Optimierung von Designparametern protonenaustauschender Membran-Brennstoffzellen mit Tianjis Pferderennen-Optimierung

Auf der Zielgeraden zu sauberer Energie

Wasserstoff-Brennstoffzellen versprechen leise, saubere Elektrizität für Autos, Wohnungen und Notstromsysteme – vorausgesetzt, wir können sie genau modellieren und steuern. Diese Arbeit zeigt, wie ein ungewöhnlicher Algorithmus, inspiriert von einer alten chinesischen Pferderenn‑Geschichte, Brennstoffzellenmodelle deutlich präziser abstimmen kann als viele zeitgenössische Konkurrenten und damit Wasserstofftechnologien verlässlicher und leichter in reale Energiesysteme integrierbar macht.

Wie diese Brennstoffzellen Strom erzeugen

Protonenaustauschende Membran-Brennstoffzellen (PEMFC) wandeln Wasserstoff und Sauerstoff in Strom, Wärme und Wasser um. Innerhalb jeder Zelle trifft Wasserstoffgas auf die Anodenseite, wo es in positiv geladene Protonen und Elektronen zerlegt wird. Die Protonen passieren eine dünne, kunststoffähnliche Membran, während die Elektronen einen äußeren Stromkreis durchlaufen müssen und dabei Nutzarbeit verrichten. Auf der anderen Seite, der Kathode, treffen Protonen, Elektronen und Sauerstoff wieder zusammen und bilden Wasser. Viele einzelne Zellen werden zu Stapeln zusammengefügt, um brauchbare Spannungen zu erreichen; solche Stack‑Brennstoffzellen werden in Fahrzeugen und stationären Energieeinheiten eingesetzt. Zum Entwurf, zur Steuerung und zur Diagnose dieser Systeme stützen sich Ingenieure auf mathematische Modelle, die die Spannung eines Stacks bei gegebenen Betriebsbedingungen wie Temperatur, Druck und Gasfeuchte vorhersagen.

Warum präzise Modelle schwer zu bekommen sind

Sogar bei einem weit verbreiteten Modell wie dem Amphlett‑Modell können mehrere Schlüsselparameter nicht direkt gemessen werden. Sie beschreiben beispielsweise, wie schnell Reaktionen an den Elektroden ablaufen, wie leicht Protonen durch die Membran wandern und wie viel Spannung verloren geht, wenn Gase in der Nähe der Reaktionsstätten erschöpft werden. Diese verborgenen Werte müssen dadurch erschlossen werden, dass die Spannungs‑Strom‑Kennlinie des Modells an experimentelle Daten realer Stack‑Brennstoffzellen angepasst wird. Dieser Anpassungsprozess ist knifflig: Die zugrunde liegende Physik ist stark nichtlinear, und viele verschiedene Parameterkombinationen können plausibel erscheinen. In den letzten zehn Jahren haben Forscher daher sogenannte Metaheuristiken – Suchverfahren, die von Tieren, Physik oder menschlichem Verhalten inspiriert sind – eingesetzt, um Parameterkombinationen zu finden, die die Differenz zwischen Modellvorhersagen und Messungen minimieren.

Von alten Pferderennen zur modernen Optimierung

Die in dieser Studie untersuchte Methode, Tianjis Horse Racing Optimization (THRO), basiert auf einer berühmten Geschichte, in der ein General namens Tianji einen König in einem Dreirennen dadurch schlägt, dass er seine Pferde strategisch einsetzt statt schlicht stark gegen stark antreten zu lassen. In der algorithmischen Version werden Kandidatenlösungen für ein Problem wie Pferde zweier Ställe behandelt. In jeder Iteration werden diese Pferde gerankt und auf unterschiedliche Weise gepaart – manchmal schwach gegen stark, manchmal stark gegen stark –, um sowohl breite Exploration als auch Feintuning zu fördern. Nach jedem „Rennen“ aktualisiert der Algorithmus die Eigenschaften der Pferde und schiebt sie in Richtung besserer Leistung, während gleichzeitig eine kontrollierte Menge Zufälligkeit eingemischt wird. Dieses dynamische Matching‑ und Trainingsschema zielt darauf ab, das Verharren in schlechten Lösungen zu vermeiden und gleichzeitig schrittweise die beste Parameterkombination zu finden.

