Valutazione di un algoritmo di ottimizzazione ispirato al Coronavirus modificato per la stima dei parametri delle celle a combustibile a membrana a scambio protonico

Energia più intelligente per un futuro più pulito

Mentre il mondo cerca modi più puliti per alimentare automobili, abitazioni e dispositivi, le celle a combustibile emergono perché trasformano l’idrogeno in elettricità con poco rumore e quasi nessuna emissione locale. Ma ottenere il massimo da questi dispositivi significa conoscere una serie di parametri nascosti all’interno di ogni cella. Questo studio presenta un nuovo metodo di ricerca intelligente che può scoprire quei parametri nascosti in modo più accurato e rapido, aiutando gli ingegneri a progettare sistemi più efficienti e aprendo la strada a migliori doppi digitali e al controllo dei veicoli alimentati a celle a combustibile.

Perché le celle a combustibile richiedono una messa a punto accurata

Le celle a combustibile a membrana a scambio protonico, o celle PEM, sono promettenti per tutto, dalle centrali stazionarie ai laptop e alle auto elettriche. All’interno di ogni cella, reazioni chimiche, calore, acqua ed elettricità interagiscono in modi complessi. I produttori raramente pubblicano tutti i parametri dettagliati che descrivono questo comportamento, come la velocità di avvio delle reazioni, la perdita di tensione nella membrana o la diffusione dei gas attraverso la cella. Eppure questi numeri sono fondamentali per prevedere come una cella si comporterà sotto carichi e temperature diverse, per rilevare i guasti precocemente e per progettare controllori che mantengano il sistema efficiente e sicuro. Trovarli significa aggiustare un modello più e più volte fino a quando la sua curva tensione-corrente non corrisponde il più possibile alle misure reali.

Ricerca ispirata alla natura per risposte migliori

Poiché lo spazio di ricerca per questi parametri nascosti è ampio e tortuoso, i ricercatori spesso si affidano ad algoritmi metaeuristici, che imitano processi naturali come stormi di animali, caccia dei predatori o fenomeni fisici come la formazione del ghiaccio. Negli ultimi anni molti di questi metodi sono stati testati sui modelli di celle a combustibile, inclusi varianti della evoluzione differenziale, ottimizzatori ispirati a trichechi o conigli, schemi di colonia di formiche e persino apprendimento per rinforzo. Questi approcci mirano a minimizzare il divario tra tensioni misurate e simulate, solitamente espresso come somma degli errori quadratici. Pur raggiungendo spesso buone soluzioni, hanno difficoltà a bilanciare l’ampia esplorazione delle possibilità con il miglioramento mirato, rischiando progressi lenti o di restare bloccati in ottimi locali.

Un tocco basato sulla memoria su un metodo ispirato al virus

Gli autori si basano su un algoritmo recente chiamato Coronavirus Disease Optimization Algorithm, che imita come un virus entra nelle cellule, si replica e muta. Nella sua forma originale questo metodo esplora bene ma tende a vagare senza una guida forte dalle migliori soluzioni trovate finora. La nuova versione, chiamata memory based COVIDOA, aggiunge due idee. Primo, conserva una memoria dei candidati d’élite e li lascia guidare il resto della popolazione, spostando gradualmente l’approccio da un’ampia esplorazione iniziale a una messa a punto intorno alle soluzioni più forti in seguito. Secondo, introduce una strategia di esplorazione casuale in grado di scuotere il sistema quando tutti i candidati cominciano a somigliarsi troppo, riuscendo così a uscire da trappole. Insieme, queste modifiche sono progettate per migliorare sia la velocità sia l’accuratezza preservando la diversità nella ricerca.

Quanto bene si comporta il nuovo metodo

Prima di affrontare le celle a combustibile, il team ha testato l’algoritmo basato sulla memoria su un insieme standard di 12 sfide matematiche difficili, confrontandolo con il COVIDOA originale e altri quattro popolari ottimizzatori. Nella maggior parte di questi test il nuovo metodo ha fornito valori obiettivo più bassi, variazioni minori tra le esecuzioni e una convergenza più rapida. Controlli statistici hanno confermato che questi miglioramenti non erano dovuti al caso. I ricercatori hanno quindi applicato il metodo a uno stack PEM reale noto come NedStack PS6, dove sei parametri chiave di un modello semiempirico ampiamente usato dovevano essere identificati entro limiti realistici. L’obiettivo era far corrispondere una curva tensione-corrente misurata minimizzando la somma degli errori quadratici tra le tensioni previste e osservate su 30 esecuzioni indipendenti per ogni algoritmo.

Risultati sui dati reali della cella a combustibile

Nei dati del NedStack PS6, il metodo basato sulla memoria ha raggiunto il valore di errore più basso, leggermente migliore rispetto ai migliori approcci concorrenti, e l’ha fatto con una dispersione minore tra le esecuzioni. I parametri stimati hanno prodotto previsioni di tensione che seguivano da vicino i valori misurati su un’ampia gamma di correnti. I grafici di convergenza hanno mostrato che, mentre altri algoritmi potevano alla fine avvicinarsi a buone soluzioni, il nuovo metodo tipicamente si stabiliva in una regione di alta qualità prima, cosa importante per applicazioni in tempo reale o embedded con risorse di calcolo limitate. Boxplot e curve di robustezza hanno rafforzato questo quadro, rivelando sia una maggiore affidabilità sia un comportamento più coerente da esecuzione a esecuzione rispetto ad altri metodi ispirati a sciami o virus.

Cosa significa per i sistemi energetici puliti

In termini semplici, lo studio mostra che una versione più intelligente e assistita dalla memoria di una strategia di ricerca ispirata ai virus può individuare i parametri nascosti di un modello di cella a combustibile con maggiore accuratezza e affidabilità rispetto a diversi concorrenti consolidati. Con modelli migliori a disposizione, gli ingegneri possono costruire doppi digitali che rispecchiano le celle reali nel software, permettendo di testare nuove strategie di controllo, prevedere le prestazioni e individuare problemi senza rischiare l’hardware. Pur avendo questo lavoro focalizzato uno specifico stack di celle a combustibile, l’approccio è generale e può essere applicato ad altri dispositivi per energie pulite e a sistemi complessi dove i parametri importanti sono difficili da misurare direttamente.

Citazione: 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

Parole chiave: cella a combustibile a membrana a scambio protonico, stima dei parametri, ottimizzazione metaeuristica, doppione digitale, sistemi energetici puliti