Optymalizacja parametrów projektowych ogniwa paliwowego z membraną wymiany protonów za pomocą optymalizacji wyścigów koni Tianji

Wyścig ku czystszej energii

Ogniwa paliwowe na wodór obiecują cichą, czystą energię elektryczną dla samochodów, domów i systemów zasilania awaryjnego — pod warunkiem że potrafimy je dokładnie modelować i kontrolować. Artykuł pokazuje, jak nietypowy algorytm inspirowany starożytną chińską opowieścią o wyścigach koni może dostroić modele ogniw paliwowych znacznie precyzyjniej niż wiele nowoczesnych konkurentów, co potencjalnie uczyni technologie wodorowe bardziej niezawodnymi i łatwiejszymi do integracji z rzeczywistymi systemami energetycznymi.

Jak te ogniwa wytwarzają prąd

Ogniwa paliwowe z membraną wymiany protonów (PEMFC) przekształcają wodór i tlen w energię elektryczną, ciepło i wodę. W każdym ogniwie gazowy wodór dociera do jednej strony (anoda), gdzie rozdziela się na dodatnio naładowane protony i elektrony. Protony przechodzą przez cienką, tworzywopodobną membranę, podczas gdy elektrony muszą pokonać zewnętrzny obwód, wykonując po drodze użyteczną pracę. Po drugiej stronie (katoda) protony, elektrony i tlen łączą się ponownie, tworząc wodę. Wiele pojedynczych ogniw jest układanych w stosy, aby osiągnąć praktyczne napięcia — takie zespoły ogniw stosowane są w pojazdach i stacjonarnych jednostkach zasilających. Do projektowania, sterowania i diagnostyki tych systemów inżynierowie polegają na modelach matematycznych przewidujących napięcie stosu dla zadanych warunków pracy, takich jak temperatura, ciśnienie i wilgotność gazów.

Dlaczego trudno uzyskać dokładne modele

Nawet dla szeroko stosowanego modelu Amphletta kilka kluczowych parametrów nie może być zmierzonych bezpośrednio. Opisują one na przykład, jak szybko przebiegają reakcje na elektrodach, jak łatwo protony przemieszczają się przez membranę oraz ile napięcia tracone jest, gdy gazy są wyczerpane w pobliżu miejsc reakcji. Te ukryte wartości trzeba wywnioskować, dopasowując krzywą napięcie–prąd modelu do danych eksperymentalnych z rzeczywistych stosów ogniw paliwowych. Proces dopasowania jest trudny: leżąca u podstaw fizyka jest silnie nieliniowa, a wiele różnych kombinacji parametrów może wydawać się sensownych. W ciągu ostatniej dekady badacze zwrócili się ku tzw. algorytmom metaheurystycznym — metodom poszukiwania inspirowanym zachowaniami zwierząt, zjawiskami fizycznymi lub ludzkimi strategiami — by odnaleźć zbiory parametrów minimalizujące różnicę między przewidywaniami modelu a pomiarami.

Od starożytnych wyścigów koni do współczesnej optymalizacji

Metoda analizowana w tym badaniu, nazwana Optymalizacją Wyścigów Koni Tianji (THRO), opiera się na słynnej historii, w której generał Tianji pokonuje króla w trzybiegowych zawodach, dobierając konie strategicznie zamiast po prostu zestawiać najsilniejszych przeciw najsilniejszym. W wersji algorytmicznej kandydatów rozwiązań traktuje się jak konie należące do dwóch stajni. W każdej iteracji konie są klasyfikowane i parowane na różne sposoby — czasami słabe przeciw silnym, czasami silne przeciw silnym — by wspierać zarówno szerokie eksplorowanie przestrzeni rozwiązań, jak i precyzyjne dopracowywanie. Po każdym „wyścigu” algorytm aktualizuje cechy koni, przesuwając je w kierunku lepszej wydajności i jednocześnie wprowadzając kontrolowaną ilość losowości. Ten dynamiczny schemat dopasowań i treningu ma na celu unikanie utknięcia w słabych rozwiązaniach przy jednoczesnym stopniowym zbliżaniu się do najlepszego zestawu parametrów.

Testy nowej metody

Autorzy zastosowali THRO do sześciu dobrze znanych komercyjnych stosów PEMFC, od małych jednostek 250-watowych po większe systemy, takie jak NedStack PS6 i Ballard Mark V. Dla każdego stosu celem było dostosowanie siedmiu parametrów modelu tak, aby napięcie modelu ściśle odzwierciedlało eksperymentalne dane napięcie–prąd w różnych warunkach. Wydajność THRO porównano z pięcioma niedawnymi metodami metaheurystycznymi o barwnych nazwach, takimi jak Flood Algorithm, Educational Competition Optimizer, Kepler Optimization Algorithm, Fata Morgana Algorithm i Spider Wasp Optimizer. Wszystkim algorytmom przydzielono taką samą liczbę kandydatów rozwiązań i iteracji, a każdy test powtórzono 30 razy, aby ocenić niezawodność. W całym zestawie stosów THRO konsekwentnie dostarczał najmniejszej sumy kwadratów błędów — co oznacza najbliższe dopasowanie do rzeczywistych danych — a co wyjątkowe, jego wyniki różniły się między kolejnymi uruchomieniami jedynie w niewielkim stopniu, wskazując na bardzo stabilną zbieżność.

Co liczby znaczą dla rzeczywistych systemów

Ponad surowe wyniki błędów badanie analizowało, jak szybko i płynnie algorytmy zbiegały, jak czułe były na losowe punkty startowe oraz jak dobrze uzyskane parametry sprawdzały się w nowych warunkach pracy. THRO nie tylko dorównywał lub przewyższał metody konkurencyjne pod względem dokładności, ale także generował niemal identyczne zbiory parametrów w każdym uruchomieniu i przeszedł rygorystyczniejsze testy statystyczne istotności. Gdy dostrojony model użyto do przewidywania zachowania ogniwa przy innym ciśnieniu i temperaturze gazów, jego krzywe nadal pokrywały się z pomiarami eksperymentalnymi, wykazując dobrą uogólnialność. Głównym kompromisem jest to, że THRO może wymagać nieco więcej czasu obliczeniowego niż najszybsi konkurenci, choć jego koszt pozostaje rozsądny dla zastosowań offline w projektowaniu i analizie.

Dlaczego to ma znaczenie dla transformacji energetycznej

Dla osób niebędących specjalistami przekaz jest prosty: lepsze dostrojenie modeli ogniw paliwowych przekłada się na lepsze projektowanie, sterowanie i monitorowanie stanu systemów wodorowych. Dzięki niezawodnemu odnajdowaniu zestawów parametrów, które sprawiają, że modele wiernie odwzorowują rzeczywistość w różnych komercyjnych stosach i warunkach pracy, podejście Tianji’s horse racing oferuje inżynierom potężne nowe narzędzie. Choć obecnie nadaje się głównie do użytku offline, udoskonalenia lub hybrydy z szybszymi metodami mogłyby przybliżyć je do zastosowań w czasie rzeczywistym, pomagając technologii ogniw paliwowych zrealizować obietnicę czystej i elastycznej energii w szerszym odejściu od paliw kopalnych.

Cytowanie: 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

Słowa kluczowe: ogniwo paliwowe z membraną wymiany protonów, energia wodorowa, algorytm optymalizacyjny, kalibracja modelu, energia odnawialna