要旨

燃料電池スタックの各制御パラメータを考慮したスタック出力予測モデルは，実車相当のシステムにて各補器の制御を最適化設計する上で不可欠である．しかしながら，スタック出力を定量的に予測するモデルの構築には燃料電池内部の材料や構造に関する多くのデータを要する上に，内部の現象も複雑なため大規模なモデル化が必要となる．本研究では実験計画法の一つである空間充填法を用いて，効率的にデータを取得した．取得したデータをもとにガウス過程回帰を用いることで，スタック性能およびスタック各部の温度や圧力を短い計算時間で予測できるモデルを作成した．さらにこのモデルを使ってスタック出力の最大化する運転条件を計算で求め，試験によって検証することで，限られた試験データからスタックの性能検討に使える出力予測モデルが得られることを明らかにした．

参考文献

1. （１） https://www.meti.go.jp/committee/kenkyukai/energy/suiso_nenryodenchi/pdf/001_04_00.pdf
2. （２） https://fccj.jp/pdf/2020-PEFC-1.pdf
3. （３） https://www.nedo.go.jp/content/100871976.pdf
4. （４） Wu, H.-W.: A review of recent development: Transport and performance modeling of PEM fuel cells, Applied Energy, Vol. 165, p. 81-106, (2016)
5. （５） Siegel, C.: Review of computational heat and mass transfer modeling in polymer-electrolyte-membrane (PEM) fuel cells, Energy, Vol. 33, Issue 9, p. 1331-1352, (2008)
6. （６） Salva, J. A., Iranzo, A., Rosa, F., Tapia, E.: Validation of cell voltage and water content in a PEM (polymer electrolyte membrane) fuel cell model using neutron imaging for different operating conditions, Energy, Vol. 101, p. 100-112, (2016)
7. （７） Wang, Y., Seo, B., Wang, B., Zamel, N., Jiao, K., Adroher, X. C.: Fundamentals, materials, and machine learning of polymer electrolyte membrane fuel cell technology, Energy and AI, Vol. 1, 100014, (2020)
8. （８） Nanadegani, F. S., Lay, E. N., Iranzo, A., Salva, J. A., Sunden, B.: On neural network modeling to maximize the power output of PEMFCs, Electrochimica Acta, Vol. 348, p. 136345, (2020)
9. （９） Han, I.-S., Chung, C.-B.: Performance prediction and analysis of a PEM fuel cell operating on pure oxygen using data-driven models: A comparison of artificial neural network and support vector machine, Int. J. Hydrogen Energy, Vol. 41, Issue 24, p. 10202-10211, (2016)
10. （10） Rasmussen, C. E.: Gaussian Processes in Machine Learning, Advanced Lectures on Machine Learning, p. 63-71, (2003)
11. （11） Santiago, J., Claeys-Bruno, M., Sergent, M.: Construction of space-filling designs using WSP algorithm for high dimensional spaces, Chemometrics and Intelligent Laboratory Systems, Vol. 113, p. 26-31, (2012)
12. （12） Ebadighajari, A., DeVaal, J., Golnaraghi, F.: Optimal control of fuel overpressure in a polymer electrolyte membrane fuel cell with hydrogen transfer leak during load change, Journal of Power Sources, Vol. 340, p. 247-257, (2017)
13. （13） Kruse, T., Ulmer, H., Kreuzinger, T., Lang, T.: HiLシステムと計測データに基づくモデルを使用したコントロールユニットの適合，計測と制御，第53巻，第８号，p. 752-757, (2014)
14. （14） Esteves, A., Kawamoto, A. M., Pelisser, A., Carmelutti, D.: Automated in-vehicle engine calibration to optimize emissions levels using machine learning, SIMEA 2021, (2021)
15. （15） https://www.etas.com/download-center-files/products_ASCMO/etas-ascmo-static-v5.9-user-guide-r01-en-202205.pdf
16. （16） https://www.jstage.jst.go.jp/article/ieejpes1990/120/6/120_6_885/_pdf
17. （17） Rasmussen, C. E., Williams, C. K. I.: Gaussian Processes for Machine Learning, The MIT Press, (2005)
18. （18） 森田浩：よくわかる最新実験計画法の基本と仕組み，秀和システム，281 p., (2019)

著者(所属)

• 小林 諒（先進パワーユニット・エネルギー研究所）
• 古澤 宏一朗（先進パワーユニット・エネルギー研究所）
• 梅澤 健輔（先進パワーユニット・エネルギー研究所）

掲載情報

Honda R&D Technical Review　Vol.35 収録 (84 - 89)

論文PDF

引用情報