Ottimizzazione dei parametri di progettazione delle celle a combustibile a membrana a scambio protonico usando l’ottimizzazione per corse di cavalli di Tianji

Verso un’energia più pulita in corsa

Le celle a combustibile a idrogeno promettono elettricità silenziosa e pulita per automobili, abitazioni e sistemi di alimentazione di emergenza—ma solo se riusciamo a modellarle e controllarle con precisione. Questo articolo mostra come un algoritmo inusuale ispirato a una vecchia storia cinese sulle corse di cavalli possa tarare i modelli delle celle molto più precisamente di molti concorrenti moderni, migliorando potenzialmente l’affidabilità delle tecnologie a idrogeno e la loro integrazione nei sistemi energetici reali.

Come queste celle producono elettricità

Le celle a combustibile a membrana a scambio protonico (PEMFC) trasformano idrogeno e ossigeno in elettricità, calore e acqua. All’interno di ogni cella, il gas idrogeno arriva da un lato (l’anodo), dove si scinde in protoni carichi positivamente ed elettroni. I protoni attraversano una sottile membrana di tipo plastico, mentre gli elettroni devono percorrere un circuito esterno, fornendo lavoro utile lungo il percorso. Dall’altro lato (il catodo), protoni, elettroni e ossigeno si ricombinano per formare acqua. Molte singole celle sono impilate insieme per raggiungere tensioni pratiche, formando stack di celle utilizzati nei veicoli e nelle unità di alimentazione stazionarie. Per progettare, controllare e diagnosticare questi sistemi, gli ingegneri si affidano a modelli matematici che prevedono la tensione di uno stack per date condizioni operative come temperatura, pressione e umidità dei gas.

Perché è difficile ottenere modelli accurati

Anche per una rappresentazione largamente utilizzata come il modello di Amphlett, diversi parametri chiave non possono essere misurati direttamente. Essi descrivono, per esempio, la velocità delle reazioni agli elettrodi, la facilità con cui i protoni si muovono attraverso la membrana e quanta tensione si perde quando i gas si esauriscono vicino ai siti di reazione. Questi numeri nascosti devono essere dedotti facendo corrispondere la curva tensione–corrente del modello ai dati sperimentali provenienti da stack reali. Il processo di adattamento è complicato: la fisica sottostante è fortemente non lineare e molte diverse combinazioni di parametri possono sembrare ragionevoli. Nell’ultimo decennio, i ricercatori si sono rivolti ai cosiddetti algoritmi metaeuristici—metodi di ricerca ispirati ad animali, fenomeni fisici o comportamenti umani—per cercare insiemi di parametri che minimizzino la differenza tra le previsioni del modello e le misure.

Dalle antiche corse di cavalli all’ottimizzazione moderna

Il metodo esplorato in questo studio, chiamato Tianji’s Horse Racing Optimization (THRO), si basa su una famosa storia in cui un generale, Tianji, sconfigge un re in una competizione di tre corse accoppiando strategicamente i suoi cavalli invece di abbinare semplicemente i più forti contro i più forti. Nella versione algoritmica, le soluzioni candidate a un problema sono trattate come cavalli appartenenti a due scuderie. Ad ogni iterazione, questi cavalli vengono classificati e accoppiati in modi diversi—a volte mettendo i deboli contro i forti, a volte i forti contro i forti—per favorire sia un’esplorazione ampia sia un fine aggiustamento. Dopo ogni “corsa”, l’algoritmo aggiorna gli attributi dei cavalli, spingendoli verso prestazioni migliori e introducendo al contempo una quantità controllata di casualità. Questo schema dinamico di abbinamento e allenamento è progettato per evitare di rimanere bloccati in soluzioni poco performanti, concentrandosi progressivamente sul miglior insieme di parametri.

Testare il nuovo metodo

Gli autori hanno applicato THRO a sei noti stack commerciali di PEMFC, che vanno da piccole unità da 250 watt a sistemi più grandi come il NedStack PS6 e il Ballard Mark V. Per ogni stack, l’obiettivo era regolare sette parametri del modello in modo che la tensione prevista seguisse da vicino i dati sperimentali tensione–corrente in diverse condizioni. Le prestazioni di THRO sono state confrontate con cinque recenti metodi metaeuristici dai nomi evocativi come Flood Algorithm, Educational Competition Optimizer, Kepler Optimization Algorithm, Fata Morgana Algorithm e Spider Wasp Optimizer. A tutti gli algoritmi è stato assegnato lo stesso numero di soluzioni candidate e di iterazioni, e ogni test è stato ripetuto 30 volte per valutarne l’affidabilità. Su tutti gli stack, THRO ha fornito costantemente la somma di errori quadratici più bassa—ossia l’adattamento più vicino ai dati reali—e, cosa notevole, i suoi risultati variavano solo di piccole quantità da una corsa all’altra, indicando una convergenza molto stabile.

Cosa significano i numeri per i sistemi reali

Oltre ai semplici punteggi di errore, lo studio ha esaminato la rapidità e la regolarità della convergenza degli algoritmi, la sensibilità ai punti di partenza casuali e l’efficacia dei parametri risultanti in nuove condizioni operative. THRO non solo ha eguagliato o superato i metodi concorrenti in precisione, ma ha anche prodotto insiemi di parametri quasi identici in ogni esecuzione e ha superato test statistici di significatività più rigorosi. Quando il modello tarato è stato usato per prevedere il comportamento della cella a combustibile a pressioni e temperature diverse, le curve hanno continuato ad allinearsi con le misurazioni sperimentali, mostrando una buona capacità di generalizzazione. Il principale compromesso è che THRO può richiedere un tempo di calcolo leggermente maggiore rispetto ai concorrenti più veloci, sebbene il suo costo rimanga ragionevole per la progettazione e l’analisi offline.

Perché questo è importante per la transizione energetica

Per i non specialisti, il messaggio è semplice: una migliore taratura dei modelli di celle a combustibile porta a una progettazione, un controllo e un monitoraggio dello stato più efficaci dei sistemi a idrogeno. Trovando in modo affidabile insiemi di parametri che permettono ai modelli di rispecchiare da vicino la realtà su diversi stack commerciali e condizioni operative, l’approccio delle corse di cavalli di Tianji offre un nuovo strumento potente per gli ingegneri. Pur essendo ancora principalmente adatto all’uso offline, perfezionamenti o ibridi con metodi più veloci potrebbero avvicinarlo ad applicazioni in tempo reale, aiutando la tecnologia delle celle a combustibile a mantenere la sua promessa di energia pulita e flessibile nella più ampia transizione lontano dai combustibili fossili.

Citazione: 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

Parole chiave: cella a combustibile a membrana a scambio protonico, energia da idrogeno, algoritmo di ottimizzazione, calibrazione del modello, energia rinnovabile