微固体氧化物燃料电池性能的数值调查与人工智能方法相结合
Parastoo Taleghani1, Majid Ghassemi1, Mahmoud Chizari2
1Department of Mechanical Engineering, K. N. Toosi University of Technology, Tehran, Iran.
Heliyon
|January 6, 2025
概括
为导质子的固体氧化物燃料电池 (H-SOFCs) 开发了一种多物理模型. 优化空气与燃料的比率可以提高功率和电流密度,人工智能模型可以准确预测性能.
科学领域:
- 能源转化和储存 能源转化和储存
- 计算材料科学科学 计算材料科学
- 电化学 电化学 电化学
背景情况:
- 导质子的固体氧化物燃料电池 (H-SOFC) 提供高效的能量转换.
- 甲的直接内部改革 (DIR) 是H-SOFC运行的关键过程.
- 准确的性能预测对于H-SOFC优化至关重要.
研究的目的:
- 开发一个多物理数值模型,用于支持的H-SOFC与甲的DIR.
- 利用人工智能 (AI) 模型来预测H-SOFC的性能.
- 为了研究空气与燃料 (A/F) 比率对H-SOFC性能的影响.
主要方法:
- 一个解决合非线性方程 (连续性,动量,质量转移,化学/电化学反应,能量) 的多物理数值模型.
- 应用K-近邻 (KNN) 和人工神经网络 (ANN) AI模型对数值模拟结果的应用.
- 参数研究改变了空气与燃料 (A/F) 的比率.
主要成果:
- 发现增加A/F比率会降低电流密度和总体电池功率.
- 将A/F比设置为0.5导致电流密度增加7%,功率密度增加2%,而A/F=1.
- 该ANN模型表现出高精度,误差率<1%和R-score~99%,与数值结果有很好的一致性.
结论:
- 开发的多物理模型准确地捕捉了H-SOFC的行为.
- 优化A/F比对于提高H-SOFC性能至关重要.
- 人工智能模型,特别是ANN,是预测和优化H-SOFC性能的有效工具.
