به‌کارگیری دینامیک سیالات محاسباتی و یادگیری ماشین در پیش‌بینی عملکرد پیل سوختی اکسید جامد لوله‌ای با سوخت آمونیاک

در این پژوهش، یک پیل سوختی اکسید جامد با سوخت آمونیاک و دمای کاری متوسط، به‌وسیله دینامیک سیالات محاسباتی و یادگیری ماشین، شبیه‌سازی شده و تحت ارزیابی عملکرد قرار گرفته است. نخست، هندسه مساله به صورت متقارن محوری شبیه‌سازی شده و معادلات شامل بقای جرم، ممنتوم، گونه‌ها، انرژی و بار الکتریکی، با استفاده از یک برنامه عددی المان محدود، تعریف، جفت و حل می‌گردد. سپس برای بررسی الگوریتم یادگیری ماشین، عبارت‌های چگالی توان و دمای بیشینه، به‌عنوان توابع هدف و عبارت‌های دمای ورودی، تخلخل الکترودها و سرعت جریان‌های سوخت و هوا به‌عنوان متغیرهای اثرگذار انتخاب می‌شوند. پس از ایجاد داده‌های کافی با ششصد و یک بار تکرار حل عددی در حالت‌های مختلف عبارت‌های ورودی، فرآیند یادگیری ماشین با استفاده هشتاد و پنج درصد داده‌ها برروی ساختارهای گوناگون الگوریتم شبکه عصبی عمیق آغاز می‌گردد. نتایج نشان می‌دهد که در ساختار بهینه الگوریتم، عملکرد ماشین در پیش بینی توابع هدف، مناسب و قابل قبول می‌باشد. براین اساس، r2 ماشین در پیش بینی توابع دمای بیشینه و چگالی توان، به‌ترتیب 0/99 و 0/98 می‌باشند.

application of computational fluid dynamics and machine learning in predicting performance of tubular solid oxide fuel cell ammonia fuelled

in this research, an ammonia fuelled intermediate temperature solid oxide fuel cell (it-sofc) has been simulated and performance evaluated by computational fluid dynamics and machine learning. first, the geometry of the problem is modeled in an axisymmetric manner and the equations including conservation of mass, momentum, species, energy and electric charge are defined, coupled and solved using a finite element numerical code. then, to check the machine learning algorithm, terms of power density and maximum temperature are selected as objective functions and terms of input temperature, porosity of electrodes and velocity of fuel and air flows are selected as influencing variables. after generating the adequate data by repeating the numerical solution six hundred and one times in different cases of the input parameters, the machine learning process begins by using eighty five percent of the data on the different structures of the deep neural network algorithm. ultimately, the results show that in the optimal structure of the algorithm, the performance of the machine in predicting the objective functions is appropriate and acceptable. therefore, r2 of the machine in predicting the maximum temperature and power density functions are 0.99 and 0.98, respectively.