Prüfung der neuen Methode

Die Autoren wandten THRO auf sechs bekannte kommerzielle PEMFC‑Stacks an, die von kleinen 250‑Watt‑Einheiten bis zu größeren Systemen wie dem NedStack PS6 und dem Ballard Mark V reichten. Für jeden Stack war das Ziel, sieben Modellparameter so anzupassen, dass die Modellspannung die experimentellen Spannungs‑Strom‑Daten unter verschiedenen Bedingungen genau nachbildet. THROs Leistung wurde mit fünf aktuellen Metaheuristiken mit bunter Namensgebung verglichen, etwa dem Flood Algorithm, Educational Competition Optimizer, Kepler Optimization Algorithm, Fata Morgana Algorithm und Spider Wasp Optimizer. Allen Algorithmen wurde die gleiche Anzahl an Kandidatenlösungen und Iterationen zugewiesen, und jeder Test wurde 30‑mal wiederholt, um die Zuverlässigkeit zu bewerten. Über alle Stacks hinweg lieferte THRO konstant die geringste Summe der quadrierten Fehler – also die beste Anpassung an reale Daten – und bemerkenswerterweise variierten seine Ergebnisse von Lauf zu Lauf nur in sehr geringem Maße, was auf eine sehr stabile Konvergenz hindeutet.

Was die Zahlen für reale Systeme bedeuten

Über die reinen Fehlerscores hinaus untersuchte die Studie, wie schnell und glatt die Algorithmen konvergierten, wie empfindlich sie gegenüber zufälligen Startpunkten waren und wie gut die resultierenden Parameter unter neuen Betriebsbedingungen funktionierten. THRO erreichte nicht nur eine gleichwertige oder bessere Genauigkeit als konkurrierende Methoden, sondern produzierte in jedem Lauf nahezu identische Parametersätze und bestand strengere statistische Signifikanztests. Als das abgestimmte Modell zur Vorhersage des Verhaltens der Brennstoffzelle bei anderen Gasdrücken und Temperaturen verwendet wurde, stimmten seine Kennlinien weiterhin mit experimentellen Messungen überein, was auf eine gute Generalisierung hinweist. Der Hauptkompromiss ist, dass THRO etwas länger rechnen kann als die schnellsten Konkurrenten, obwohl die Rechenkosten für Offline‑Entwurf und Analyse weiterhin angemessen sind.

Warum das für die Energiewende wichtig ist

Für Nicht‑Spezialisten ist die Botschaft einfach: Bessere Abstimmung von Brennstoffzellenmodellen führt zu besserem Entwurf, besserer Steuerung und besserer Zustandsüberwachung von Wasserstoffsystemen. Indem die Tianji‑Pferderennen‑Methode zuverlässig Parametersätze findet, die Modelle über verschiedene kommerzielle Stacks und Betriebsbedingungen hinweg dicht an die Realität bringen, bietet sie Ingenieuren ein wirkungsvolles neues Werkzeug. Obwohl die Methode derzeit vorwiegend für den Offline‑Einsatz geeignet ist, könnten Verfeinerungen oder Hybride mit schnelleren Verfahren sie näher an Echtzeit‑Anwendungen bringen und so dazu beitragen, dass Brennstoffzellentechnologie ihr Versprechen sauberer und flexibler Energie im breiteren Übergang weg von fossilen Brennstoffen erfüllt.

Zitation: Bouali, Y., Imarazene, K., Alamri, B. et al. Optimization of proton exchange membrane fuel cell design parameters using Tianji’s horse racing optimization. Sci Rep 16, 4980 (2026). https://doi.org/10.1038/s41598-026-35200-6

Schlüsselwörter: protonenaustauschende Membran-Brennstoffzelle, Wasserstoffenergie, Optimierungsalgorithmus, Modellkalibrierung, erneuerbare Energie