通过软计算算法通过固体氧化物电解细胞准确预测绿色的生产
Raouf Hassan1, Mohammad Reza Kazemi2
1Civil Engineering Department, College of Engineering, Imam Mohammad Ibn Saud Islamic University (IMSIU), Riyadh, 13318, Saudi Arabia.
Scientific reports
|October 10, 2025
概括
这项研究开发了基于数据的模型,用于使用固体氧化物电解细胞 (SOEC) 进行绿色生产. 人工神经网络 (ANN),卷积神经网络 (CNN),梯度增强和XGBoost在预测输出方面显示出高准确度.
科学领域:
- 能源科学与工程 能源科学与工程
- 材料科学 材料科学 材料科学
- 化学工程是化学工程的重要组成部分.
背景情况:
- 固体氧化物电解电池 (SOEC) 是将可再生能源转化为绿色的关键.
- 现有的SOEC模型在不同系统中缺乏通用性.
- 精确的建模对于优化气生产效率至关重要.
研究的目的:
- 开发强大的,数据驱动的机器学习模型,用于SOEC气生产.
- 为SOEC系统确定最准确,最可靠的建模技术.
- 了解各种参数对输出的影响.
主要方法:
- 使用了一套全面的机器学习算法,包括ANN,CNN,RF,SVM和像XGBoost这样的组合方法.
- 在351个SOEC操作点的数据集上训练并验证了模型.
- 采用蒙特卡洛异常值检测用于数据集验证和SHAP值用于敏感性分析.
主要成果:
- ANN,CNN,梯度提升和XGBoost模型表现出高R平方值和低误差指标的卓越性能.
- 发现所有输入参数都对生产产生了重大影响.
- 电极条件 (电流和阴极) 被确定为影响SOEC性能的关键因素.
结论:
- 机器学习,特别是ANN,CNN,梯度提升和XGBoost,为预测SOEC气生产提供了一种强大的方法.
- 开发的模型为优化SOEC运营提供了可靠的框架.
- 结果为未来的绿色气发电研究和工业应用提供了宝贵的见解.
