Optimering av designparametrar för protonbytarmembranbränsleceller med Tianjis hästkapplöpningsoptimering

Racing mot renare energi

Vätedrivna bränsleceller lovar tyst, ren el till bilar, hem och reservkraftssystem — förutsatt att vi kan modellera och styra dem noggrant. Denna artikel visar hur en ovanlig algoritm inspirerad av en antik kinesisk kapplöpningsberättelse kan finjustera bränslecellmodeller mycket mer precist än många moderna konkurrenter, vilket potentiellt gör vätetekniken mer pålitlig och lättare att integrera i verkliga energisystem.

Hur dessa bränsleceller genererar elektricitet

Protonbytarmembranbränsleceller (PEMFC) omvandlar väte och syre till elektricitet, värme och vatten. Inuti varje cell anländer vätegas till ena sidan (anoden), där den splittras i positivt laddade protoner och elektroner. Protonerna glider genom ett tunt plastliknande membran, medan elektronerna måste färdas runt en extern krets och utföra nytta längs vägen. På andra sidan (katoden) återförenas protoner, elektroner och syre och bildar vatten. Många individuella celler staplas ihop för att nå praktiska spänningsnivåer och bilda bränslecellstackar som används i fordon och stationära kraftenheter. För att konstruera, styra och diagnostisera dessa system förlitar sig ingenjörer på matematiska modeller som förutsäger en stacks spänning för givna driftförhållanden såsom temperatur, tryck och gasfuktighet.

Varför noggranna modeller är svåra att få fram

Även för en välanvänd representation som Amphlett‑modellen kan flera nyckelparametrar inte mätas direkt. De beskriver till exempel hur snabbt reaktioner sker vid elektrodytorna, hur lätt protoner rör sig genom membranet och hur mycket spänning som förloras när gaser utarmas nära reaktionsplatserna. Dessa dolda storheter måste slutas sig till genom att matcha modellens spännings–ström‑kurva mot experimentella data från verkliga bränslecellstackar. Matchningsprocessen är knepig: den underliggande fysiken är starkt icke‑linjär och många olika parametrakombinationer kan verka rimliga. Under det senaste decenniet har forskare vänt sig till så kallade metaheuristiska algoritmer — sökmetoder inspirerade av djur, fysik eller mänskligt beteende — för att leta efter parameteruppsättningar som minimerar skillnaden mellan modellens förutsägelser och mätningar.

Från antika hästkapplöpningar till modern optimering

Metoden som undersöks i denna studie, kallad Tianjis hästkapplöpningsoptimering (THRO), bygger på en berömd berättelse där generalen Tianji vinner över en kung i en trematch genom att para ihop sina hästar strategiskt istället för att matcha starkast mot starkast. I den algoritmiska versionen behandlas kandidatlösningar för ett problem som hästar som tillhör två stall. Vid varje iteration rankas och paras dessa hästar på olika sätt — ibland svag mot stark, ibland stark mot stark — för att uppmuntra både bred utforskning och finjustering. Efter varje ”lopp” uppdaterar algoritmen hästarnas attribut och skjuter dem mot bättre prestanda samtidigt som en kontrollerad mängd slump insprutas. Detta dynamiska matches- och träningsschema är utformat för att undvika att fastna i dåliga lösningar samtidigt som det stadigt närmar sig den bästa parameteruppsättningen.

Sätta den nya metoden på prov

Författarna tillämpade THRO på sex välkända kommersiella PEMFC‑stackar, från små 250‑wattsenheter till större system som NedStack PS6 och Ballard Mark V. För varje stack var målet att justera sju modellparametrar så att modellens spänning noggrant följde experimentella spännings–ström‑data under olika förhållanden. THROs prestanda jämfördes med fem nyare metaheuristiska metoder med färgstarka namn som Flood Algorithm, Educational Competition Optimizer, Kepler Optimization Algorithm, Fata Morgana Algorithm och Spider Wasp Optimizer. Alla algoritmer gavs samma antal kandidatlösningar och iterationer, och varje test upprepades 30 gånger för att mäta tillförlitlighet. Över alla stackar levererade THRO konsekvent den lägsta summan av kvadrerade fel — vilket betyder bäst anpassning till verkliga data — och anmärkningsvärt nog varierade dess resultat bara marginellt mellan körningarna, vilket indikerar mycket stabil konvergens.

Vad siffrorna betyder för verkliga system

Förutom rena felpoäng granskade studien hur snabbt och smidigt algoritmerna konvergerade, hur känsliga de var för slumpmässiga startpunkter och hur väl de framtagna parametrarna fungerade under nya driftförhållanden. THRO matchade inte bara eller slog konkurrerande metoder i noggrannhet, den producerade också nästan identiska parameteruppsättningar i varje körning och klarade striktare statistiska signifikansprövningar. När den kalibrerade modellen användes för att förutsäga bränslecellens beteende vid andra gastryck och temperaturer fortsatte dess kurvor att överensstämma med experimentella mätningar, vilket visar god generaliseringsförmåga. Huvudavvägningen är att THRO kan ta något längre tid att beräkna än de allra snabbaste konkurrenterna, även om kostnaden för beräkning är rimlig för offline‑design och analys.

Varför detta är viktigt för omställningen till ren energi

För icke‑specialister är budskapet enkelt: bättre kalibrering av bränslecellmodeller leder till bättre konstruktion, styrning och hälsokontroll av vätessystem. Genom att pålitligt hitta parameteruppsättningar som får modeller att spegla verkligheten nära över olika kommersiella stackar och driftförhållanden erbjuder Tianjis hästkapplöpningsmetod ett kraftfullt nytt verktyg för ingenjörer. Även om metoden än så länge främst lämpar sig för offline‑användning, skulle förbättringar eller hybrider med snabbare metoder kunna göra den mer lämpad för realtidsapplikationer och hjälpa bränslecellstekniken att infria sitt löfte om ren och flexibel energi i den bredare övergången bort från fossila bränslen.

Citering: 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

Nyckelord: protonbytarmembranbränslecell, väteenergi, optimeringsalgoritm, modellkalibrering, förnybar el