Artificial neural network as SOFC model

• Autorzy: Milewski J. , Świrski K.

Warianty tytułu

PL

Sztuczna sieć neuronowa jako model ogniwa paliwowego SOFC

• Języki publikacji: EN

Abstrakty

EN

The Artificial Neural Network (ANN) can be applied to simulate an object's behaviour without an algorithmic solution merely by utilizing available experimental data. The ANN is used for modelling singular cell behaviour. The optimal network architecture is shown and commented. The error backpropagation algorithm was used for an ANN training procedure. The ANN based SOFC model has the following input parameters: current density, temperature, fuel volume flow density (ml/min/cm2), and oxidant volume flow density. Based on these input parameters, cell voltage is predicted by the model. Obtained results show that the ANN can be successfully used for modelling the singular solid oxide fuel cell. The self-learning process of the ANN provides an opportunity to adapt the model to new situations (e.g. certain types of impurities at inlet streams etc.). Based on the results from this study it can be concluded that, by using the ANN, an SOFC can be modelled with relatively high accuracy. In contrast to traditional models, the ANN is able to predict cell voltage without knowledge of numerous physical, chemical, and electrochemical factors.

PL

Obecnie jest stosowanych wiele sposobów na opisanie zjawisk zachodzących w pojedynczym tlenkowym ogniwie paliwowym (ang. Solid Oxide Fuel Cell - SOFC). Modelowanie to jest związane z interdyscy-plinarnym podejściem do zagadnienia, w którym należy opisać procesy zachodzące na powierzchniach elektrod. Na procesy te ma wpływ wymiana ciepła wraz z reakcjami elektrochemicznymi, czy też wymiana masy pomiędzy obiema stronami ogniwa. Modele ogniwa, które można znaleźć w dostępnej literaturze opierają się głównie na opisie matematycznym tych fizycznych, chemicznych i elektrochemicznych procesów. Najczęściej stosowany model ogniwa, opiera się głównie na aproksymacji krzywej prądowo-napięciowej poprzez odejmowanie od napięcia określonego równaniem Nernsta kolejnych strat: aktywacji, ohmowskich i koncentracji. Podejście takie skutkuje dobrym odzwierciedleniem danych doświadczalnych dla których były wyznaczone odpowiednie współczynniki, oraz bardzo słabym dla innych danych. Dodatkowo, stosowane zależności te wymagają znajomości bardzo wielu (do sześciu) empirycznych parametrów, które są często bardzo trudne do określenia. Na parametry ogniwa paliwowego wpływa bardzo wiele czynników, takich jak: rodzaj materiału elektrolitu, grubość elektrolitu, grubość i porowatości elektrod, temperatura pracy, ciśnienie, składy i parametry przepływowe dostarczanych do ogniwa gazów; część z tych parametrów potrafi się zmieniać podczas eksploatacji ogniwa. Sztuczne sieci neuronowe (SSN) mogą służyć do modelowania zachowania się obiektu bez znajomości zależności funkcyjnych pomiędzy poszczególnymi parametrami wejściowymi, a jedynie dla znanych danych doświadczalnych.

Słowa kluczowe

EN

solid oxide fuel cell; artificial neural network

PL

sztuczne sieci neuronowe; ogniwa paliwowe SOFC

• Wydawca: KAPRINT
• Czasopismo: Rynek Energii
• Rocznik: 2011
• Tom: nr 4
• Strony: 134--140
• Opis fizyczny: Bibliogr. 12 poz., fig., tab.

Twórcy

autor

Milewski J.

autor

Świrski K.

• Wydział Mechaniczny Energetyki i Lotnictwa Politechniki Warszawskiej,

Bibliografia

• [1] Zhao, F. and A. Virkar: Dependence of polarization in anode-supported solid oxide fuel cells on various cell parameters. Journal of Power Sources, 2005. 141(1): p. 79-95.
• [2] Demuth, H., M. Beale, and M. Hagan: Natural Network Toolbox™ 6 User’s Guide Matlab®.
• [3] Jiang, Y. and A.V. Virkar: Fuel composition and diluent effect on gas transport and performance of anode-supported SOFCs. Journal of The Electrochemistry Society, 2003. 150(7): p. A942-A951.
• [4] Budzianowski, W.M.: Role of catalytic technologies in combustion of gaseous fuels. Rynek Energii, 2009. 82(3): p. 59-63.
• [5] Arriagada, J., P. Olausson, and A. Selimovic: Journal of Power Sources, 2002. 112: p. 54--60.
• [6] Jurado, F.: Journal of Power Sources, 2003. 117: p. 75--83.
• [7] Huo, H.-B., et al.: Nonlinear dynamic modeling for a SOFC stack by using a Hammerstein model. Journal of Power Sources, 2008. 175(1): p. 441-446.
• [8] Wu, X.J., et al.: Zhejiang University Press, 2007. 8: p. 1505--1509.
• [9] Wu, X.J., et al.: Journal of Power Sources, 2007. 167: p. 145--150.
• [10] Entchev, E. and L. Yang: Journal of Power Sources, 2007. 170: p. 122--129.
• [11] Foresee, F.D. and M.T. Hagan: in The International Joint Conference On Neural Networks. 1997.
• [12] Virkar, A. and L. Wilson: Low-Temperature, Anode-Supported High Power Density Solid Oxide Fuel Cells with Nanostructured Electrodes, in Fuel Cell Annual Report. 2003, Department of Energy USA.