Optimisation des paramètres de conception des piles à combustible à membrane échangeuse de protons à l’aide de l’algorithme de course de chevaux de Tianji

Vers une énergie plus propre en mode course

Les piles à hydrogène promettent une électricité silencieuse et propre pour les véhicules, les habitations et les systèmes de secours — à condition toutefois de pouvoir les modéliser et les piloter avec précision. Cet article montre comment un algorithme inhabituel, inspiré d’une ancienne histoire chinoise de course de chevaux, peut affiner les modèles de piles bien plus précisément que de nombreux concurrents modernes, ce qui pourrait rendre les technologies à hydrogène plus fiables et plus faciles à intégrer dans des systèmes énergétiques réels.

Comment ces piles produisent de l’électricité

Les piles à combustible à membrane échangeuse de protons (PEMFC) transforment l’hydrogène et l’oxygène en électricité, chaleur et eau. À l’intérieur de chaque cellule, le gaz hydrogène arrive par une face (l’anode), où il se dissocie en protons chargés positivement et en électrons. Les protons traversent une membrane mince de type plastique, tandis que les électrons doivent contourner via un circuit externe, effectuant un travail utile en chemin. De l’autre côté (la cathode), les protons, les électrons et l’oxygène se rejoignent pour former de l’eau. De nombreuses cellules individuelles sont empilées pour atteindre des tensions pratiques, constituant des stacks de piles utilisés dans les véhicules et les unités de puissance stationnaires. Pour concevoir, contrôler et diagnostiquer ces systèmes, les ingénieurs s’appuient sur des modèles mathématiques qui prédisent la tension d’un stack pour des conditions de fonctionnement données, telles que la température, la pression et l’humidité des gaz.

Pourquoi il est difficile d’obtenir des modèles précis

Même pour une représentation largement utilisée comme le modèle d’Amphlett, plusieurs paramètres clés ne peuvent pas être mesurés directement. Ils décrivent, par exemple, la vitesse des réactions aux électrodes, la facilité de migration des protons à travers la membrane et la perte de tension lorsque les gaz sont appauvris près des sites de réaction. Ces valeurs cachées doivent être inférées en faisant correspondre la courbe tension–courant du modèle aux données expérimentales issues de stacks réels. Le processus d’ajustement est délicat : la physique sous-jacente est fortement non linéaire, et de nombreuses combinaisons de paramètres peuvent sembler plausibles. Au cours de la dernière décennie, les chercheurs se sont tournés vers les algorithmes dits métaheuristiques — des méthodes de recherche inspirées par des animaux, la physique ou le comportement humain — pour rechercher des jeux de paramètres qui minimisent l’écart entre les prédictions du modèle et les mesures.

Des courses de chevaux antiques à l’optimisation moderne

La méthode étudiée dans cette recherche, appelée Tianji’s Horse Racing Optimization (THRO), s’appuie sur une histoire célèbre où un général, Tianji, bat un roi dans un concours en trois courses en associant ses chevaux de façon stratégique plutôt qu’en confrontant systématiquement les plus rapides aux plus rapides. Dans la version algorithmique, les solutions candidates d’un problème sont traitées comme des chevaux appartenant à deux écuries. À chaque itération, ces chevaux sont classés et appariés de différentes manières — parfois opposant les faibles aux forts, parfois les forts entre eux — pour favoriser à la fois une exploration large et un affinement précis. Après chaque « course », l’algorithme met à jour les attributs des chevaux, les poussant vers de meilleures performances tout en injectant aussi une quantité contrôlée d’aléa. Ce schéma dynamique d’appariement et d’entraînement est conçu pour éviter de se retrouver coincé dans de mauvaises solutions tout en convergeant progressivement vers le meilleur jeu de paramètres.

Évaluer la nouvelle méthode

Les auteurs ont appliqué THRO à six stacks PEMFC commerciaux bien connus, allant de petites unités de 250 watts à des systèmes plus volumineux tels que le NedStack PS6 et le Ballard Mark V. Pour chaque stack, l’objectif était d’ajuster sept paramètres du modèle afin que la tension prédite suive au plus près les données tension–courant expérimentales sous diverses conditions. Les performances de THRO ont été comparées à cinq méthodes métaheuristiques récentes aux noms évocateurs, telles que le Flood Algorithm, l’Educational Competition Optimizer, le Kepler Optimization Algorithm, le Fata Morgana Algorithm et le Spider Wasp Optimizer. Tous les algorithmes ont disposé du même nombre de solutions candidates et d’itérations, et chaque test a été répété 30 fois pour évaluer la fiabilité. Sur l’ensemble des stacks, THRO a systématiquement fourni la plus faible somme des carrés des erreurs — c’est‑à‑dire le meilleur ajustement aux données réelles — et, de façon remarquable, ses résultats ont varié très peu d’une exécution à l’autre, indiquant une convergence très stable.

Ce que signifient les chiffres pour les systèmes réels

Au‑delà des simples scores d’erreur, l’étude a examiné la rapidité et la régularité de la convergence des algorithmes, leur sensibilité aux points de départ aléatoires, et la pertinence des paramètres obtenus sous de nouvelles conditions de fonctionnement. THRO non seulement égalait ou surpassait les méthodes concurrentes en précision, mais produisait aussi des jeux de paramètres presque identiques à chaque exécution et réussissait des tests statistiques de signification plus stricts. Lorsque le modèle ajusté a été utilisé pour prédire le comportement des piles à différentes pressions et températures des gaz, ses courbes restaient en accord avec les mesures expérimentales, montrant une bonne capacité de généralisation. Le principal compromis est que THRO peut nécessiter un temps de calcul légèrement supérieur à celui des concurrents les plus rapides, bien que son coût reste raisonnable pour la conception et l’analyse hors ligne.

Pourquoi c’est important pour la transition énergétique

Pour les non‑spécialistes, le message est simple : un meilleur réglage des modèles de piles conduit à une meilleure conception, un meilleur contrôle et une meilleure surveillance de l’état des systèmes à hydrogène. En trouvant de manière fiable des jeux de paramètres qui font que les modèles reflètent étroitement la réalité sur différents stacks commerciaux et conditions de fonctionnement, l’approche de Tianji’s Horse Racing offre un nouvel outil puissant pour les ingénieurs. Principalement adaptée à un usage hors ligne pour l’instant, des raffinements ou des hybrides avec des méthodes plus rapides pourraient la rapprocher d’applications temps réel, aidant la technologie des piles à combustible à tenir sa promesse d’une énergie propre et flexible dans le déplacement global loin des combustibles fossiles.

Citation: 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

Mots-clés: pile à combustible à membrane échangeuse de protons, énergie hydrogène, algorithme d’optimisation, calibrage de modèle, énergie renouvelable