先进的卷积神经网络建模用于燃料电池系统优化和甲,甲醇和柴油改造中的效率
Sercan Yalcin1, Muhammed Yildirim2, Bilal Alatas3
1Computer Engineering, Adiyaman University, Adiyaman, Turkey.
PeerJ. Computer science
|June 10, 2024
概括
本研究引入了一种先进的卷积神经网络 (CNN) 模型,用于准确预测燃料改造过程中的产量和一氧化碳. CNN模型的性能优于现有的AI技术,为各种燃料类型提供了改进的性能估计.
科学领域:
- 化学工程是化学工程的重要组成部分.
- 人工智能的人工智能
- 计算化学计算化学
背景情况:
- 燃料电池系统 (FCS) 越来越多地被用于各种应用,包括运输和固定电源.
- 用于FCS的气发电依赖于改造各种燃料,如甲,甲醇和柴油.
- 准确预测改革过程输出对于FCS效率和优化至关重要.
研究的目的:
- 开发一种先进的卷积神经网络 (CNN) 模型,用于精确预测燃料改造期间的产量和一氧化碳 (CO) 体积百分比.
- 为准确估计甲改造过程中甲转化率而量身定制CNN模型.
- 提高甲,甲醇和柴油燃料改造工艺的性能估计.
主要方法:
- 实现混合3D-CNN和2D-CNN模型.
- 在Python中利用Keras Tuner方法进行超参数优化 (批量大小,学习速率,时间步骤,优化器).
- 使用诸如根平均平方误差 (RMSE),平均绝对百分比误差 (MAE) 和R平方 (R2) 等指标评估模型准确性.
主要成果:
- 拟议的CNN模型在估计改革过程输出方面,与其他人工智能 (AI) 技术和标准CNN相比,表现优越.
- 该模型准确地预测了甲,甲醇和柴油改革的关键参数.
- 与支持矢量机 (SVM) (0.9827) 相比,CNN模型实现了较高的R2值 (0.9989),用于CO预测.
结论:
- 开发的CNN模型在准确估计各种燃料改造的输出参数方面取得了重大进展.
- 这种新的方法改善了改造过程的性能估计,为燃料电池技术提供了有价值的工具.
- 这些发现强调了先进的人工智能,特别是CNN在优化燃料电池应用中的生产方面的潜力.
