سوخت و احتراق

سوخت و احتراق

ارزیابی کارآیی پیل سوختی اکسید جامد تمام متخلخل با دمای کاری متوسط و سوخت آمونیاک و اعتبارسنجی با استفاده از یادگیری ماشین

نوع مقاله : مقاله پژوهشی

نویسندگان
مهدی کیهانپور 1
مجید قاسمی 2
1 دانشکده مهندسی مکانیک، دانشگاه خواجه نصیرالدین طوسی، تهران، ایران
2 دانشکده مهندسی مکانیک، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران
10.22034/jfnc.2025.487776.1412
چکیده
محدودیت منابع انرژی فسیلی و نگرانی­های محیط زیستی، باعث تلاش برای استفاده از منابع انرژی پاک و پایدار شده است. پیل سوختی اکسید جامد با دمای کاری متوسط و سوخت آمونیاک یکی از منابع امیدبخش جهت جایگزینی با منابع متداول انرژی است. از سوی دیگر استفاده از روش­های پیش­بینی عملکرد پیل سوختی با دقت و سرعت مناسب و بالا، از اهمیت خاصی برخوردار است. در این پژوهش، نخست پیل سوختی اکسید جامد با سوخت آمونیاک، نشتی الکترولیت و دمای کاری متوسط، شبیه­سازی عددی می‌شود. سپس عبارت­های ورودی اثرگذار برای محاسبه عملکرد پیل سوختی در شرایط مختلف انتخاب می­شود. در این راستا، پس از ایجاد مجموعه داده­های کافی، از الگوریتم­های مختلف یادگیری ماشین برای پیش­بینی توابع هدف شامل چگالی توان و دمای بیشینه پیل سوختی بهره­گیری می­شود. نتایج حاکی از پیچیدگی پیش­بینی چگالی توان پیل سوختی در مقایسه با دمای بیشینه است. همچنین مشاهده شد که روش XG Boosting با R2 برابر ۹۹/۰ بهترین کارآیی را در پیش­بینی عبارت­های دمای بیشینه و چگالی توان دارا است.

تازه های تحقیق

پس از آموزش ماشین با الگوریتم­های گوناگون، ماشین تحت ارزیابی و آزمودن قرار می­گیرد. برای این منظور از معیار خطای مطلق میانگین[1] و ریشه میانگین مربعات[2] استفاده می­شود. پس از پیش‌بینی عملکرد پیل سوختی با استفاده از ماشین آموزش دیده، خطای مقادیر به­دست آمده با مقادیر واقعی محاسبه شده و اعتبار عملکرد ماشین مشخص می‌شود.

جدول ۳- عملکرد ماشین در پیش­بینی چگالی توان با الگوریتم­های مختلف

Table 3- Machine Performance in Power Density Prediction with Various algorithms

Regression Models

RMSE_train

MAE_train

R2_train

RMSE _test

MAE _test

R2_test

Linear

0.03099652

0.02289843

0.96183529

0.03154692

0.02413547

0.95963308

Stochastic Gradient Descent

0.03101462

0.02277184

0.96179071

0.03167708

0.02407398

0.95929927

Ridge

0.03099653

0.02289313

0.96183526

0.03154936

0.02413246

0.95962682

Decision Tree

0.00000000

0.00000000

1.00000000

0.01102635

0.00309556

0.99506854

Random Forest

0.00193758

0.00101979

0.99985087

0.00892497

0.00380967

0.99676909

Support Vector Machine

0.05483591

0.04573663

0.88055549

0.05402141

0.04557084

0.88162947

Lasso

0.03113737

0.02255870

0.96148766

0.03170878

0.02377720

0.95921778

Gradient Boosting

0.00630288

0.00459090

0.99842197

0.00727113

0.00528423

0.99785555

K Neighbors

0.03218481

0.02503208

0.95885302

0.04547824

0.03457744

0.91610828

XG Boosting

0.00136861

0.00102359

0.99992560

0.00613662

0.00249331

0.99847254

Artificial Neural Network

0.03099678

0.02286982

0.96183465

0.03155168

0.02410902

0.95962090

 

همان‌گونه که در جدول ۳ نشان داده شده است، براساس شاخص R2 به­ترتیب الگوریتم­های XG Boosting،Gradient Boosting، Random Forest و Decision Tree دارای بهترین عملکرد در پیش­بینی چگالی توان پیل سوختی می­باشند. براین اساس، R2 الگوریتم­های مذکور بیش از ۹۹/۰ می­باشند.

