Ocena zmodyfikowanego algorytmu optymalizacji wzorowanego na chorobie koronawirusowej do estymacji parametrów ogniw paliwowych z membraną wymiany protonów

Mądrzejsza moc dla czyściejszej przyszłości

Gdy świat szuka czystszych sposobów zasilania samochodów, domów i urządzeń, ogniwa paliwowe wyróżniają się tym, że przetwarzają wodór na prąd przy niewielkim hałasie i niemal zerowej lokalnej emisji. Jednak by w pełni wykorzystać te urządzenia, trzeba znać kilka ukrytych parametrów każdego ogniwa. W tym badaniu przedstawiono nową, inteligentną metodę poszukiwania, która potrafi dokładniej i szybciej odkryć te parametry, pomagając inżynierom projektować bardziej wydajne systemy oraz torując drogę do lepszych cyfrowych bliźniaków i sterowania pojazdami zasilanymi ogniwami paliwowymi.

Dlaczego ogniwa paliwowe wymagają starannego strojenia

Ogniwa paliwowe z membraną wymiany protonów (PEM) są obiecujące zarówno dla elektrowni stacjonarnych, jak i laptopów czy samochodów elektrycznych. W każdym ogniwie reakcje chemiczne, ciepło, woda i prąd oddziałują w złożony sposób. Producenci rzadko publikują wszystkie szczegółowe parametry opisujące to zachowanie, takie jak tempo inicjacji reakcji, straty napięcia na membranie czy rozprzestrzenianie się gazów w ogniwie. Tymczasem te wartości są kluczowe do przewidywania wydajności ogniwa przy różnych obciążeniach i temperaturach, wczesnego wykrywania usterek oraz projektowania regulatorów utrzymujących system efektywnym i bezpiecznym. Ich znalezienie wymaga wielokrotnego dopasowywania modelu, aż krzywa napięcie-prąd będzie jak najbliższa rzeczywistym pomiarom.

Poszukiwanie inspirowane naturą dla lepszych rozwiązań

Ponieważ przestrzeń poszukiwań dla tych ukrytych parametrów jest duża i zawiła, badacze często polegają na algorytmach metaheurystycznych, które naśladują procesy naturalne, takie jak stada zwierząt, polowanie drapieżników, czy zjawiska fizyczne jak zamarzanie. W ostatnich latach testowano wiele takich metod na modelach ogniw paliwowych, w tym warianty różnicowej ewolucji, optymalizatory inspirowane morsami i zającami, schematy mrowiskowe, a nawet uczenie ze wzmocnieniem. Podejścia te dążą do minimalizacji różnicy między zmierzonymi a symulowanymi napięciami, zwykle wyrażanej jako suma kwadratów błędów. Chociaż kilka metod potrafi osiągnąć dobre rozwiązania, często mają trudności z pogodzeniem szerokiego eksplorowania przestrzeni rozwiązań z ukierunkowanym poprawianiem, co grozi wolnym postępem lub utknięciem w lokalnych minimach.

Pamięciowe urozmaicenie metody wzorowanej na wirusie

Autorzy bazują na niedawnym algorytmie nazwanym Coronavirus Disease Optimization Algorithm, który naśladuje, jak wirus wnika do komórek, replikuje się i mutuje. W pierwotnej wersji metoda dobrze eksplorowała przestrzeń, ale miała skłonność do błądzenia bez silnego prowadzenia przez najlepsze dotąd znalezione rozwiązania. Nowa wersja, nazwana memory based COVIDOA, wprowadza dwa pomysły. Po pierwsze, przechowuje pamięć elitarnych kandydatów i pozwala im kierować resztą populacji, stopniowo przesuwając proces od szerokiej eksploracji na początku do precyzyjnego dostrajania wokół najsilniejszych rozwiązań później. Po drugie, wprowadza losową strategię eksploracji, która może wytrącić system z pułapek, gdy wszystkie kandydatury zaczynają wyglądać zbyt podobnie. Te zmiany mają poprawić zarówno szybkość, jak i dokładność, przy jednoczesnym zachowaniu różnorodności w poszukiwaniu.

Jak dobrze działa nowa metoda

Zanim zajęto się ogniwami paliwowymi, zespół przetestował pamięciowy algorytm na standardowym zestawie 12 wymagających wyzwań matematycznych, porównując go z oryginalnym COVIDOA i czterema innymi popularnymi optymalizatorami. W większości testów nowa metoda dała niższe wartości funkcji celu, mniejsze rozrzuty między uruchomieniami i szybszą zbieżność. Testy statystyczne potwierdziły, że te ulepszenia nie wynikają z przypadku. Następnie badacze zastosowali metodę do rzeczywistego stosu ogniw PEM o nazwie NedStack PS6, gdzie trzeba było zidentyfikować sześć kluczowych parametrów szeroko stosowanego modelu półempirycznego w realistycznych granicach. Celem było dopasowanie zmierzonej krzywej napięcie-prąd przez minimalizację sumy kwadratów błędów między przewidzianymi a zaobserwowanymi napięciami w 30 niezależnych uruchomieniach dla każdego algorytmu.

Wyniki dla rzeczywistych danych ogniwa paliwowego

Na danych NedStack PS6 metoda oparta na pamięci osiągnęła najniższą wartość błędu, nieznacznie przewyższając najlepsze konkurencyjne podejścia, i zrobiła to przy mniejszym rozrzucie wyników między uruchomieniami. Dopasowane parametry wygenerowały prognozy napięcia, które ściśle odwzorowywały zmierzone wartości w szerokim zakresie prądów. Wykresy zbieżności pokazały, że choć inne algorytmy ostatecznie mogły zbliżyć się do dobrych rozwiązań, nowa metoda zazwyczaj osiadała w obszarze wysokiej jakości wcześniej, co ma znaczenie dla zastosowań w czasie rzeczywistym lub w systemach wbudowanych o ograniczonej mocy obliczeniowej. Wykresy typu boxplot i krzywe odporności potwierdziły ten obraz, ukazując zarówno wyższą niezawodność, jak i bardziej spójne zachowanie między uruchomieniami w porównaniu z innymi metodami inspirowanymi stadami i wirusami.

Co to oznacza dla systemów czystej energii

Mówiąc prosto, badanie pokazuje, że inteligentniejsza, wspomagana pamięcią wersja strategii poszukiwania inspirowanej wirusem może dokładniej i bardziej niezawodnie ustalić ukryte ustawienia modelu ogniwa paliwowego niż kilka ustabilizowanych konkurentów. Dysponując lepszymi modelami, inżynierowie mogą budować cyfrowe bliźniaki odzwierciedlające rzeczywiste ogniwa w oprogramowaniu, co pozwala testować nowe strategie sterowania, przewidywać wydajność i wykrywać problemy bez narażania sprzętu. Chociaż praca koncentrowała się na konkretnym stosie ogniw, podejście jest ogólne i można je zastosować w innych urządzeniach czystej energii oraz złożonych systemach, w których ważne parametry trudno zmierzyć bezpośrednio.

Cytowanie: 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

Słowa kluczowe: ogniwo paliwowe z membraną wymiany protonów, estymacja parametrów, optymalizacja metaheurystyczna, cyfrowy bliźniak, systemy czystej energii