究或决策依据。
引言
全球范围内减少能源系统碳排放的需求，使得氢能从一种小众的工业原料转变为重要的战略能源载体。氢气的比能量约为120兆焦/千克，几乎是汽油的三倍，且燃烧主要产物为水，因此它有望帮助那些难以实现电气化的行业实现脱碳，比如重型运输、钢铁制造以及长时储能领域（Hassan等人，2023年；Calabrese等人，2024年）。欧盟、日本、韩国、澳大利亚和中国都制定了国家氢能发展战略，目标是在2030年前建成数百吉瓦级的电解槽产能。
然而，正是这些使氢气具有吸引力的特性，也使其存在独特的安全风险：宽广的燃爆范围、较低的着火能量、快速的扩散速度、难以观察的火焰，以及可能导致的材料脆化现象，给氢气在生产、运输、储存和使用过程中的过程安全带来了诸多挑战（Sun等人，2025年；Yelegen，2025年）。第3节总结了解读人工智能相关研究成果所需的氢气特性及危险场景。
数十年来，传统的安全工程方法——危害与可操作性分析、故障树分析、事件树分析以及定量风险评估——一直是过程安全领域的核心手段。Gye等人（2019年）对城市氢气加注站进行了最早期的全面定量风险评估之一，发现管道拖车泄漏、加注装置泄漏以及管道拖车爆炸是主要的风险来源。Tsunemi等人（2019年）则进一步拓展了定量风险评估的研究，通过事件树分析将安全屏障系统的失效概率纳入风险计算中，证明现有法规规定的防护墙和隔离距离能够将单一风险降低到每年10的负6次方以下。尽管这些研究奠定了基础，但其所用的方法本质上较为静态，依赖专家经验，且在应用于大规模或动态变化的氢能基础设施时，计算量也相当大。
人工智能和机器学习技术可以通过处理高维传感器数据、近似非线性后果模型，以及根据实际运行数据更新风险评估结果，从而为这一框架提供补充。不过，这些技术并不能取代经过验证的传感器、独立的防护措施或专家审核。Patil等人（2024年）较早地对人工智能在氢能安全领域的创新应用进行了综述，列举了人工神经网络、计算机视觉以及数据融合技术在泄漏检测与监控中的应用案例。他们的研究既展现了这些技术的巨大潜力，也指出了其中的关键缺陷——尤其是标准化数据集的缺乏，以及在不同环境条件下进行模型验证的必要性。
尽管前景广阔，但目前的相关综述仍然零散：现有的综述大多只涉及问题的某一部分——某个具体的安全功能或某一种建模方法——第二节（表2）对这些综述进行了对比。目前尚缺乏这样一篇综述：它首先涵盖当前应用于氢能安全的主要人工智能/机器学习方法，其次将这些方法与产业链各环节的过程安全功能相对应，最为重要的是，它能区分出真正针对氢能特性的实证证据与仅从其他领域借鉴过来的方法，同时以安全应用所要求的严格标准来评估各项技术的性能。本文正是为填补这一空白而撰写。
因此，本文的贡献主要有四点：（1）一种透明、结构化且半系统化的综述方法（见第2节），该方法有助于将本研究与其他已有综述区分开来，同时也明确了用于分类研究及评估其成熟度的标准；（2）对人工智能/机器学习技术及其在氢能应用中的分类；（3）通过对2019年至2026年间72项经过评估的研究（共74篇参考文献）的分析，对六个应用领域进行了批判性研究，区分了针对氢能特性的成果与可迁移的方法，并从误报、漏检以及验证等方面对所报道的准确率进行了审视；（4）提出了一套综合性的研究路线图，指出了实现可验证、可解释的人工智能技术在氢能安全领域应用所面临的关键障碍及未来发展方向。相较于详尽列举各种人工智能技术，本文更注重从过程安全的角度进行分析。
章节摘录
综述方法
本节介绍了在整个综述过程中所采用的搜索策略、筛选标准、分类方案以及成熟度评估体系，同时还将本次综述与以往的相关研究进行了对比。这种结构化的半系统化综述采用了PRISMA 2020版本的报告要素（Page等人，2021年），但针对跨学科的证据基础进行了适当调整；它并非完全的系统化综述，也不涉及正式的偏倚风险评估或定量元分析。