 

جدول ۴- عملکرد ماشین در پیش­بینی بیشینه دما با الگوریتم­های مختلف

Table 4- Machine Performance in Maximum Temperature Prediction with Various algorithms

Regression Models

rmse_train

mae_train

r2_train

rmse_test

mae_test

r2_test

Linear

9.634103

7.533192

0.976046

10.47626

7.887151

0.971602

Stochastic Gradient Descent

9.635198

7.519635

0.97604

10.46618

7.862889

0.971657

Ridge

9.634109

7.534488

0.976045

10.47671

7.888727

0.9716

Decision Tree

0

0

1

1.005492

0.341553

0.999738

Random Forest

0.388605

0.188909

0.999961

1.193282

0.461912

0.999632

Support Vector Machine

0.896029

0.498045

0.999793

1.238221

0.791369

0.999603

Lasso

9.634103

7.533444

0.976046

10.47658

7.887702

0.9716

Gradient Boosting

1.765142

1.162257

0.999196

2.037377

1.388921

0.998926

K Neighbors

12.70697

9.762762

0.958328

14.25822

10.52725

0.947398

XG Boosting

0.088429

0.059149

0.999998

0.518606

0.23728

0.99993

Artificial Neural Network

9.634103

7.533192

0.976046

10.47626

7.887151

0.971602

 

در جدول ۴، عملکرد ماشین در پیش­بینی بیشینه دمای پیل سوختی نشان داده شده است. همان‌گونه که مشهود است، الگوریتم­های XG Boosting، Decision Tree، Random Forest، Support Vector Machine و Gradient Boosting دارای عملکرد بهینه و R2 بیش از ۹۹/۰ می­باشند.

از جدول­های ۳ و ۴ مشاهده می‌شود که دقت عملکرد الگوریتم­ها در پیش­بینی دمای بیشینه در مقایسه با چگالی توان مناسب­تر استو در تمامی الگوریتم­ها افزایش دقت مشهود است. این افزایش دقت درخصوص الگوریتم Support Vector Machine بیشتر از سایر الگوریتم­ها است. براین اساس، R2 ماشین در پیش­بینی چگالی توان و دمای بیشینه، به­ترتیب ۸۸/۰ و ۹۹/۰ است. این موضوع می­تواند متأثر از روند خطی­تر تغییرات بیشینه دما به نسبت تغییرات عبارات ورودی به­ویژه دمای ورودی صورت پذیرد.

Mean Absolute Error (MAE)

[2] Root Mean Square Error (RMSE)

کلیدواژه‌ها
پیل سوختی اکسید جامد
آمونیاک
نشتی الکترولیت
دمای کاری متوسط
یادگیری ماشین

موضوعات

عنوان مقاله English

Performance evaluation of IT-AP-SOFC ammonia fueled and validation using machine learning

نویسندگان English

Mahdi Keyhanpour 1
Majid Ghasemi 2
1 Department of Mechanical engineering, K. N. T. University of technology, Tehran, Iran
2 Iran, Tehran, Tehran, K. N. Toosi University of technology, Mechanical Department
چکیده English

The limitation of fossil energy sources and environmental concerns have caused efforts to use clean and sustainable energy sources. The solid oxide fuel cell with intermediate working temperature and ammonia fuel is one of the promising sources to replace conventional energy sources. On the other hand, the use of fuel cell performance prediction methods with appropriate and high accuracy and speed is significantly important. In this research, first, the solid oxide fuel cell with ammonia fuel, electrolyte leakage, and average working temperature are numerically simulated. Then the effective input parameters are selected to calculate the performance of the fuel cell in different conditions. In this regard, after generating a sufficient data set, different machine learning algorithms are used to predict the objective functions, including the power density and the maximum temperature of the fuel cell. The results indicate the complexity of predicting the power density of the fuel cell compared to the maximum temperature. It was also observed that the XG Boosting method with R2 equal to 0.99 has the best efficiency in predicting the parameters of maximum temperature and power density.

