Die Lebensdauer von Elektrolyseuren unter realen, dynamischen Betriebsbedingungen zuverlässig vorherzusagen ist eine zentrale Herausforderung für die wirtschaftliche Produktion von grünem Wasserstoff. Klassische beschleunigte Alterungstests (Accelerated Stress Tests, AST) liefern zwar schnell Degradationsdaten, sind aber nur eingeschränkt geeignet, um daraus die Langzeitdegradation unter wechselnden realen Betriebsbedingungen vorherzusagen.
Im Projekt pAST-EL entwickeln ZBT und DLR daher neuartige prädiktive Accelerated Stress Tests (pAST). Die Testprotokolle werden gezielt so gestaltet, dass sie innerhalb möglichst kurzer Testzeiten eine besonders aussagekräftige Datengrundlage für Lebensdauervorhersagemodelle erzeugen.
Der Ansatz wird an der alkalischen Elektrolyse (AEL) experimentell validiert. Dazu werden pAST-basierte Zelltests und Langzeitmessungen unter realitätsnahen dynamischen Betriebsbedingungen durchgeführt. Mit den Messdaten werden Machine-Learning-basierte Lebensdauermodelle entwickelt und validiert. Darauf aufbauend sollen kritische Betriebszustände identifiziert und lebensdaueroptimierte Betriebsstrategien abgeleitet werden. Anschließend wird deren Einfluss auf Degradation, Wasserstoffgestehungskosten und Treibhausgasintensität untersucht.
Die entwickelte Methodik soll technologieübergreifend nutzbar sein. Protokollentwicklung, Lebensdauervorhersage und entsprechende Software-Werkzeuge werden deshalb als offene, anwenderspezifisch anpassbare Methoden bereitgestellt.
