Predicción de la producción de hidrógeno a partir de celdas electrolíticas de óxido sólido basada en métodos de aprendizaje automático ANN y SVM
Autores: Chen, Ke; Li, Youran; Chen, Jie; Li, Minyang; Song, Qing; Huang, Yushui; Wu, Xiaolong; Xu, Yuanwu; Li, Xi
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Predicción de la producción de hidrógeno a partir de celdas electrolíticas de óxido sólido basada en métodos de aprendizaje automático ANN y SVM
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Métodos de aprendizaje automático
Ciencia atmosférica
Producción de hidrógeno
Celdas electrolíticas de óxido sólido
Redes neuronales artificiales
Máquina de soporte vectorial
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 9
Citaciones: Sin citaciones
En los últimos años, la aplicación de métodos de aprendizaje automático se ha vuelto cada vez más común en la ciencia atmosférica, particularmente en la modelización y predicción de procesos que impactan la calidad del aire. Este estudio se centra en predecir la producción de hidrógeno a partir de celdas electrolíticas de óxido sólido (SOEC), una tecnología con un potencial significativo para reducir las emisiones de gases de efecto invernadero y mejorar la calidad del aire. Desarrollamos dos modelos utilizando redes neuronales artificiales (ANN) y máquinas de soporte vectorial (SVM) para predecir la producción de hidrógeno. Las variables de entrada son la corriente, el voltaje, el tiempo de retraso en la comunicación y la producción de hidrógeno medida en tiempo real, mientras que la variable de salida es la producción de hidrógeno en el siguiente tiempo de muestreo. Ambos modelos abordan el problema crítico de la histéresis de producción. Utilizando 50 horas de datos del sistema SOEC, evaluamos la efectividad de los métodos ANN y SVM, incorporando el tiempo de producción de hidrógeno como una variable de entrada. Los resultados muestran que el modelo ANN es superior al modelo SVM en términos de rendimiento de predicción de producción de hidrógeno. Específicamente, el modelo ANN muestra un fuerte rendimiento predictivo con un tiempo de retraso en la comunicación de 0.01-0.02 h, con RMSE = 2.59 x 10, MAPE = 33.34 x 10%, MAE = 1.70 x 10 Nm/h, y R = 99.76 x 10. Con un tiempo de retraso de 0.03 h, el modelo ANN produce RMSE = 2.74 x 10 Nm/h, MAPE = 34.43 x 10%, MAE = 1.73 x 10 Nm/h, y R = 99.73 x 10. Usando el modelo SVM, los valores de error de predicción con un tiempo de retraso de 0.01-0.02 h son RMSE = 2.70 x 10 Nm/h, MAPE = 44.01 x 10%, MAE = 2.24 x 10 Nm/h, y R = 99.74 x 10, mientras que con un tiempo de retraso de 0.03 h se convierten en RMSE = 2.67 x 10 Nm/h, MAPE = 43.44 x 10%, MAE = 2.11 x 10 Nm/h, y R = 99.75 x 10. Con esta precisión, el modelo ANN para la predicción de producción de hidrógeno SOEC tiene implicaciones positivas para las estrategias de control de la contaminación del aire y el desarrollo de tecnologías de energía más limpias, contribuyendo a mejoras generales en la calidad del aire y la reducción de contaminantes atmosféricos.
Descripción
En los últimos años, la aplicación de métodos de aprendizaje automático se ha vuelto cada vez más común en la ciencia atmosférica, particularmente en la modelización y predicción de procesos que impactan la calidad del aire. Este estudio se centra en predecir la producción de hidrógeno a partir de celdas electrolíticas de óxido sólido (SOEC), una tecnología con un potencial significativo para reducir las emisiones de gases de efecto invernadero y mejorar la calidad del aire. Desarrollamos dos modelos utilizando redes neuronales artificiales (ANN) y máquinas de soporte vectorial (SVM) para predecir la producción de hidrógeno. Las variables de entrada son la corriente, el voltaje, el tiempo de retraso en la comunicación y la producción de hidrógeno medida en tiempo real, mientras que la variable de salida es la producción de hidrógeno en el siguiente tiempo de muestreo. Ambos modelos abordan el problema crítico de la histéresis de producción. Utilizando 50 horas de datos del sistema SOEC, evaluamos la efectividad de los métodos ANN y SVM, incorporando el tiempo de producción de hidrógeno como una variable de entrada. Los resultados muestran que el modelo ANN es superior al modelo SVM en términos de rendimiento de predicción de producción de hidrógeno. Específicamente, el modelo ANN muestra un fuerte rendimiento predictivo con un tiempo de retraso en la comunicación de 0.01-0.02 h, con RMSE = 2.59 x 10, MAPE = 33.34 x 10%, MAE = 1.70 x 10 Nm/h, y R = 99.76 x 10. Con un tiempo de retraso de 0.03 h, el modelo ANN produce RMSE = 2.74 x 10 Nm/h, MAPE = 34.43 x 10%, MAE = 1.73 x 10 Nm/h, y R = 99.73 x 10. Usando el modelo SVM, los valores de error de predicción con un tiempo de retraso de 0.01-0.02 h son RMSE = 2.70 x 10 Nm/h, MAPE = 44.01 x 10%, MAE = 2.24 x 10 Nm/h, y R = 99.74 x 10, mientras que con un tiempo de retraso de 0.03 h se convierten en RMSE = 2.67 x 10 Nm/h, MAPE = 43.44 x 10%, MAE = 2.11 x 10 Nm/h, y R = 99.75 x 10. Con esta precisión, el modelo ANN para la predicción de producción de hidrógeno SOEC tiene implicaciones positivas para las estrategias de control de la contaminación del aire y el desarrollo de tecnologías de energía más limpias, contribuyendo a mejoras generales en la calidad del aire y la reducción de contaminantes atmosféricos.