.png){kind=icon}
返回
Solid Oxide Fuel Cell Voltage Prediction by a Data-Driven Approach
.png){kind=icon}
OA
AI
DOI：10.3390/en18092174.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
固体氧化物燃料电池（SOFC）是一种电化学能量转换装置，其热电效率高于传统热电联产系统。该领域当前的研究突出了多种数学模型。这些模型基于复杂的物理化学和电化学反应，能够实现燃料电池的精确模拟和最优控制。然而，这些模型需要大量的计算资源，导致处理时间较长。白盒和灰盒模型无法实现控制参数的实时优化。一种潜在的解决方案是使用数据驱动的机器学习（ML）黑盒模型。本研究考察了三种ML模型：人工神经网络（ANN）、随机森林（RF）和极端梯度提升（XGB）。训练数据集由SOFC实验室实验的实验结果组成，包含32,843条记录和47个控制参数。研究评估了以下特征重要性评价方法在输入矩阵维度降低中的有效性：不纯度平均下降（MDI）、排列重要性（PI）、主成分分析（PCA）和谢尔利加性解释（SHAP）。机器学习模型的应用揭示了SOFC输出电压与系统控制参数之间的复杂非线性关系。默认的XGB模型在准确率（MSE = 0.9940）和训练速度（tau = 0.173 s/it）之间达到了最佳平衡，其性能能力能够在系统运行期间实时提升SOFC的热电特性。
Keyword:
solid oxide fuel cell (SOFC)
machine learning
voltage prediction
feature-importance analysis
期刊
IF:
3.2
论文数:
1.6W
被引数:
14.2W
机构
引用论文
Modeling of Nonlinear SOEC Parameter System Based on Data-Driven Method基于数据驱动方法的非线性SOEC参数系统建模.png)
AtmosphereOAAI
AtmosphereIF0
OAAI分享收藏Artificial intelligence for solid oxide fuel cells: Combining automated high accuracy artificial neural network model generation and genetic algorithm for time-efficient performance prediction and optimization固体氧化物燃料电池的人工智能: 结合自动高精度人工神经网络模型生成和遗传算法进行高效的性能预测和优化
OAAI
OAAI分享收藏Designing AI-Aided Analysis and Prediction Models for Nonprecious Metal Electrocatalyst-Based Proton-Exchange Membrane Fuel Cells基于非贵金属电催化剂的质子交换膜燃料电池的AI辅助分析和预测模型设计
PREAI
分享收藏Short-term hybrid prognostics of fuel cells: A comparative and improvement studyRENEWABLE ENERGY
RENEWABLE ENERGYIF9.1
PREAI
分享收藏Prediction Study of Solid Oxide Fuel Cell Performance Degradation Using Data-Driven Approaches基于数据驱动的固体氧化物燃料电池性能退化预测研究ENERGY TECHNOLOGYOAAI
ENERGY TECHNOLOGYIF3.6
OAAI分享收藏Performance optimization of fuel cell hybrid power robot based on power demand prediction and model evaluationAPPLIED ENERGY
APPLIED ENERGYIF11
PREAI
分享收藏
查看更多内容