Loading...

Experimental Modeling of a Transparent Fuel Cell with Aid of Deep Neural Network to Measure Water Coverage Ratio and Fuzzy Control

Mehnatkesh Ghadikolaei, Hossein | 2020

500 Viewed
  1. Type of Document: M.Sc. Thesis
  2. Language: Farsi
  3. Document No: 53570 (08)
  4. University: Sharif University of Technology
  5. Department: Mechanical Engineering
  6. Advisor(s): Alasty, Aria; Kermani, Mohammad Jafar; Boroushaki, Mehrdad
  7. Abstract:
  8. Polymer membrane fuel cell is a rich source of renewable energy. Two problems of short life and low reliability in fuel cells are the main problems of this system. The difference in partial pressure of hydrogen and oxygen causes serious damage to the fuel cell and inefficiency of the electricity production capacity. On the other hand, the life and optimal performance of the fuel cell depends on the moisture content of the membrane because the membrane needs sufficient moisture to pass ions. Transparent fuel cells can be used to study the water in the fuel cell. With direct imaging of this type of fuel cells, the phenomenon of water creation in the fuel cell can be studied with the help of image processing, but this method has a high computational cost and is sensitive to the initial position of the camera and ambient light. In this research, in order to reduce the difference between the partial pressure of hydrogen and oxygen, mathematical modeling of the fifth order of polymer membrane fuel cells will be performed and then we will control this mathematical model with the help of different controllers. Due to the qualitative nature of the processes in the fuel cell, a fuzzy controller has been used to control the model. Finally, we optimize the fuzzy PID controller using the particle swarm optimization method, which shows a 78.66% improvement in reducing the largest partial pressure difference compared to Ziegler-Nichols method. One of the most important parameters in the life time of the fuel cell is the presence of water in it. The water coverage ratio in the fuel cell was investigated by a deep neural network using real data from a transparent fuel cell. For the production of image labels, all data is divided into 6 classes based on the percentage of water coverage ratio, which the number of data in each class is unbalanced. To overcome this problem, random oversampling and undersampling have been used. Images and classes are considered as the input and output of the deep neural network, respectively. The deep network structure used has 4 convolution layers and 2 fully connected layers, which with the help of genetic algorithm optimization, the number of nodes has been obtained 4, 41, 64, 120, 99 and 6, respectively. After network training, the deep neural network model is able to estimate the amount of water in the fuel cell channels by receiving fuel cell images. Accuracy of 96.77% and 94.23% was obtained in training and testing data. In addition, this network is 10 times faster than the image processing method, and the area of water accumulation in the gas channel can be identified by robustness to environmental conditions
  9. Keywords:
  10. Proton Exchange Membrane (PEM)Fuel Cell ; Deep Neural Networks ; Intelligent Optimization ; Fuzzy Control ; Mathematical Modeling ; Drying ; Flooding

 Digital Object List

 Bookmark

  • فصل 1: مقدمه
    • 1-1- مقدمه
    • 1-2- پیل سوختی
      • شکل (1-1) سمت چپ: آقای ولیام گروو. سمت راست: آزمایش طراحی‌شده توسط آقای ولیام گروو توسط ۴ سلول پیل سوختی [1]
    • 1-3- تصاویر پیل سوختی شفاف
    • 1-4- اهميت موضوع و تعریف مسئله
    • 1-5- اهداف پژوهش و نوآوری
    • 1-6- مروری بر فصل‌های پایان‌نامه
  • فصل 2: مفاهیم پایه
    • 2-1- مقدمه
    • 2-2- پیل سوختی
      • شکل (2-1) شماتیک یک سلول پیل سوختی [1]
    • 2-3- بخش‌های پیل سوختی
      • شکل (2-2) بخش‌های هر سلول پیل سوختی [1]
      • 2-3-2- مجموعه غشا-الکترود
        • شکل (2-3) نمونه‌ای از مونتاژ غشا-الکترود. غشاء کمی بیشتر از الکترودهای متصل شده است. غشاء 10 سانتی متر مربع به طور معمول ضخامت 05/0-1/0 میلی متر، ضخامت الکترودها در حدود 03/0 میلی متر و ضخامت لایه‌های نفوذ گاز بین 2/0 تا 5/0 میلی متر است [1].
