DOI: https://doi.org/10.1038/s41598-025-89304-6
PMID: https://pubmed.ncbi.nlm.nih.gov/39948121
تاريخ النشر: 2025-02-13
المؤلف: Mohammad Aljaidi وآخرون
الموضوع الرئيسي: خلايا الوقود والمواد ذات الصلة
نظرة عامة
تقدم البحث خوارزمية التطور التفاضلي ذو المرحلتين (TDE) كطريقة متقدمة لتحديد المعلمات في خلايا الوقود ذات غشاء تبادل البروتون (PEMFCs). غالبًا ما تكافح خوارزميات التحسين التقليدية مع الكفاءة والتقارب، مما يؤدي إلى عدم الدقة في نمذجة السلوك المعقد لخلايا الوقود. تعالج خوارزمية TDE هذه القيود من خلال استخدام استراتيجية طفرة جديدة تعزز تنوع الحلول وتسريع التقارب. إنها تحدد بنجاح سبعة معلمات حاسمة في نماذج PEMFC، محققة تقليصًا بنسبة 41% في مجموع الأخطاء المربعة (SSE) مقارنة بخوارزمية HARD-DE، إلى جانب تحسينات كبيرة في الكفاءة الحاسوبية، مع وقت تشغيل يبلغ 0.23 ثانية فقط.
تشير النتائج إلى أن TDE لا تحسن الدقة والموثوقية فحسب، بل تظهر أيضًا كفاءة حاسوبية كبيرة، مما يجعلها مناسبة لتقدير المعلمات في الوقت الحقيقي في تطبيقات PEMFC. تم التحقق من فعالية الخوارزمية من خلال اختبارات شاملة عبر ستة مجموعات خلايا وقود متاحة تجاريًا، مما يؤكد قدرتها على تقليل SSE، الخطأ المطلق، الخطأ النسبي، وخطأ التحيز المتوسط. ستركز الأبحاث المستقبلية على دمج حالات خلايا الوقود المتعددة تحت ظروف تشغيل متغيرة في عملية تحسين موحدة، بالإضافة إلى استكشاف التطبيق الأوسع لـ TDE على أنواع خلايا الوقود المختلفة وتعزيز تحليل البيانات في الوقت الحقيقي من خلال طرق التعلم الآلي الهجينة. يهدف هذا العمل إلى تسهيل اعتماد تقنيات الطاقة النظيفة وتحسين أداء نظام خلايا الوقود.
نقاش
في قسم النقاش من ورقة البحث، يوضح المؤلفون نمذجة ومبادئ التشغيل لخلايا الوقود ذات غشاء تبادل البروتون (PEMFCs). تقوم هذه الأجهزة بتحويل الطاقة الكيميائية إلى طاقة كهربائية من خلال تفاعلات كيميائية كهربائية، تحديدًا عند الأنود والكاثود، حيث يتم أكسدة الهيدروجين وتقليل الأكسجين، على التوالي. تعتبر النمذجة الرياضية لخلايا الوقود PEMFCs ضرورية لتحسين أدائها، حيث تحاكي ظواهر مختلفة بما في ذلك العمليات الكيميائية الكهربائية، والحرارية، والنقل. يتأثر جهد الخرج لمجموعة خلايا الوقود PEMFC بعدة عوامل، بما في ذلك الجهد القابل للعكس ($E_{\text{Nernst}}$)، انخفاض جهد التنشيط ($V_{\text{act}}$)، انخفاض جهد الأوم ($V_{\text{obmic}}$)، وانخفاض جهد التركيز ($V_{\text{con}}$). هذه المكونات ضرورية لتطوير إطار رياضي دقيق يمكن أن يعزز استراتيجيات التحكم لأنظمة PEMFC.
