Оценка модифицированного алгоритма оптимизации, вдохновлённого коронавирусной болезнью, для оценки параметров топливных элементов с протонно-обменной мембраной

Более умная энергия для чистого будущего

Когда мир ищет более чистые способы питания автомобилей, домов и устройств, топливные элементы выделяются тем, что превращают водород в электричество с минимальным шумом и почти без локального загрязнения. Но чтобы извлечь максимум из этих устройств, нужно знать несколько скрытых параметров внутри каждого элемента. В этом исследовании представлена новая умная стратегия поиска, которая может обнаруживать эти скрытые параметры точнее и быстрее, помогая инженерам проектировать более эффективные системы и прокладывая путь к лучшим цифровым двойникам и управлению транспортными средствами на топливных элементах.

Почему топливные элементы требуют тщательной настройки

Топливные элементы с протонно-обменной мембраной (PEM) перспективны для всего — от стационарных электростанций до ноутбуков и электромобилей. Внутри каждого элемента химические реакции, тепло, вода и электричество взаимодействуют сложным образом. Производители редко публикуют все подробные параметры, описывающие это поведение, такие как скорость инициирования реакций, потери напряжения в мембране или распространение газов через элемент. Тем не менее эти числа жизненно важны для прогнозирования работы элемента при различных нагрузках и температурах, раннего обнаружения неисправностей и проектирования регуляторов, которые поддерживают систему эффективной и безопасной. Их нахождение требует многократной подстройки модели до тех пор, пока кривая ток-напряжение модели максимально не совпадёт с реальными измерениями.

Природно вдохновлённый поиск для лучших решений

Поскольку пространство поиска этих скрытых параметров велико и извилисто, исследователи часто опираются на метаэвристические алгоритмы, которые имитируют природные процессы, такие как рои животных, охота хищников, или физические явления, например образование льда. За последние годы многие такие методы были испытаны на моделях топливных элементов, включая варианты дифференциальной эволюции, оптимизаторы, вдохновлённые моржами и кроликами, схемы муравьиных колоний и даже обучение с подкреплением. Эти подходы нацелены на минимизацию разрыва между измеренными и смоделированными напряжениями, обычно выражаемого суммой квадратов ошибок. Хотя некоторые из них достигают хороших решений, они часто испытывают трудности с балансом между широким исследованием возможностей и целенаправленным улучшением, что ведёт к медленному прогрессу или застреванию в локальных оптимумах.

Вариант с памятью для вирусоподобного метода

Авторы опираются на недавний алгоритм под названием Coronavirus Disease Optimization Algorithm, который подражает тому, как вирус проникает в клетки, реплицируется и мутирует. В своей исходной форме этот метод хорошо исследует пространство, но имеет тенденцию блуждать без сильного руководства от лучших найденных решений. Новая версия, названная memory based COVIDOA, добавляет две идеи. Во‑первых, она сохраняет память об элитных кандидатах и позволяет им направлять остальную популяцию, постепенно переходя от широкого исследования на ранних этапах к тонкой настройке вокруг сильнейших решений позже. Во‑вторых, вводится случайная стратегия исследования, которая может встряхнуть систему и вывести её из ловушек, когда все кандидаты становятся слишком похожими. Эти изменения вместе призваны повысить и скорость, и точность при сохранении разнообразия в поиске.

Насколько хорошо работает новый метод

Перед применением к топливным элементам команда проверила алгоритм с памятью на стандартном наборе из 12 сложных математических задач, сравнив его с оригинальным COVIDOA и ещё четырьмя популярными оптимизаторами. В большинстве тестов новый метод давал более низкие значения целевой функции, меньшую вариативность между запусками и более быстрое сходимость. Статистическая проверка подтвердила, что эти улучшения не случайны. Затем исследователи применили метод к реальному стеку PEM топливных элементов NedStack PS6, где нужно было определить шесть ключевых параметров широко используемой полусэмпирической модели в реалистичных пределах. Целью было согласовать измеренную кривую ток-напряжение путём минимизации суммы квадратов ошибок между предсказанными и наблюдаемыми напряжениями в 30 независимых запусках для каждого алгоритма.

Результаты для реальных данных топливного элемента

На данных NedStack PS6 метод с памятью достиг наименьшего значения ошибки, немного опередив лучшие конкурирующие подходы, причём с меньшим разбросом между запусками. Подобранные им параметры дали прогнозы напряжения, которые тесно следовали за измеренными значениями в широком диапазоне токов. Графики сходимости показали, что, хотя другие алгоритмы со временем могли приблизиться к хорошим решениям, новый метод обычно достигал высококачественной области раньше, что важно для приложений в реальном времени или встроенных систем с ограниченной вычислительной мощностью. Ящики с усами и кривые устойчивости подкрепили эту картину, показывая более высокую надёжность и более согласованное поведение от запуска к запуску по сравнению с другими ройными и вирусоподобными методами.

Что это означает для систем чистой энергии

Проще говоря, исследование показывает, что более умная версия вирусоподобного метода поиска с поддержкой памяти может точнее и надёжнее определить скрытые параметры модели топливного элемента по сравнению с несколькими установленными конкурентами. С лучшими моделями инженеры могут создавать цифровые двойники, которые в программном обеспечении отражают реальное поведение топливных элементов, позволяя тестировать новые стратегии управления, прогнозировать работу и выявлять проблемы без риска для аппаратуры. Хотя в работе рассматривался конкретный стек топливных элементов, подход универсален и может быть применён к другим устройствам чистой энергии и сложным системам, где важные параметры трудно измерить напрямую.

Цитирование: 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

Ключевые слова: топливный элемент с протонно-обменной мембраной, оценка параметров, метаэвристическая оптимизация, цифровой двойник, системы чистой энергии