        • شکل (2-4) واحدهای کاتد - الکترولیت – آند. ساخت این واحد‌ها با مهر و موم لبه‌ای باعث عدم نشت گازها به داخل یا خارج از لبه‌های الکترودهای متخلخل می‌شود [1].
      • 2-3-2-2- الکترود آند
      • 2-3-2-3- الکترولیت
      • 2-3-2-4- الکترود کاتد
      • 2-3-3- لایه‌های نفوذ گاز
        • شکل (2-5) تصویر سمت راست پارچه کربنی و تصویر سمت چپ صفحه متخلخل کربنی مورد استفاده برای لایه‌های نفوذ گازی [4]
      • 2-3-4- صفحه‌های دو قطبی
        • شکل (2-6) ساخت صفحه دو قطبی از کف فلزی [5]
    • 2-4- معادلات پیل سوختی
      • شکل (2-7) منحنی قطبیت پیل سوختی (منحنی ولتاژ- جریان) [6]
      • 2-4-2- ولتاژ
      • 2-4-3- بازده پیل سوختی
      • 2-4-4- جریان
    • 2-5- تجهیزات پیل سوختی
      • شکل (2-8) تجهیزات موجود در دستگاه ساخته‌شده در آزمایشگاه پیل سوختی دانشگاه امیرکبیر [8]
      • شکل (2-9) نمونه‌ای از تجهیزات دستگاه تست پیل سوختی ساخته شده در آزمایشگاه پیل سوختی دانشگاه امیر کبیر [8]
    • 2-6- پیل سوختی شفاف
    • 2-7- یادگیری عمیق
      • 2-7-1- لایه‌های پیچشی
        • شکل (2-10) یک نمونه ورودی رنگی (به عنوان مثال یک تصویر32*32*3) و یک نمونه نورون در اولین لایه پیچشی. هر نورون در لایه پیچشی از نظر فضایی فقط به یک منطقه محلی اما به همه کانالهای رنگی در ورودی متصل است. چندین نورون (در این تصویر 5) در امتداد عمق وجود د...
      • 2-7-2- توابع فعالیت و توابع بهینه‌سازی
        • شکل (2-11) نحوه عملکرد یک نورون در شبکه عصبی. نورون نمایش داده شده بعد از جمع وزن دار ورودی نتیجه را از یک تابع فعالیت عبور می‌دهد و به عنوان خروجی ارائه می‌کند [10].
