科研成果 - 吴 震
论文标题 | Towards online optimisation of solid oxide fuel cell performance: combining deep learning with multi-physics simulation |
作者 | Haoran Xu#, Jingbo Ma#, Peng Tan, Zhen Wu, Meng Ni* et al. |
发表/完成日期 | 2020-04-01 |
期刊名称 | Energy and AI |
期卷 | |
相关文章 | |
论文简介 | 这篇章开发了一个混合模型,用于单个SOFC的在线分析。该模型将多物理仿真(MPS)和深度学习(DL)相结合,克服了基于模型控制系统的多物理场仿真的复杂性,节省了用于深度神经网络(DNN)训练的数据库(与实验相比)的构建成本。最大温度梯度和产热是SOFC安全、高效运行的两个目标参数。结果表明,经过训练的人工智能算法可以得到精确的预测结果,MPS与人工智能模型之间的相对误差小于1%。此外,在线优化是实现使用遗传算法(GA)在温度梯度和操作条件的限制下实现最大功率密度。该方法也可作为预测和优化其它非线性动态系统的有效工具。 |