与安全相关的物理化学特性
氢气具有多种物理化学特性，这些特性使其危险程度不同于传统燃料。它宽广的燃爆范围（空气中体积占比为4%至75%），以及极低的最低着火能量（0.02毫焦），意味着在发生意外泄漏后很容易引发燃烧。其爆炸极限为体积占比18.3%至59%，且爆炸波及范围较小（在化学计量条件下约为15毫米），这些都表明在空间狭小或拥挤的环境中，氢气容易从缓燃状态转变为爆炸状态。
用于安全领域的人工智能/机器学习技术概述
这里需要区分的并非各类算法的通用分类，而是每种算法类别所对应的安全功能、证据类型以及可能的失效模式。监督型卷积神经网络和循环神经网络能够利用传感器数据中的空间或时间结构特征；集成学习方法和支持向量机则常用于表格数据的预测；而自编码器则适用于故障标签较少的异常检测场景（Leoni等人，2024年；Patil等人，2024年）。这类技术的主要过程安全缺陷在于对训练数据的代表性要求较高。
用于声学/振动检测的深度学习技术
氢气泄漏会产生特定的声学发射信号，这些信号可以通过压电传感器捕捉，并借助深度学习技术进行处理。Ahmad等人（2022年）提出了一种方法，可将声学发射时间序列信号转换为连续小波变换谱图，这些谱图可作为图像输入，送入由两个模块构成的架构：其中一个卷积自编码器用于提取全局特征，另一个卷积神经网络则用于提取局部特征，最终由一个浅层人工神经网络对这些特征向量进行分类，从而实现检测目的。
用于模拟氢能相关现象的基于物理原理的神经网络
基于物理原理的神经网络已被用于研究燃烧动力学以及氢气作用下的材料特性，而在清洁燃烧和氨反应器相关研究中，这类网络也展现出了更广泛的替代应用潜力（Zhang等人，2024年；Mousavi等人，2026年；Xu等人，2025年；Kushwaha和Chauhan，2026年）。不过，这些研究大多基于模拟，尚未证明这类技术能够在实际的氢能设施中得到有效应用。
在传感器分布稀疏的复杂设施中，实现全区域扩散情况的精确重建，是一个具有重要价值但目前尚未得到验证的研究方向。
面临的挑战、局限性及未来发展方向
前几节的内容表明，人工智能/机器学习技术在氢能安全领域已取得了不少积极成果，但大部分研究仍处于早期阶段，或是基于模拟，又或是从其他领域借鉴而来。本节首先会对所报道的技术性能进行严格评估，接着梳理出技术层面和组织层面的应用障碍，最后提出相应的未来研究方向。将挑战与未来方向放在同一节中阐述，可以避免内容重复。
结论
本文围绕六个应用领域以及四个跨领域的分析视角，研究了人工智能在氢能安全中的作用，共分析了2019年至2026年间72项经过评估的研究（共74篇参考文献），并依据第2节中制定的成熟度与验证标准对这些研究进行了评价。通过分析，可以得出若干重要结论。
首先，各项技术的成熟度存在差异。在燃料电池的诊断领域，由于有多项独立的研究成果作为支撑，因此按照既定的应用标准，该领域的技术已经处于较为成熟的阶段。
CRediT作者贡献说明
Patryk M?odzianowski：撰写——综述与编辑、撰写——初稿、方法设计、研究实施、概念构建。Mateusz ?bikowski：撰写——综述与编辑、研究指导。Grzegorz Marcin Wójcik：撰写——综述与编辑、研究指导。Andrzej Teodorczyk：撰写——综述与编辑、研究指导。
利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。
Patryk M?odzianowski|Mateusz ?bikowski|Grzegorz Marcin Wójcik|Andrzej Teodorczyk
波兰卢布林玛丽亚·居里-斯克沃多夫斯卡大学，神经信息学与生物医学工程系，卢布林