  • فصل 3: مرور ادبیات
    • 3-1- مقدمه
    • 3-2- عیب‌یابی پیل سوختی
      • 3-2-1- شناسایی عیب بر اساس مدل
        • شکل (3-1) شناسایی عیوب بر اساس مدل [5]
        • شکل (3-2) دسته‌بندی روش عیب‌یابی با مدل [13]
      • 3-2-2- شناسایی عیب بدون مدل
        • شکل (3-3) روش تشخیص عیب توسط روش بدون مدل [14]
        • شکل (3-4) دسته‌بندی روش تشخیص عیب بدون مدل [14]
    • 3-3- دسته‌بندی پژوهش‌های موردبررسی
      • جدول (3-1) دسته‌بندی مقالات موردبررسی
      • 3-3-2- مدل ریاضی
        • شکل (3-5) سیستم در نظر گرفته‌شده به‌عنوان مدل پیل سوختی [16]
      • 3-3-3- شبکه عصبی
        • شکل (3-6) نحوه استفاده از شبکه عصبی در تشخیص عیب و شبکه عصبی المان [18]
        • شکل (3-7) شناسایی الگو توسط شبکه عصبی همینگ [20]
        • شکل (3-8) تلفیق دسته‌ای از شبکه عصبی برای تشخیص عیب [21]
        • شکل (3-9) دو شبکه عصبی مورداستفاده برای تشخیص دو عیب خشکی و آب گرفتگی [22]
      • 3-3-3-2- شبکه‌های عصبی عمیق
        • شکل (3-10) نمونه‌ای از شبکه عصبی عمیق که در این پژوهش استفاده شده، برای تشخیص میزان آب موجود در پیل سوختی
        • شکل (3-10) نمونه‌ای از شبکه عصبی عمیق که در این پژوهش استفاده شده، برای تشخیص میزان آب موجود در پیل سوختی
        • شکل (3-10) نمونه‌ای از شبکه عصبی عمیق که در این پژوهش استفاده شده، برای تشخیص میزان آب موجود در پیل سوختی
      • 3-3-4- پردازش سیگنال
      • 3-3-4-1- پردازش نویز
        • شکل (3-11) پردازش در دو حوزه زمان و فرکانس برای پی بردن به عیب خشکی [30]
        • شکل (3-12) اتاق ایزوله صدا برای دریافت صدای پیل سوختی در رژیم جریان متفاوت [31]
      • 3-3-4-2- پردازش تصویر
        • شکل (3-13) نمونه‌ای از یک ماسک برای پردازش تصویر پیل سوختی [9]
        • شکل (3-14) دو بیان از معیار تشکیل آب در پیل سوختی [33]
    • 3-4- جمع‌بندی و جایگاه پژوهش
  • فصل 4: مدل‌سازی پیل سوختی
    • 4-1- مقدمه
    • 4-2- پیل سوختی
      • شکل (4-1) شماتیکی از بخشهای پیل سوختی غشاء پلیمری و مکان‌های وجود آب در پیل سوختی: 1. هیدروژن مرطوب شده 2. آب تولیدی در کاتد 3. هوای مرطوب شده
    • 4-3- مدل دینامیکی پیل سوختی
      • جدول (4-1) معرفی پارامتر‌های مورداستفاده [34]
      • شکل (4-2) شماتیک کلی واکنش‌ها در کاتد و آند و آب موجود در واکنش‌ها [34]
      • 4-3-2- فرضیات مدل‌سازی
      • 4-3-3- معادلات حالت غیرخطی
    • 4-4- صحت سنجی
      • جدول (4-2) جدول اطلاعات پیل سوختی واقعی استفاده شده در مقاله [15]
      • شکل (4-3) منحنی قطبیت برای صحت سنجی مدل پیل سوختی شبیه‌سازی‌شده به کمک داده‌های مقاله [15]
        • جدول (4-3) اطلاعات عددی اختلاف بین مقدار واقعی و شبیه سازی شده
  • فصل 5: کنترل پیل سوختی
    • 5-1- مقدمه
    • 5-2- مسیر مطلوب
      • شکل (5-1) مسیر مطلوب فشار جزئی هیدروژن و اکسیژن
      • شکل (5-2) اغتشاش سیستم یا جریان کشیده شده از سیستم
    • 5-3- کنترل‌گر PID
      • جدول (5-1) اطلاعات سسیستم در مرز پایداری
