Beoordeling van een gemodificeerde Coronavirus Disease Optimization Algorithm voor parameterinschatting van protonuitwisselingsmembraan-brandstofcellen

Slimmere energie voor een schonere toekomst

Nu de wereld op zoek is naar schonere manieren om auto’s, huizen en apparaten van stroom te voorzien, steken brandstofcellen eruit omdat ze waterstof omzetten in elektriciteit met weinig geluid en vrijwel geen lokale vervuiling. Om deze apparaten optimaal te benutten, moet men echter een aantal verborgen instellingen in elke brandstofcel kennen. Deze studie introduceert een nieuwe slimme zoekmethode die die verborgen instellingen nauwkeuriger en sneller kan achterhalen, waardoor ingenieurs efficiëntere systemen kunnen ontwerpen en de weg vrijmaken voor betere digitale tweelingen en regeling van voertuigen op brandstofcel.

Waarom brandstofcellen zorgvuldig moeten worden afgestemd

Protonuitwisselingsmembraan-brandstofcellen, of PEM-brandstofcellen, zijn veelbelovend voor alles van stationaire energiecentrales tot laptops en elektrische auto’s. In elke cel wisselen chemische reacties, warmte, water en elektriciteit op complexe wijze met elkaar. Fabrikanten publiceren zelden alle gedetailleerde parameters die dit gedrag beschrijven, zoals hoe snel reacties starten, hoeveel spanning er in het membraan verloren gaat of hoe gassen zich door de cel verspreiden. Toch zijn deze waarden essentieel om te voorspellen hoe een cel zich onder verschillende belastingen en temperaturen gedraagt, om defecten vroeg te detecteren en om regelingen te ontwerpen die het systeem efficiënt en veilig houden. Het vinden van deze waarden vereist het herhaaldelijk afstemmen van een model totdat de stroom-spanningscurve zo nauwkeurig mogelijk overeenkomt met echte metingen.

Door de natuur geïnspireerd zoeken naar betere oplossingen

Aangezien de zoekruimte voor deze verborgen instellingen groot en complex is, vertrouwen onderzoekers vaak op metaheuristische algoritmen, die natuurlijke processen nabootsen zoals zwermen dieren, roofdierjacht of fysieke verschijnselen als ijsvorming. In de afgelopen jaren zijn veel van dergelijke methoden getest op brandstofcelmodellen, waaronder varianten van differentiële evolutie, walrus- en konijn-geïnspireerde optimizers, mierenkolonie-schemata en zelfs reinforcement learning. Deze benaderingen hebben tot doel de kloof tussen gemeten en gesimuleerde spanningen te minimaliseren, meestal uitgedrukt als de som van gekwadrateerde fouten. Hoewel verschillende methoden goede oplossingen kunnen vinden, hebben ze vaak moeite om brede verkenning van mogelijkheden te combineren met gerichte verbetering, waardoor de voortgang traag kan zijn of vastlopen in lokale minima.

Een geheugen-gebaseerde twist op een virus-geïnspireerde methode

De auteurs bouwen voort op een recent algoritme genaamd Coronavirus Disease Optimization Algorithm, dat imiteert hoe een virus cellen binnendringt, zich replikeert en muteert. In zijn oorspronkelijke vorm verkent deze methode goed, maar neigt hij ertoe te dwalen zonder sterke sturing door de beste tot dan toe gevonden oplossingen. De nieuwe versie, genoemd memory based COVIDOA, voegt twee ideeën toe. Ten eerste bewaart het een geheugen van elitekandidaten en laat deze de rest van de populatie begeleiden, waardoor er geleidelijk verschuift van brede verkenning in de beginfase naar fijn afstemmen rond de sterkste oplossingen later. Ten tweede introduceert het een willekeurige verkenningsstrategie die het systeem uit vallen kan schudden wanneer alle kandidaten te veel op elkaar beginnen te lijken. Samen zijn deze aanpassingen bedoeld om zowel snelheid als nauwkeurigheid te verbeteren, terwijl de diversiteit in de zoektocht behouden blijft.

Hoe goed de nieuwe methode presteert

Voordat ze brandstofcellen aanpakte, testte het team het geheugen-gebaseerde algoritme op een standaardset van 12 lastige wiskundige uitdagingen en vergeleek het met de originele COVIDOA en vier andere populaire optimizers. In de meeste van deze tests leverde de nieuwe methode lagere objectiefwaarden, kleinere variatie tussen runs en snellere convergentie. Statistische toetsen bevestigden dat deze verbeteringen niet door toeval verklaard konden worden. De onderzoekers pasten de methode vervolgens toe op een echte PEM-brandstofcelstack bekend als NedStack PS6, waarbij zes sleutelparameters van een veelgebruikt semi-empirisch model binnen realistische grenzen geïdentificeerd moesten worden. Het doel was een gemeten stroom-spanningscurve te benaderen door de som van gekwadrateerde fouten tussen voorspelde en waargenomen spanningen te minimaliseren, over 30 onafhankelijke runs voor elk algoritme.

Resultaten voor echte brandstofcelgegevens

Op de NedStack PS6-gegevens behaalde de geheugen-gebaseerde methode de laagste foutwaarde, iets beter dan de beste concurrerende benaderingen, en deed dat met minder spreiding tussen runs. De aangepaste parameters leverden spanningsvoorspellingen op die de gemeten waarden nauwkeurig volgden over een breed stroomgebied. Convergentiegrafieken toonden dat, terwijl andere algoritmen uiteindelijk goede oplossingen konden benaderen, de nieuwe methode meestal eerder in een hoogwaardige regio neerstreek, wat belangrijk is voor realtime- of embedded-toepassingen met beperkte rekenkracht. Boxplots en robuustheidscurven onderstreepten dit beeld en lieten zowel hogere betrouwbaarheid als consistenter gedrag van run tot run zien in vergelijking met andere zwerm- en virus-geïnspireerde methoden.

Wat dit betekent voor schone energiesystemen

In eenvoudige termen toont de studie aan dat een slimmer, geheugen-ondersteund variant van een virus-geïnspireerde zoekstrategie de verborgen instellingen van een brandstofcelmodel nauwkeuriger en betrouwbaarder kan bepalen dan meerdere gevestigde concurrenten. Met betere modellen kunnen ingenieurs digitale tweelingen bouwen die echte brandstofcellen in software weerspiegelen, waardoor ze nieuwe regelstrategieën kunnen testen, prestaties kunnen voorspellen en problemen kunnen opsporen zonder hardware te riskeren. Hoewel dit werk zich richtte op een specifieke brandstofcelstack, is de aanpak algemeen en kan zij worden toegepast op andere schone energieapparaten en complexe systemen waar belangrijke parameters moeilijk direct te meten zijn.

Bronvermelding: 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

Trefwoorden: protonuitwisselingsmembraan-brandstofcel, parameterinschatting, metaheuristische optimalisatie, digitaal tweeling, schone energiesystemen