Procedury uczenia sztucznych sieci neuronowych modelu węglanowego ogniwa paliwowego

• Autorzy: Milewski J. , Wołowicz M. , Szabłowski Ł. , Miller A.

Warianty tytułu

EN

Learning processes of molten carbonate fuel cell model based on artificial neural networks

• Języki publikacji: PL

Abstrakty

PL

Praca zwiera wyniki przeprowadzonych procesów nauczania czterech modeli węglanowego ogniwa paliwowego opartych o sztuczne sieci neuronowe. Przeprowadzono analizę wariantową wielu sieci neuronowych. Przebadane modele dotyczą różnych wybranych zagadnień, od prostego modelowania wyłącznie wpływu temperatury, po kompletny model o 15 parametrach wejściowych. Do obliczeń sztucznych sieci neuronowych wykorzystano komercyjnie dostępne narzędzie MATLAB. Uzyskano różne konfiguracje sieci, przeważnie były to sieci z jedną warstwą ukrytą. Średni błąd z jakim modele odwzorowują pracę rzeczywistego ogniwa zawiera się w przedziale 2,4...4,6%. Dane doświadczalne wykorzystane do procesów nauczania sztucznych sieci neuronowych zostały uzyskane w wyniku przeprowadzonych badań eksperymentalnych na pojedynczych węglanowych ogniwach paliwowych o różnych powierzchniach: 20,5 cm2 i 100 cm2. Doświadczenia były prowadzone na w pełni zautomatyzowanym stanowisku doświadczalnym. Do przeprowadzenia analizy wykorzystano ponad 1200 różnych punktów doświadczalnych.

EN

The work contains the results of the learning processes of four carbonate fuel cell models based on artificial neural networks. The variant analysis of some neural networks was made. Analyzed models involve different, selected issues, from simple modeling of the effect of temperature only after a complete model of 15 input parameters. For artificial neural networks calculations the commercial software MATLAB was used. Obtained a variety of network configurations, were mostly network with one hidden layer. The average error model image with which the actual work cell is in the range 2,4 ... 4,6%. The experimental data that were used for learning processes of artificial neural networks were obtained from own experiments provided on single molten carbonate fuel cells with the area of 20,5 cm2 and 100 cm2. The experiments were made on fully automatic test bench. For the analysis, over 1200 different experimental points were taken under consideration.

Słowa kluczowe

PL

ogniwa paliwowe; MCFC; sztuczne sieci neuronowe

EN

fuel cells; MCFC; artificial neural networks

• Wydawca: KAPRINT
• Czasopismo: Rynek Energii
• Rocznik: 2015
• Tom: Nr 2
• Strony: 99--106
• Opis fizyczny: Bibliogr. 19 poz., rys., tab.

Twórcy

autor

Milewski J.

• Wydział Mechaniczny Energetyki i Lotnictwa Politechniki Warszawskiej

autor

Wołowicz M.

• Wydział Mechaniczny Energetyki i Lotnictwa Politechniki Warszawskiej

autor

Szabłowski Ł.

• Wydział Mechaniczny Energetyki i Lotnictwa Politechniki Warszawskiej

autor

Miller A.

• Wydział Mechaniczny Energetyki i Lotnictwa Politechniki Warszawskiej

Bibliografia

• [1] Mehdi Amirinejad and Naser Tavajohi-Hasankiadeh and Sayed Siavash Madaeni and Maria Assunta Navarra and Ezzat Rafiee and Bruno Scrosati. Adaptive neuro-fuzzy inference system and artificial neural network modeling of proton exchange membrane fuel cells based on nanocomposite and recast Nafion membranes. International Journal of Energy Research, 37(4):347-357, 2013.
• [2] Jaime Arriagada and Pernilla Olausson and Azra Selimovic. Artificial neural network simulator for SOFC performance prediction. Journal of Power Source, 112:54-60, 2002.
• [3] Yamini Sarada Bhagavatula and Maruthi T. Bhagavatula and K. S. Dhathathreyan. Application of artificial neural network in performance prediction of PEM fuel cell. International Journal of Energy Research, 36(13):1215-1225, 2012.
• [4] S. Bozorgmehri and M. Hamedi. Modeling and Optimization of Anode-Supported Solid Oxide Fuel Cells on Cell Parameters via Artificial Neural Network and Genetic Algorithm. Fuel Cells, 12(1):11-23, 2012.
• [5] A. U. Chavez and S. M. Duron and L. G. Arriaga and R. Munoz. Dynamic model of a high power PEM fuel cell system on the basis of artificial neural networks. 6th International Conference on Electrical Engineering, Computing Science and Automatic Control (CCE 2009), pages 1-7, 2009.
• [6] H. Demuth and M. Beale and M. Hagan. Neural Network Toolbox™ 6 User’s Guide Matlab®. Technical report.
• [7] Evgueniy Entchev and Libing Yang. Application of adaptive neuro-fuzzy inference system techniques and artificial neural networks to predict solid oxide fuel cell performance in residential microgeneration installation. Journal of Power Sources, 170:122-129, 2007.
• [8] F.D. Foresee and M.T. Hagan. Gauss-Newton approximation to Bayesian regularization. Proceedings of the 1997 International Joint Conference on Neural Networks, 1997.
• [9] Lewandowski, J. and Milewski, J. Strategiczny Program Badawczy - Zaawansowane Technologie Pozyskiwania Energii, Opracowanie technologii dla wysokosprawnych „ zeroemisyjnych” bloków węglowych zintegrowanych z wychwytem CO ze spalin. Technical report, Warsaw University of Technology, 2011.
• [10] J Milewski and M Santarelli and K Swirski. Modelling of solid oxide fuel cell behaviour by artificial neural network. Fundamentals and Development in Fuel Cells, Grenoble, France, 2008.
• [11] J Milewski and K Świrski and M Santarelli and P Leone. Modelling of fuel composition influences on solid oxide fuel cell performance by artificial neural network. Archives of Thermodynamics, 30:13-24, 2009.
• [12] J. Milewski and K. Świrski. Artificial neural network as SOFC model. Rynek Energii, 95(4), 2012.
• [13] Jaroslaw Milewski and Konrad Swirski. ANN-based model for calculating the flow composition influence of Solid Oxide Fuel Cell. Journal of Fuel Cell Science and Technology, 2013.
• [14] Jaroslaw Milewski and Konrad Swirski. Hybrid - Artificial neural network as solid oxide fuel cell model. Hydrogen + Fuel Cells, pages A00179, 2009.
• [15] Jaroslaw Milewski and Konrad Swirski. Modeling Constructional Parameters of A Solid Oxide Fuel Cell by Using an Artificial Neural Network. Applied Mechanics and Materials, 343:69--75, 2013.
• [16] Jarosław Milewski and Konrad Świrski. Modelling the SOFC behaviours by artificial neural network. International Journal of Hydrogen Energy, 34(13):5546-5553, 2009.
• [17] Jarosław Milewski and Konrad Świrski and Massimo Santarelli and Pierluigi Leone. Advanced methods of solid oxide fuel cell modeling. Springer-Verlag, London, 2011.
• [18] Lukasz Szabłowski and Jarosław Milewski and Jerzy Kuta. Wykorzystanie sztucznej sieci neuronowej do przewidywania zapotrzebowania na moc elektryczną. Rynek Energii, 104(1):26-31, 2013.
• [19] Hao Yu and B. M. Wilamowski. Industrial Electronics Handbook, volume 5-Intelligent Systems, chapter 12 Levenberg-Marquardt Training, pages 12-1 to 12-15. CRC Press, 2nd edition, 2011.