Otimização dos parâmetros de projeto de células a combustível com membrana de troca de prótons usando o Tianji’s Horse Racing Optimization

Correndo em direção a uma energia mais limpa

Células a combustível de hidrogênio prometem eletricidade silenciosa e limpa para carros, residências e sistemas de energia de emergência — mas somente se pudermos modelá‑las e controlá‑las com precisão. Este artigo mostra como um algoritmo incomum, inspirado numa antiga história chinesa de corridas de cavalos, pode ajustar modelos de células a combustível com muito mais precisão do que muitos concorrentes modernos, potencialmente tornando as tecnologias de hidrogênio mais confiáveis e mais fáceis de integrar em sistemas energéticos do mundo real.

Como essas células geram eletricidade

Células a combustível com membrana de troca de prótons (PEMFC) transformam hidrogênio e oxigênio em eletricidade, calor e água. No interior de cada célula, o gás hidrogênio chega a um lado (o ânodo), onde se divide em prótons carregados positivamente e elétrons. Os prótons atravessam uma membrana fina semelhante a plástico, enquanto os elétrons devem percorrer um circuito externo, realizando trabalho útil ao longo do caminho. No outro lado (o cátodo), os prótons, elétrons e o oxigênio se reúnem para formar água. Muitas células individuais são empilhadas para alcançar tensões práticas, formando stacks de células a combustível usados em veículos e unidades de energia estacionárias. Para projetar, controlar e diagnosticar esses sistemas, engenheiros dependem de modelos matemáticos que prevêem a tensão de um stack para dadas condições de operação, como temperatura, pressão e umidade dos gases.

Por que é difícil obter modelos precisos

Mesmo para uma representação amplamente usada como o modelo de Amphlett, vários parâmetros-chave não podem ser medidos diretamente. Eles descrevem, por exemplo, com que rapidez as reações ocorrem nos eletrodos, com que facilidade os prótons se movem pela membrana e quanta tensão é perdida quando os gases se esgotam perto dos locais de reação. Esses números ocultos devem ser inferidos ajustando a curva tensão–corrente do modelo aos dados experimentais de stacks reais de células a combustível. O processo de ajuste é complicado: a física subjacente é fortemente não linear, e muitas combinações diferentes de parâmetros podem parecer razoáveis. Na última década, pesquisadores recorreram aos chamados algoritmos meta‑heurísticos — métodos de busca inspirados por animais, pela física ou pelo comportamento humano — para procurar conjuntos de parâmetros que minimizem a diferença entre as previsões do modelo e as medições.

Das corridas de cavalos antigas à otimização moderna

O método explorado neste estudo, chamado Tianji’s Horse Racing Optimization (THRO), baseia‑se numa história famosa em que um general, Tianji, vence um rei numa disputa de três corridas ao parear estrategicamente seus cavalos em vez de simplesmente igualar os mais fortes contra os mais fortes. Na versão algorítmica, soluções candidatas para um problema são tratadas como cavalos pertencentes a dois estábulos. A cada iteração, esses cavalos são classificados e pareados de maneiras diferentes — às vezes colocando fracos contra fortes, às vezes fortes contra fortes — para incentivar tanto a ampla exploração quanto o ajuste fino. Após cada “corrida”, o algoritmo atualiza os atributos dos cavalos, conduzindo‑os em direção a melhor desempenho enquanto também injeta uma quantidade controlada de aleatoriedade. Esse esquema dinâmico de pareamento e treinamento é projetado para evitar ficar preso em soluções ruins enquanto se aproxima gradualmente do melhor conjunto de parâmetros.

Colocando o novo método à prova

Os autores aplicaram o THRO a seis stacks comerciais de PEMFC bem conhecidos, variando desde unidades pequenas de 250 watts até sistemas maiores, como o NedStack PS6 e o Ballard Mark V. Para cada stack, o objetivo foi ajustar sete parâmetros do modelo para que a tensão prevista pelo modelo acompanhasse de perto os dados experimentais tensão–corrente sob várias condições. O desempenho do THRO foi comparado com cinco métodos meta‑heurísticos recentes com nomes pitorescos, como Flood Algorithm, Educational Competition Optimizer, Kepler Optimization Algorithm, Fata Morgana Algorithm e Spider Wasp Optimizer. Todos os algoritmos receberam o mesmo número de soluções candidatas e iterações, e cada teste foi repetido 30 vezes para avaliar a confiabilidade. Em todos os stacks, o THRO entregou consistentemente a menor soma dos erros quadrados — significando o ajuste mais próximo aos dados reais — e, notavelmente, seus resultados variaram por quantias mínimas entre execuções, indicando convergência muito estável.

O que os números significam para sistemas reais

Além das pontuações brutas de erro, o estudo examinou com que rapidez e suavidade os algoritmos convergiam, quão sensíveis eram aos pontos de partida aleatórios e quão bem os parâmetros resultantes funcionavam sob novas condições de operação. O THRO não só igualou ou superou métodos concorrentes em precisão, como também produziu conjuntos de parâmetros quase idênticos em cada execução e passou em testes estatísticos mais rigorosos de significância. Quando o modelo ajustado foi usado para prever o comportamento da célula a combustível em diferentes pressões e temperaturas dos gases, suas curvas continuaram a coincidir com as medições experimentais, mostrando boa generalização. A principal compensação é que o THRO pode levar um pouco mais de tempo para computar do que os concorrentes mais rápidos, embora seu custo permaneça razoável para projeto e análise offline.

Por que isso importa para a transição energética

Para não especialistas, a mensagem é simples: um melhor ajuste dos modelos de células a combustível leva a um melhor projeto, controle e monitoramento da saúde de sistemas de hidrogênio. Ao encontrar de forma confiável conjuntos de parâmetros que fazem os modelos espelhar de perto a realidade em diferentes stacks comerciais e condições de operação, a abordagem das corridas de cavalos de Tianji oferece uma nova ferramenta poderosa para engenheiros. Embora ainda seja principalmente adequada para uso offline, refinamentos ou híbridos com métodos mais rápidos poderiam aproximá‑la de aplicações em tempo real, ajudando a tecnologia de células a combustível a cumprir sua promessa de energia limpa e flexível na mudança mais ampla para longe dos combustíveis fósseis.

Citação: 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

Palavras-chave: célula a combustível com membrana de troca de prótons, energia hidrogênio, algoritmo de otimização, calibração de modelo, energia renovável