پيش‌بيني عملكرد پيل‌سوختي پليمري پلكاني با استفاده از روش شبكه عصبي مصنوعي

Performance prediction of cascade-type PEM fuel cell stack using artificial neural network method

دز اين مقاله، مدل ديناميكي جعبه سياه سري پيل‌سوختي پليمري پلكاني ارائه شده است. براي ساخت مدل غيرخطي تجربي سري پيل‌سوختي پلكاني كه عملكرد آن با هيدروژن و اكسيژن مي‌باشد، شبكه عصبي مصنوعي بكار گرفته شده است. سري پيل‌سوختي براي كاهش مصرف گازهاي واكنشگر به دو پلكان تقسيم گرديده است. همچنين سري مورد نظر با رطوبت‌زن و جداساز آب يكپارچه شده است و هر دو سمت آند و كاتد سري در شرايط انتهابسته مي‌باشد. تخليه تناوبي براي خارج نمودن آب توليدي در هر دو سمت سري مورد استفاده قرار گرفته است. آزمايشات شناسايي با استفاده از سري پيل‌سوختي پليمري 400 وات كه شامل 4 سل با سطح فعال 225 سانتيمتر مربع مي‌باشد بدست آمده است. ورودي‌هاي مدل جعبه سياه زمان، فشار ورودي گازهاي واكنشگر، جريان سري و زمان بسته شدن شير تخليه مي‌باشد و ولتاژ سري به عنوان خروجي محسوب مي‌شود. شبكه عصبي با بخشي از داده‌هاي آزمايشگاهي آموزش داده مي‌شود و مدل آموزش داده شده با مابقي داده‌ها صحت‌ستجي مي‌گردد. نتايج بدست‌آمده تطابق خوب مدل جعبه سياه پيشنهادي و داده‌هاي آزمايشگاهي را نشان مي‌دهد.

In this paper, a black-box dynamic model of a cascade-type polymer electrolyte membrane (PEM) fuel cell stack is presented. Artificial neural network (ANN) is employed to build the nonlinear empirical model for a cascade-type PEM fuel cell stack operating on pure hydrogen and oxygen. The stack is subdivided into two stages to minimize the quantity of exhaust gases during operation. The PEM fuel cell stack is integrated with humidifiers and water separators, and both anode and cathode sides of the stack operate in a dead-end mode. Periodical purging is applied to remove produced water of both sides of the stack. Identification experiments are carried out by using a 400 W PEM fuel cell stack consisting of 4 cells with a 225 cm2 membrane. The inputs of this black-box model are inlet reactant gases pressures, stack current and purge interval time, and the model output is stack voltage. The ANN is trained with a set of experimental data, and the trained model is then validated with an independent set of data. The obtained results indicate good agreement between the proposed black-box ANN model and experimental data.