کلیدواژه‌ها English

Solid Oxide Fuel Cell
Ammonia
Electrolyte Leakage
Intermediate Working Temperature
Machine Learning
[1]           D. F. Cheddie, “Temkin-Pyzhev Kinetics in Intermediate Temperature Ammonia-Fed Solid Oxide Fuel Cells (SOFCs),” Int. J. Power Energy Res., vol. 2, no. 3, Jul. 2018.
[2]           M. Ilbas, M. A. Alemu, and F. M. Cimen, “Comparative performance analysis of a direct ammonia-fuelled anode supported flat tubular solid oxide fuel cell: A 3D numerical study,” Int. J. Hydrogen Energy, vol. 47, no. 5, pp. 3416–3428, Jan. 2022.
[3]           G. Jeerh, M. Zhang, and S. Tao, “Recent progress in ammonia fuel cells and their potential applications,” J. Mater. Chem. A, vol. 9, no. 2, pp. 727–752, Jan. 2021.
[4]           X. Haoran, M. Jingbo, T. Peng, C. Bin, W. Zhen, Z. Yanxiang, W. Huizhi, X. Jin and N. Meng, “Towards online optimisation of solid oxide fuel cell performance: Combining deep learning with multi-physics simulation,” Energy AI, vol. 1, p. 100003, Aug. 2020.
[5]           A. Legala, J. Zhao, and X. Li, “Machine learning modeling for proton exchange membrane fuel cell performance,” Energy AI, vol. 10, p. 100183, Nov. 2022.
[6]           P. V. Madhavan, S. Shahgaldi, and X. Li, “Modelling Anti-Corrosion Coating Performance of Metallic Bipolar Plates for PEM Fuel Cells: A Machine Learning Approach,” Energy AI, vol. 17, p. 100391, Sep. 2024.
[7]           N. J. Williams, C. Osborne, I. D. Seymour, M. Z. Bazant, and S. J. Skinner, “Application of finite Gaussian process distribution of relaxation times on SOFC electrodes,” Electrochem. commun., vol. 149, p. 107458, Apr. 2023.
[8]           T. Vairo, D. Cademartori, D. Clematis, M. P. Carpanese, and B. Fabiano, “Solid oxide fuel cells for shipping: A machine learning model for early detection of hazardous system deviations,” Process Saf. Environ. Prot., vol. 172, pp. 184–194, Apr. 2023.
[9]           M. Tofigh, Z. Salehi, A. Kharazmi, D. J. Smith, A. R. Hanifi, C. R. Koch, M. Shahbakhti, “Transient modeling of a solid oxide fuel cell using an efficient deep learning HY-CNN-NARX paradigm,” J. Power Sources, vol. 606, p. 234555, Jun. 2024.
[10]         O. B. Rizvandi, A. Nemati, H. Nami, P. V. Hendriksen, and H. L. Frandsen, “Numerical performance analysis of solid oxide fuel cell stacks with internal ammonia cracking,” Int. J. Hydrogen Energy, vol. 48, no. 91, pp. 35723–35743, Nov. 2023.
[11]         M. R. Asadi, M. Ghasabehi, S. Ghanbari, and M. Shams, “The optimization of an innovative interdigitated flow field proton exchange membrane fuel cell by using artificial intelligence,” Energy, vol. 290, p. 130131, Mar. 2024.
[12]         A. Legala, M. Kubesh, V. R. Chundru, G. Conway, and X. Li, “Machine learning modeling for fuel cell-battery hybrid power system dynamics in a Toyota Mirai 2 vehicle under various drive cycles,” Energy AI, vol. 17, p. 100415, Sep. 2024.
[13]         Y. Pan, H. Ruan, B. Wu, Y. N. Regmi, H. Wang, and N. P. Brandon, “A machine learning driven 3D+1D model for efficient characterization of proton exchange membrane fuel cells,” Energy AI, vol. 17, p. 100397, Sep. 2024.