يقدم المؤلفون خوارزمية التطور التفاضلي ذو المرحلتين (TDE) المصممة لتحسين معلمات PEMFCs بفعالية. تظهر هذه الخوارزمية أداءً متفوقًا من حيث الاستقرار والدقة مقارنةً بالمتغيرات التقليدية للتطور التفاضلي (DE). تستخدم خوارزمية TDE استراتيجية فريدة لتوليد متجهات التجربة وآلية تحكم في المعلمات غير المعتمدة على اللياقة، مما يعزز قابليتها للتكيف وكفاءتها في ظروف التشغيل المتنوعة. تشير النتائج إلى أن TDE تحقق باستمرار مجموع أخطاء مربعة (SSE) أقل ووقت تشغيل أسرع مقارنةً بالخوارزميات الأخرى، مما يجعلها ذات قيمة خاصة للتطبيقات في الوقت الحقيقي. يبرز التحليل أهمية تقدير المعلمات بدقة في تحسين الكفاءة التشغيلية لخلايا الوقود PEMFC، مشددًا على إمكانية TDE كأداة قوية للبحث والتطوير المستقبلي في تكنولوجيا خلايا الوقود.
DOI: https://doi.org/10.1038/s41598-025-89304-6
PMID: https://pubmed.ncbi.nlm.nih.gov/39948121
Publication Date: 2025-02-13
Author(s): Mohammad Aljaidi et al.
Primary Topic: Fuel Cells and Related Materials
Overview
The research presents the Two-stage Differential Evolution (TDE) algorithm as an advanced method for parameter identification in Proton Exchange Membrane Fuel Cells (PEMFCs). Traditional optimization algorithms often struggle with efficiency and convergence, leading to inaccuracies in modeling the complex behavior of PEMFCs. The TDE algorithm addresses these limitations by employing a novel mutation strategy that enhances solution diversity and accelerates convergence. It successfully identifies seven critical parameters in PEMFC models, achieving a 41% reduction in the sum of squared errors (SSE) compared to the HARD-DE algorithm, alongside significant improvements in computational efficiency, with a runtime of just 0.23 seconds.
The findings indicate that TDE not only improves accuracy and robustness but also demonstrates substantial computational efficiency, making it suitable for real-time parameter estimation in PEMFC applications. The algorithm’s effectiveness was validated through extensive testing across six commercially available PEMFC stacks, confirming its capability to minimize SSE, absolute error, relative error, and mean bias error. Future research will focus on integrating multiple fuel cell cases under varying operating conditions into a unified optimization process, as well as exploring the broader applicability of TDE to different fuel cell types and enhancing real-time data analysis through hybrid machine learning methods. This work aims to facilitate the adoption of clean energy technologies and optimize fuel cell system performance.
Discussion
In the discussion section of the research paper, the authors elaborate on the modeling and operational principles of Proton Exchange Membrane Fuel Cells (PEMFCs). These devices convert chemical energy into electrical energy through electrochemical reactions, specifically at the anode and cathode, where hydrogen is oxidized and oxygen is reduced, respectively. The mathematical modeling of PEMFCs is crucial for optimizing their performance, as it simulates various phenomena including electrochemical, thermal, and transport processes. The voltage output of a PEMFC stack is influenced by several factors, including the reversible voltage ($E_{\text{Nernst}}$), activation voltage drop ($V_{\text{act}}$), ohmic voltage drop ($V_{\text{obmic}}$), and concentration voltage drop ($V_{\text{con}}$). These components are essential for developing an accurate mathematical framework that can enhance control strategies for PEMFC systems.
The authors introduce a Two-Stage Differential Evolution (TDE) algorithm designed to optimize the parameters of PEMFCs effectively. This algorithm demonstrates superior performance in terms of stability and precision compared to traditional Differential Evolution (DE) variants. The TDE algorithm employs a unique trial vector generation strategy and a fitness-independent parameter control mechanism, which enhances its adaptability and efficiency in diverse operational conditions. The results indicate that TDE consistently achieves lower Sum of Squared Errors (SSE) and faster runtime compared to other algorithms, making it particularly valuable for real-time applications. The analysis underscores the importance of precise parameter estimation in improving the operational efficiency of PEMFCs, highlighting TDE’s potential as a robust tool for future research and development in fuel cell technology.