Optimalisatie van ontwerpparameters van protonuitwisselingsmembraan-brandstofcellen met behulp van Tianji’s paardenraces-optimalisatie

Racen naar schonere energie

Waterstofbrandstofcellen beloven stille, schone elektriciteit voor auto’s, huizen en noodstroomsystemen — maar alleen als we ze nauwkeurig kunnen modelleren en beheersen. Dit artikel laat zien hoe een ongewone algoritme, geïnspireerd op een oud Chinees paardenracesverhaal, brandstofcelmodellen veel preciezer kan afstemmen dan veel moderne concurrenten, wat waterstoftechnologieën betrouwbaarder en makkelijker integreerbaar in echte energiesystemen kan maken.

Hoe deze brandstofcellen elektriciteit opwekken

Protonuitwisselingsmembraan-brandstofcellen (PEMFC’s) zetten waterstof en zuurstof om in elektriciteit, warmte en water. Binnen elke cel komt waterstofgas aan één kant (de anode) aan, waar het uiteenvalt in positief geladen protonen en elektronen. De protonen glippen door een dun membraan dat op plastic lijkt, terwijl de elektronen via een extern circuit moeten reizen en daarbij nuttig werk verrichten. Aan de andere kant (de kathode) komen de protonen, elektronen en zuurstof weer samen om water te vormen. Veel individuele cellen worden opgestapeld om praktische spanningen te bereiken, waardoor brandstofcelstacks ontstaan die in voertuigen en stationaire energie-eenheden worden gebruikt. Om deze systemen te ontwerpen, te regelen en te diagnosticeren, vertrouwen ingenieurs op wiskundige modellen die de spanning van een stack voorspellen bij gegeven bedrijfsomstandigheden zoals temperatuur, druk en gasvochtigheid.

Waarom nauwkeurige modellen lastig zijn

Zelfs voor een veelgebruikte representatie zoals het Amphlett-model kunnen verschillende sleutelparameters niet direct worden gemeten. Ze beschrijven bijvoorbeeld hoe snel reacties aan de elektroden verlopen, hoe makkelijk protonen door het membraan bewegen en hoeveel spanning verloren gaat wanneer gassen in de buurt van de reactiezones uitgeput raken. Deze verborgen getallen moeten worden afgeleid door de spannings–stroom-curve van het model op experimentele gegevens van echte brandstofcelstacks af te stemmen. Het afstemmingsproces is lastig: de onderliggende fysica is sterk niet-lineair en veel verschillende combinaties van parameters kunnen redelijk lijken. In het afgelopen decennium hebben onderzoekers zich gewend tot zogenaamde metaheuristische algoritmen — zoekmethoden geïnspireerd door dieren, natuurkunde of menselijk gedrag — om parameterinstellingen te vinden die het verschil tussen modelvoorspellingen en metingen minimaliseren.

Van oude paardenraces naar moderne optimalisatie

De methode die in deze studie wordt onderzocht, genaamd Tianji’s Horse Racing Optimization (THRO), is gebaseerd op een beroemd verhaal waarin een generaal, Tianji, een koning verslaat in een wedstrijd van drie races door zijn paarden strategisch te koppelen in plaats van simpelweg sterk tegen sterk te zetten. In de algoritmische versie worden kandidaatoplossingen voor een probleem behandeld als paarden die tot twee stallen behoren. Bij elke iteratie worden deze paarden gerangschikt en op verschillende manieren gekoppeld — soms zwak tegen sterk, soms sterk tegen sterk — om zowel brede verkenning als verfijning te stimuleren. Na elke ‘race’ werkt het algoritme de eigenschappen van de paarden bij, waardoor ze richting betere prestaties worden geduwd en tegelijk een gecontroleerde hoeveelheid willekeur wordt ingebracht. Dit dynamische matchings- en trainingsschema is ontworpen om te voorkomen dat het vastloopt in slechte oplossingen terwijl het gestaag naar de beste parameterinstelling toewerkt.

Het nieuwe methode op de proef stellen

De auteurs pasten THRO toe op zes bekende commerciële PEMFC-stacks, variërend van kleine 250-watt units tot grotere systemen zoals de NedStack PS6 en Ballard Mark V. Voor elke stack was het doel om zeven modelparameters aan te passen zodat de modelspanning nauwkeurig de experimentele spannings–stroomgegevens volgde onder verschillende omstandigheden. De prestaties van THRO werden vergeleken met vijf recente metaheuristische methoden met kleurrijke namen zoals het Flood Algorithm, Educational Competition Optimizer, Kepler Optimization Algorithm, Fata Morgana Algorithm en Spider Wasp Optimizer. Alle algoritmen kregen hetzelfde aantal kandidaatoplossingen en iteraties, en elke test werd 30 keer herhaald om betrouwbaarheid te meten. Over alle stacks leverde THRO consequent de laagste som van kwadratische fouten — wat de nauwkeurigste aansluiting bij echte gegevens aangeeft — en opmerkelijk genoeg varieerden de resultaten van run tot run slechts in zeer geringe mate, wat op een zeer stabiele convergentie wijst.

Wat de cijfers betekenen voor echte systemen

Buiten de ruwe foutscores onderzocht de studie hoe snel en soepel de algoritmen convergeerden, hoe gevoelig ze waren voor willekeurige beginpunten en hoe goed de resulterende parameters werkten onder nieuwe bedrijfsomstandigheden. THRO evenaarde of overtrof niet alleen concurrerende methoden in nauwkeurigheid, het produceerde ook vrijwel identieke parameterinstellingen in elke run en slaagde voor strengere statistische significantietests. Toen het afgestemde model werd gebruikt om het gedrag van de brandstofcel bij andere gasdrukken en temperaturen te voorspellen, bleven zijn curves overeenkomen met experimentele metingen, wat duidt op goede generalisatie. De belangrijkste afweging is dat THRO iets meer rekentijd kan vergen dan de aller snelste concurrenten, hoewel de kosten redelijk blijven voor offline ontwerp en analyse.

Waarom dit ertoe doet voor de energietransitie

Voor niet‑specialisten is de boodschap eenvoudig: betere afstelling van brandstofcelmodellen leidt tot beter ontwerp, betere besturing en betere gezondheidbewaking van waterstofsystemen. Door betrouwbaar parameterinstellingen te vinden die modellen in verschillende commerciële stacks en bedrijfsomstandigheden dicht bij de werkelijkheid laten aansluiten, biedt de Tianji’s paardenraces-benadering een krachtig nieuw instrument voor ingenieurs. Hoewel het nog vooral geschikt is voor offline gebruik, zouden verfijningen of hybride oplossingen met snellere methoden het dichter bij realtime toepassingen kunnen brengen, waardoor brandstofceltechnologie beter kan bijdragen aan schone en flexibele energie in de bredere verschuiving weg van fossiele brandstoffen.

Bronvermelding: 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

Trefwoorden: protonuitwisselingsmembraan-brandstofcel, waterstofenergie, optimalisatie-algoritme, modelkalibratie, hernieuwbare energie