تعیین اندازه اجزاء خودرو پیل سوختی با استفاده از شبکه عصبی مصنوعی

با تغییر صنعت خودرو به سمت راه‌حل‌های حمل و نقل پایدار و سازگار با محیط زیست،وسایل نقلیه پیل سوختی، به دلیل داشتن آلایندگی خودرویی صفر مورد توجه بسیار قرار گرفته‌اند. مقاله حاضر بر مدل‌سازی و کنترل وسیله نقلیه پیل سوختی با استفاده از یک استراتژی جدید تمرکز دارد که هدف آن بهبود عملکرد و بهینه‌سازی سامانه می‌باشد. برای رسیدن به این هدف، از شبکه عصبی مصنوعی برای توسعه یک مدل دقیق از سامانه، استفاده شده است. علاوه‌بر جنبه مدل‌سازی، مطالعه حاضر یک استراتژی اندازه‌گیری پیشگامانه برای سیستم کنترلی خودروی پیل سوختی را معرفی می‌کند، هدف این رویکرد جدید، بهینه‌سازی ظرفیت اجزاء خودرو از جمله مجموعه پیل سوختی و باتری برای مدیریت انرژی و بهبود عملکرد کلی خودرو می‌باشد. با ادغام این استراتژی اندازه‌گیری نوآورانه، راه حل کارآمدتر و قابل اطمینان‌تری ارائه شده است. نتایج شبیه‌سازی نشان داد، همان‌گونه که می‌توان عملکرد خودرو را با استفاده از نرم‌افزارهای مختلف شبیه‌سازی نمود با استفاده از شبکه عصبی نیز می‌توان این کار را به خوبی انجام داد، سرانجام با استفاده از استراتژی جدید ظرفیت دسته‌های پیل‌سوختی و باتری به‌ترتیب 40 کیلووات و 3.05 کیلووات-ساعت تعیین گردیده است. نتایج نشان دهنده‌ی‌ کاهش وزن کلی خودرو، کاهش مصرف سوخت، افزایش راندمان و عمر دسته‌های پیل‌سوختی می‌باشد. تحقیق حاضر نشان‌دهنده یک جهت امیدوار کننده برای توسعه خودروهای پیل سوختی، ارائه کارایی بیشتر، کاهش انتشار گاز گلخانه‌ای و افزایش پایداری است.

component sizing of fuel cell hybrid electric vehicle by means of artificial neural network

the shift in the automotive industry towards sustainable and environmentally friendly transportation solutions has brought fuel cell vehicles into the spotlight due to their zero emissions. this article focuses on the modeling and control of fuel cell vehicles using a novel strategy aimed at improving performance and system optimization. to achieve this goal, an artificial neural network has been used to develop an accurate model of the system. in addition to modeling, this study introduces an advanced measurement strategy for the control system of fuel cell vehicles. the objective of this new approach is to optimize the capacity of vehicle components, including the fuel cell stack and battery, for energy management and overall vehicle performance improvement. by integrating this innovative measurement strategy, a more efficient and reliable solution is presented. simulation results demonstrate that, just as vehicle performance can be simulated using various simulation software, it can also be effectively achieved using neural networks. ultimately, the new strategy determines the fuel cell stack and battery capacities as 40 kilowatts and 3.05 kilowatt-hours, respectively. the results show a reduction in the vehicle s overall weight, a decrease in fuel consumption, an increase in efficiency, and an extended lifespan for the fuel cell stacks. this research indicates a promising direction for the development of fuel cell vehicles, offering higher efficiency, reduced greenhouse gas emissions, and increased sustainability.