مجید سنایی پور

پیل‌های سوختی با غشای تبادل پروتون (PEMFC) به عنوان یکی از انواع پیل‌های سوختی شناخته شده‌اند. فناوری‌ پیل‌های سوختی برای تولید انرژی پاک و کارآمد شناخته شده‌ و امیدوارکننده‌‌اند. به دست آوردن نتایج تجربی برای PEMFC ممکن است به دلیل پیچیدگی فرآیند و وابستگی به شرایط عملیاتی به راحتی ممکن نباشد. با استفاده از مدل‌های تحلیلی، می‌توان با تغییر مختصات و شرایط آزمایش‌ها، نتایج مورد نیاز را به آسانی، سریع و دقیق پیش‌بینی کرد و تأثیر آن‌ها را بر عملکرد نهایی PEMFCها بررسی کرد. با این‌حال، این مدل‌ها ممکن است همیشه تمام پیچیدگی‌های داده‌های دنیای واقعی را دربرنگیرند. در این کار، ابتدا مشاهده شد که مدل تحلیلی استفاده شده دارای پیش‌بینی‌های خوبی بر اساس اعتبارسنجی‌های انجام شده، برای مجموعه‌های مختلف شرایط عملیاتی است. با این حال، از آنجایی که این مدل دارای فرضیات ساده‌کننده است، دارای مقداری خطا می‌باشد. در مرحله بعد، برای کاهش خطا بین نتایج تجربی و تئوری، از مدل تفاضل منابع (SD) مبتنی بر دانش قبلی برای پیش‌بینی عملکرد PEMFC در شرایط عملیاتی مختلف استفاده شد. دقت مدل‌ SD مشابه مدل‌های شبکه عصبی معمولی است که منحصراً توسط داده‌های تجربی کامل آموزش داده می‌شوند، اما هزینه‌های آموزشی بسیار کمتری دارد چرا که به داده‌های تجربی بسیار کمتری نیاز دارند. در این مدل، یک شبکه عصبی مصنوعی (ANN) با مجموعه داده‌ متشکل از داده‌های تجربی موجود و داده‌های تئوری به‌دست‌آمده از یک مدل‌ تحلیلی PEMFC آموزش داده می‌شود. دما، فشار، رطوبت نسبی (RH) در کاتد و آند و استوکیومتری در طرف کاتد و آند PEMFC به عنوان ورودی ANN در نظر گرفته می‌شود. خروجی ANN، تفاوت بین ولتاژ حاصل از مقادیر تجربی و مدل تحلیلی است، یعنی خطای مدل تحلیلی. علاوه بر این، بررسی اثرات پارامترهای مختلف بر روی منحنی قطبش و توان یک PEMFC با لایه میکرومتخلخل برای دستیابی به مقادیر بهینه می‌تواند بینش ارزشمندی در مورد عملکرد و کارایی پیل‌سوختی ارائه دهد. در نهایت، نتایج مدل تفاضل منابع(SD) نشان داد که عملکرد بهینه 154/10 وات در جریان 18 آمپر، دمای 60 درجه سانتی‌گراد، استوکیومتری آند 5، استوکیومتری کاتد 2، فشار 1 بار، و رطوبت نسبی آند و کاتد 90 درصد رخ داده است. علاوه بر این، میانگین خطای نسبی مطلق 249/0% محاسبه شد که نشان می‌دهد پیش‌بینی‌های انجام شده توسط مدل SD-ANN در برابر داده‌های تجربی مطابقت خیلی خوبی دارد. این نشان‌دهنده سطح بالایی از دقت در پیش‌بینی‌های مدل مبتنی بر SD-ANN است که در این کار ارائه شده‌است و می‌تواند مسیر جدیدی را به سمت طراحی بهتر پیل‌های سوختی برای تامین انرژی آینده باز کند.