[14]         F. Zhou, F. Zhou, C. Sun, J. Pu, J. Li, Y. Li, Q. Xie, K. Li, H. Chen, “Efficiency optimization of fuel cell systems with energy recovery: An integrated approach based on modeling, machine learning, and genetic algorithm,” J. Power Sources, vol. 615, Sep. 2024.
[15]         T. Hai, F. A. Alenizi, M. H. Ubeid, V. Goyal, F. M. Alhomayani, and A. S. Mohammed Metwally, “Using machine learning for comparative optimizing a novel integration of molten carbonate and solid oxide fuel cells with CO2 recovering and gasification,” Int. J. Hydrogen Energy, vol. 48, no. 97, pp. 38454–38472, Dec. 2023.
[16]         T. Hai, T. Hai, F. A. Alenizi, A. H. Mohammed, V. Goyal, R. K. Marjan, K. Quzwain, A. S. M. Metwally, “Solid oxide fuel cell energy system with absorption-ejection refrigeration optimized using a neural network with multiple objectives,” Int. J. Hydrogen Energy, vol. 52, pp. 954–972, Jan. 2024.
[17] Y. Wang, C. Wu, S. Zhao, J. Wang, B. Zu, M. Han, Q. Du, M. Ni, K. Jiao, “Coupling deep learning and multi-objective genetic algorithms to achieve high performance and durability of direct internal reforming solid oxide fuel cell,” Appl. Energy, vol. 315, p. 119046, Jun. 2022.
[18]         F. C. İskenderoğlu, M. K. Baltacioğlu, M. H. Demir, A. Baldinelli, L. Barelli, and G. Bidini, “Comparison of support vector regression and random forest algorithms for estimating the SOFC output voltage by considering hydrogen flow rates,” Int. J. Hydrogen Energy, vol. 45, no. 60, pp. 35023–35038, Dec. 2020.
[19]         M. Lai, D. Zhang, Y. Li, X. Wu, and X. Li, “Application of Multiple Linear Regression and Artificial Neural Networks in Analyses and Predictions of the Thermoelectric Performance of Solid Oxide Fuel Cell Systems,” Energies 2024, Vol. 17, Page 4084, vol. 17, no. 16, p. 4084, Aug. 2024.
[20]         M. Keyhanpour, M. Ghasemi, and M. Pourbagian, “Parametric Study of Ammonia-Fueled Tubular AP-SOFC with Temkin-Pyzhev Kinetic Model,” Iran. Chem. Eng. J., vol. 22, no. 129, pp. 98–123, Oct. 2023. (in Persian)
[21]         M. Keyhanpour and M. Ghasemi, “3D Simulation of Effect of Geometry and Temperature Distribution on SOFC Performance,” Fluid Mech. Aerodyn., vol. 10, no. 2, pp. 169–184, Feb. 2022. (in Persian)
[22]         M. Keyhanpour and M. Ghasemi, “3D Investigation of Tubular PEM Fuel Cell Performance Assuming Fluid- Solid- Heat Interaction,” J. Comput. Methods Eng., vol. 41, no. 1, pp. 79–99, Dec. 2022. (in Persian)
[23]         S. Sayadian, M. Ghassemi, S. Ahmadi, and A. J. Robinson, “Numerical analysis of transport phenomena in solid oxide fuel cell gas channels,” Fuel, vol. 311, p. 122557, Mar. 2022.
[24]         S. N. Ranasinghe and P. H. Middleton. “Modelling of single cell solid oxide fuel cells using COMSOL Multiphysics.” 2017 IEEE International Conference on Environment and Electrical Engineering and 2017 IEEE Industrial and Commercial Power Systems Europe (EEEIC / I&CPS Europe), Milan, Italy, pp. 1-6, June 1, 2017.