طريقة تقدير المعلمات لنمذجة خلية وقود غشاء تبادل البروتونات تعتمد على خوارزمية تطورية تفاضلية معزَّزة متعددة المستويات

تحسين أذكى لأجهزة الطاقة النظيفة

تُعد خلايا الوقود غالبًا مسارًا واعدًا نحو سيارات وحافلات ومصادر طاقة احتياطية أنظف. لكن لتصميم هذه الأجهزة والتحكّم بها بشكل جيد، يحتاج المهندسون إلى نماذج رياضية تتصرف مثل الأجهزة الحقيقية. تقدم هذه الورقة طريقة جديدة لضبط تلك النماذج تلقائيًا بحيث تتطابق مع البيانات التجريبية بصورة أوثق. يركز العمل على خلايا وقود غشاء تبادل البروتونات (PEMFC)، وهي نوع رائد من خلايا الوقود، ويُظهر كيف يمكن لخوارزمية بحث متقدمة أن تكشف المعلمات الخفية التي تتحكم في أدائها.

لماذا تهم "مقابض" خلية الوقود

داخل خلية وقود PEM تحدث عمليات فيزيائية وكيميائية متعددة في آن واحد: تتدفق الغازات، وتحدث التفاعلات عند الأقطاب، وتتحرك الأيونات عبر الغشاء. غالبًا ما لا يستطيع المهندسون قياس "المقابض" الداخلية الأساسية لهذا النظام مباشرةً، مثل مقاومات التلامس أو سهولة انتشار الغازات عبر المسام الدقيقة. بدلًا من ذلك، يستدلون على هذه القيم بضبط نموذج حتى يتطابق منحنى الجهد–التيار المتوقع مع ما يُرى في التجارب. إن إنجاز هذا بشكل جيد أمر حيوي: فالنماذج الدقيقة تساعد في تصميم حزم للسيارات الكهربائية وشبكات الطاقة، وتخطيط الصيانة، وكشف الأعطال مبكرًا، وتقليل الحاجة لنماذج أولية مكلفة.

لماذا تقصر الطرق التقليدية

إيجاد المعلمات الصحيحة ليس مجرد تمرين مطابقة منحنيات بسيط. المعادلات التي تحكم خلايا وقود PEM غير خطية للغاية، والعديد من المعلمات تؤثر في بعضها البعض. الطرق الكلاسيكية، مثل الانحدار بأقل المربعات والبحث المعتمد على التدرج، غالبًا ما تعلق في حلول ضعيفة أو تتطلب ضبطًا يدويًا دقيقًا. خلال العقد الماضي، توجه الباحثون إلى ما يُسمى بالطرق فوق التحسينية (meta-heuristics)—استراتيجيات بحث مستوحاة من التطور أو السرب أو سلوك المفترس والفريسة—للتجول عبر العديد من تراكيبات المعلمات المحتملة. هذه الأساليب تعمل بشكل أفضل على التضاريس الصعبة لكنها لا تزال تعتمد بقوة على "إعداداتها" الخاصة، مثل حجم الخطوة عند تحوير حل مرشح.

بحث تطوري يتحسن ذاتيًا

يبني المؤلفون على أسلوب فوق تحسيني معروف يُدعى التطور التفاضلي ويغلفونه بطبقة ثانية من التطور. في خوارزمية التطور التفاضلي الفوقي المعزَّز (EMEDEA)، تبحث عملية تطورية واحدة ("المُطوّر") عن إعدادات جيدة للمحسن الداخلي—قوة الطفرة، معدل الخلط واستراتيجية البحث المفضلة. ثم يستخدم المحسن الداخلي ("المنفّذ") تلك الإعدادات للبحث عن أفضل معلمات خلية الوقود، والتي تُقيَّم بناءً على صغر مجموع الفروق المربعة بين جهود الحزمة المقاسة والمتوقعة. تُضاف تقنية التعلم المعتمد على المعارضة: لكل إعداد تجريبي يُختبر أيضًا "مرآته" في فضاء البحث، مما يحافظ على اتساع الاستكشاف. تُعدَّل نطاقات القيم المسموح بها للإعدادات الأساسية على الفور، فتضيق عندما يكون التقدّم جيدًا لتنقيح المناطق الواعدة وتتسع عندما يتعثر التقدم للهروب من المآزق. يُنفَّذ كل ذلك على معالجات الرسوميات بحيث يمكن تقييم العديد من الحلول المرشحة بالتوازي.

تطبيق الطريقة واختبارها

قبل الانتقال إلى خلايا الوقود الحقيقية، قام الفريق بتقييم EMEDEA على دوال اختبار رياضية قياسية، حيث يُعرف الأمثل الحقيقي. أظهرت المقارنات الإحصائية أن طريقتهم تفوقت باستمرار على كل من التطور التفاضلي الأساسي ونوع سابق من الفوق-تطوري، متقاربةً بشكل أسرع وأكثر موثوقية. ثم طبَّق المؤلفون EMEDEA على ثلاث حزم خلايا وقود PEM مختلفة تتراوح من 250 واط إلى 5 كيلوواط. لكل جهاز، قدرت الخوارزمية سبع معلمات تجريبية رئيسية تتحكم في خسائر التفعيل والمقاومة الأومية وتأثيرات نقل الكتلة. في كل حالة، أعاد النموذج الناتج إنتاج منحنيات الجهد–التيار التجريبية بأخطاء صغيرة جدًا، وكان الانحراف التربيعي الكلي أقل مما حققته مجموعة واسعة من الخوارزميات المقترحة حديثًا، بما في ذلك استراتيجيات سرب متقدمة وهجينة.

ما يعنيه هذا لخلايا الوقود المستقبلية

تُظهر الدراسة أن منح خوارزمية التحسين قدرة على ضبط نفسها يمكن أن يؤتي ثماره عمليًا. لا يكتفي EMEDEA بإيجاد مجموعات معلمات تطابق التجارب عن كثب، بل يصل إلى تلك الحلول في عدد معتدل من التكرارات، وهو أمر مهم عندما تكون كل عملية تقييم للنموذج مكلفة حسابيًا. ومع أن العمل يركز على السلوك في حالة الاتزان ويعتمد على بيانات مختبرية جيدة، يجادل المؤلفون بأن الفكرة نفسها يمكن توسيعها لتتبع المعلمات المتغيرة مع الوقت، ودمج تأثيرات التحلل والحرارة، والتشغيل في أنظمة التحكم في الزمن الحقيقي. ببساطة، يقدمون "محرك معايرة" أوتوماتيكيًا أذكى قد يساعد أنظمة خلايا الوقود المستقبلية على العمل بكفاءة أكبر، والدوام لفترة أطول، والاندماج بثقة أكبر في السيارات وشبكات الطاقة.

الاستشهاد: Pattanaik, V., Parida, S.M., Malika, B.K. et al. A parameter estimation method for modelling proton exchange membrane fuel cell based on enhanced meta evolutionary differential evolution algorithm. Sci Rep 16, 12672 (2026). https://doi.org/10.1038/s41598-026-42394-2

الكلمات المفتاحية: خلية وقود غشاء تبادل البروتونات, تقدير المعلمات, تحسين تطوري, التطور التفاضلي, نمذجة الطاقة النظيفة