Utvärdering av en modifierad Coronavirus Disease Optimization Algorithm för parameteruppskattning av protonbytarmembranbränsleceller

Smarare kraft för en renare framtid

När världen söker renare sätt att driva bilar, hem och prylar utmärker sig bränsleceller eftersom de omvandlar väte till elektricitet med låg ljudnivå och nästan ingen lokal förorening. Men för att få ut det mesta av dessa enheter krävs kunskap om ett fåtal dolda parametrar i varje bränslecell. Denna studie presenterar en ny smart sökmetod som kan avslöja dessa dolda inställningar mer exakt och snabbare, vilket hjälper ingenjörer att designa effektivare system och lägger grunden för bättre digitala tvillingar och styrning av bränslecellsdrivna fordon.

Varför bränsleceller behöver noggrann inställning

Protonbytarmembranbränsleceller, eller PEM-bränsleceller, är lovande för allt från stationära kraftverk till bärbara datorer och elbilar. Inuti varje cell samverkar kemiska reaktioner, värme, vatten och elektricitet på komplexa sätt. Tillverkare publicerar sällan alla detaljerade parametrar som beskriver detta beteende, såsom hur snabbt reaktioner initieras, hur mycket spänningsförluster som sker i membranet eller hur gaser sprids genom cellen. Dessa värden är emellertid avgörande för att förutsäga hur en cell kommer att prestera under olika belastningar och temperaturer, att upptäcka fel i ett tidigt skede och att utforma regulatorer som håller systemet effektivt och säkert. Att bestämma dem kräver att man justerar en modell om och om igen tills dess spännings–ström-kurva överensstämmer med verkliga mätningar så nära som möjligt.

Naturinspirerad sökning för bättre svar

Eftersom sökutrymmet för dessa dolda parametrar är stort och krokigt, förlitar sig forskare ofta på metaheuristiska algoritmer som efterliknar naturprocesser som djurhjordar, rovdjursjakt eller fysiska fenomen som isbildning. Under de senaste åren har många sådana metoder testats på bränslecellmodeller, inklusive varianter av differential evolution, valross- och kanin-inspirerade optimerare, myrkolonismetoder och till och med förstärkningsinlärning. Dessa angreppssätt syftar till att minimera avvikelsen mellan uppmätta och simulerade spänningar, vanligtvis uttryckt som summan av kvadrerade fel. Även om flera kan nå bra lösningar, har de ofta svårt att balansera bred utforskning av möjligheter med fokuserad förbättring, vilket riskerar långsam framsteg eller att fastna i lokala optima.

En minnesbaserad twist på en virusinspirerad metod

Författarna bygger vidare på en nyligen föreslagen algoritm kallad Coronavirus Disease Optimization Algorithm, som imiterar hur ett virus tränger in i celler, replikerar och muterar. I sin ursprungliga form utforskar denna metod väl men tenderar att vandra utan stark styrning från de bästa lösningar som hittats hittills. Den nya versionen, kallad memory based COVIDOA, lägger till två idéer. För det första behåller den ett minne av elitkandidater och låter dem styra resten av populationen, vilket gradvis skiftar från bred utforskning tidigt till finjustering kring de starkaste lösningarna senare. För det andra introducerar den en slumpmässig utforskningsstrategi som kan skaka loss systemet ur fällor när alla kandidater börjar likna varandra för mycket. Tillsammans är dessa förändringar avsedda att förbättra både hastighet och noggrannhet samtidigt som mångfalden i sökningen bevaras.

Hur väl den nya metoden presterar

Innan de gav sig på bränsleceller testade teamet den minnesbaserade algoritmen på en standarduppsättning av 12 tuffa matematiska testproblem och jämförde den med den ursprungliga COVIDOA och fyra andra populära optimerare. I större delen av dessa tester gav den nya metoden lägre målfunktionvärden, mindre variation mellan körningar och snabbare konvergens. Statistiska kontroller bekräftade att dessa förbättringar inte berodde på slumpen. Forskarna tillämpade sedan metoden på en verklig PEM-bränslecellstack känd som NedStack PS6, där sex nyckelparametrar i en vanligt använd semiemperisk modell behövde identifieras inom realistiska gränser. Målet var att matcha en uppmätt spännings–ström-kurva genom att minimera summan av kvadrerade fel mellan förutsagda och observerade spänningar över 30 oberoende körningar för varje algoritm.

Resultat för verkliga bränslecellsdata

På NedStack PS6-data uppnådde den minnesbaserade metoden det lägsta felvärdet, något bättre än de bästa konkurrerande metoderna, och gjorde det med mindre spridning mellan körningarna. Dess anpassade parametrar gav spänningsprediktioner som följde de uppmätta värdena nära över ett brett strömområde. Konvergensgrafer visade att medan andra algoritmer så småningom kunde närma sig bra lösningar, tenderade den nya metoden oftare att landa i ett högkvalitativt område tidigare, vilket är viktigt för realtids- eller inbäddade tillämpningar med begränsad beräkningskapacitet. Boxplots och robusthetskurvor förstärkte denna bild och visade både högre tillförlitlighet och mer konsekvent beteende från körning till körning jämfört med de andra svärm- och virusinspirerade metoderna.

Vad detta betyder för rena energisystem

Enkelt uttryckt visar studien att en smartare, minnesstödd version av en virusinspirerad sökstrategi kan fastställa de dolda inställningarna i en bränslecellmodell mer exakt och mer pålitligt än flera etablerade konkurrenter. Med bättre modeller i handen kan ingenjörer bygga digitala tvillingar som speglar verkliga bränsleceller i mjukvara, vilket gör det möjligt att testa nya styrstrategier, förutsäga prestanda och upptäcka problem utan att riskera hårdvara. Även om detta arbete fokuserade på en specifik bränslecellstack är tillvägagångssättet generellt och kan tillämpas på andra rena energienheter och komplexa system där viktiga parametrar är svåra att mäta direkt.

Citering: 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

Nyckelord: protonbytarmembranbränslecell, parameteruppskattning, metaheuristisk optimering, digital tvilling, rena energisystem