Évaluation d’un algorithme d’optimisation inspiré du coronavirus modifié pour l’estimation des paramètres des piles à combustible à membrane échangeuse de protons

Une énergie plus intelligente pour un avenir plus propre

Alors que le monde cherche des moyens plus propres d’alimenter voitures, maisons et appareils, les piles à combustible se distinguent en transformant l’hydrogène en électricité avec peu de bruit et presque aucune pollution locale. Mais tirer le meilleur parti de ces dispositifs exige de connaître une poignée de paramètres cachés propres à chaque pile. Cette étude présente une nouvelle méthode de recherche intelligente capable de découvrir ces paramètres cachés de façon plus précise et plus rapide, aidant les ingénieurs à concevoir des systèmes plus efficaces et ouvrant la voie à de meilleurs jumeaux numériques et à un meilleur contrôle des véhicules alimentés par piles à combustible.

Pourquoi les piles à combustible nécessitent un réglage minutieux

Les piles à combustible à membrane échangeuse de protons, ou piles PEM, sont prometteuses pour tout, des centrales stationnaires aux ordinateurs portables et voitures électriques. À l’intérieur de chaque cellule, réactions chimiques, chaleur, eau et électricité interagissent de manière complexe. Les fabricants publient rarement tous les paramètres détaillés décrivant ce comportement, comme la vitesse d’initiation des réactions, les pertes de tension dans la membrane ou la diffusion des gaz à travers la cellule. Pourtant ces valeurs sont essentielles pour prédire la performance d’une cellule sous différentes charges et températures, détecter les défauts précocement et concevoir des régulateurs qui maintiennent le système efficace et sûr. Les trouver implique d’ajuster un modèle encore et encore jusqu’à ce que sa courbe tension-courant corresponde le plus possible aux mesures réelles.

Une recherche inspirée de la nature pour de meilleures solutions

Parce que l’espace de recherche pour ces paramètres cachés est vaste et sinueux, les chercheurs s’appuient souvent sur des algorithmes métaheuristiques, qui imitent des processus naturels tels que les essaims d’animaux, la chasse des prédateurs, ou des phénomènes physiques comme la formation de la glace. Ces dernières années, de nombreuses méthodes de ce type ont été testées sur des modèles de piles, y compris des variantes d’évolution différentielle, des optimiseurs inspirés du morse et du lapin, des schémas de colonie de fourmis et même l’apprentissage par renforcement. Ces approches visent à minimiser l’écart entre tensions mesurées et simulées, généralement exprimé comme la somme des carrés des erreurs. Bien que plusieurs puissent obtenir de bonnes solutions, elles peinent souvent à équilibrer une large exploration des possibilités et un affinage ciblé, risquant ainsi des progrès lents ou des blocages dans des optima locaux.

Un twist basé sur la mémoire pour une méthode inspirée d’un virus

Les auteurs s’appuient sur un algorithme récent appelé Coronavirus Disease Optimization Algorithm, qui imite la façon dont un virus pénètre les cellules, se réplique et mute. Dans sa forme originale, cette méthode explore bien mais a tendance à errer sans une forte guidance par les meilleures solutions trouvées. La nouvelle version, appelée COVIDOA à mémoire, ajoute deux idées. Premièrement, elle conserve une mémoire de candidats d’élite et les laisse guider le reste de la population, passant progressivement d’une large exploration au début à un affinage autour des meilleures solutions par la suite. Deuxièmement, elle introduit une stratégie d’exploration aléatoire capable de déloger le système des pièges lorsque tous les candidats deviennent trop similaires. Ensemble, ces changements visent à améliorer à la fois la rapidité et la précision tout en préservant la diversité dans la recherche.

Performances de la nouvelle méthode

Avant d’attaquer les piles à combustible, l’équipe a testé l’algorithme basé sur la mémoire sur un jeu standard de 12 défis mathématiques difficiles, en le comparant à la COVIDOA originale et à quatre autres optimiseurs populaires. Sur la plupart de ces tests, la nouvelle méthode a fourni des valeurs d’objectif plus faibles, une variation entre exécutions plus petite et une convergence plus rapide. Des vérifications statistiques ont confirmé que ces améliorations n’étaient pas dues au hasard. Les chercheurs ont ensuite appliqué la méthode à une pile PEM réelle connue sous le nom de NedStack PS6, où six paramètres clés d’un modèle semi-empirique largement utilisé devaient être identifiés dans des bornes réalistes. L’objectif était d’ajuster une courbe tension-courant mesurée en minimisant la somme des carrés des erreurs entre tensions prédites et observées sur 30 exécutions indépendantes pour chaque algorithme.

Résultats sur des données réelles de pile

Sur les données du NedStack PS6, la méthode basée sur la mémoire a atteint la valeur d’erreur la plus faible, légèrement meilleure que les approches concurrentes les plus performantes, et ce avec une dispersion moindre entre les exécutions. Ses paramètres ajustés ont produit des prédictions de tension qui suivaient de près les valeurs mesurées sur une large plage de courants. Les courbes de convergence ont montré que, tandis que d’autres algorithmes pouvaient éventuellement approcher de bonnes solutions, la nouvelle méthode se stabilisait généralement dans une zone de haute qualité plus tôt, ce qui est important pour des applications en temps réel ou embarquées avec des ressources de calcul limitées. Les diagrammes en boîte et les courbes de robustesse ont renforcé ce constat, révélant à la fois une fiabilité plus élevée et un comportement plus constant d’exécution en exécution comparé aux autres méthodes inspirées des essaims et des virus.

Ce que cela signifie pour les systèmes d’énergie propre

En termes simples, l’étude montre qu’une version plus intelligente, aidée par la mémoire, d’une stratégie de recherche inspirée d’un virus peut identifier les paramètres cachés d’un modèle de pile à combustible avec plus de précision et de fiabilité que plusieurs concurrents établis. Avec de meilleurs modèles, les ingénieurs peuvent construire des jumeaux numériques qui reproduisent fidèlement les piles réelles en logiciel, leur permettant de tester de nouvelles stratégies de contrôle, prédire les performances et détecter les problèmes sans risquer le matériel. Bien que ce travail se soit concentré sur une pile spécifique, l’approche est générale et peut s’appliquer à d’autres dispositifs d’énergie propre et systèmes complexes où des paramètres importants sont difficiles à mesurer directement.

Citation: Ismaeel, A.A.K., El-Rifaie, A.M., Hashim, F.A. et al. Assessment of a modified Coronavirus Disease Optimization Algorithm for Parameter Estimation of Proton Exchange Membrane Fuel Cells. Sci Rep 16, 15988 (2026). https://doi.org/10.1038/s41598-026-52533-4

Mots-clés: pile à combustible à membrane échangeuse de protons, estimation de paramètres, optimisation métaheuristique, jumeau numérique, systèmes énergétiques propres