      • شکل (5-3) اطلاعات سیستم در مرز پایداری برای زیرسیستم رسته 2
        • جدول (5-2) جدول روش زیگلر نیکولز [40][41]
        • جدول (5-3) ضرایب کنترلر PID طراحی‌شده برای دو زیرسیستم پیل سوختی
      • شکل (5-4) مسیر فشار جزئی هیدروژن با اعمال کنترلر PID
      • شکل (5-5) مسیر فشار جزئی اکسیژن با اعمال کنترلر PID
      • شکل (5-6) تلاش کنترلی موردنیاز برای کنترلر PID
      • شکل (5-7) تفاوت فشار جزئی هیدروژن و اکسیژن
    • 5-4- کنترل فازی
      • 5-4-1- طراحی کنترلر فازی بر اساس سعی و خطا
        • شکل (5-8) سطح حاصل‌شده از پایگاه قوانین زیرسیستم رسته 2 (هیدروژن)
        • شکل (5-9) سطح حاصل‌شده از پایگاه قوانین زیرسیستم رسته 3 (اکسیژن)
        • شکل (5-10) نتیجه کنترلر طراحی‌شده برای زیرسیستم رسته 2
        • شکل (5-11) نتیجه کنترلر طراحی‌شده برای زیرسیستم رسته 3
        • شکل (5-12) ورودی کنترلی دو کنترلر فازی طراحی‌شده به روش سعی و خطا
        • شکل (5-13) تفاوت فشار جزئی هیدروژن و اکسیژن
      • 5-4-2- طراحی کنترلر PID فازی
        • جدول (5-4) اطلاعات دو روش زیگلر نیکولز مورداستفاده در پژوهش [42]
        • شکل (5-14) متغیرهای کلامی تعریف‌شده برای خطا و مشتق خطا
        • شکل (5-15) متغیرهای کلامی تعریف‌شده برای
        • شکل (5-16) سطح پایگاه قوانین برای 3 خروجی سیستم فازی
        • شکل (5-17) نتیجه کنترلر طراحی‌شده برای زیرسیستم رسته 2
        • شکل (5-18) نتیجه کنترلر طراحی‌شده برای زیرسیستم رسته 3
        • شکل (5-19) ورودی کنترلی دو کنترلر فازی طراحی‌شده به روش سعی و خطا
        • شکل (5-20) تفاوت فشار جزئی هیدروژن و اکسیژن
    • 5-5- بهینه‌سازی PID فازی به کمک ازدحام ذرات
      • 5-5-2- تابع هزینه مرتبه 2 خطا
        • شکل (5-21) نتیجه بهینه‌سازی به کمک ازدحام ذرات
        • شکل (5-22) نتیجه کنترلر نهایی برای زیرسیستم رسته 2
        • شکل (5-23) نتیجه کنترلر نهایی برای زیرسیستم رسته 3
        • شکل (5-24) تلاش کنترلی کنترلرهای نهایی
        • شکل (5-25) تفاوت فشار جزئی هیدروژن و اکسیژن
      • 5-5-3- تابع هزینه بیشترین خطا
        • شکل (5-26) نتیجه بهینه‌سازی به کمک ازدحام ذرات
        • شکل (5-27) نتیجه کنترلر نهایی برای زیرسیستم رسته 2
        • شکل (5-28) نتیجه کنترلر نهایی برای زیرسیستم رسته 3
        • شکل (5-29) تلاش کنترلی کنترلرهای نهایی
        • شکل (5-30) تفاوت فشار جزئی هیدروژن و اکسیژن
    • 5-6- نتيجه‌گيری و بحث
      • جدول (5-5) خلاصه خطای کنترلرهای طراحی‌شده برای 40 ثانیه شبیه‌سازی
      • جدول (5-6) خلاصه تلاش کنترلی، کنترلرهای طراحی‌شده برای 40 ثانیه شبیه‌سازی
  • فصل 6: مدل‌سازی به کمک یادگیری عمیق
    • 6-1- مقدمه
    • 6-1- یادگیری عمیق
      • شکل (6-1) نمای کلی فرآیند آموزش شبکه عمیق
    • 6-2- داده‌های تصویر پیل سوختی شفاف
      • شکل (6-2) شماتیک نحوه تصویربرداری از پیل سوختی
        • جدول (6-1) تجهیزات اندازه گیري دستگاه تست پیل سوختی به همراه خصوصیات آن ها [8]
        • جدول (6-2) پارامترهاي الکتروشیمیایی پیل سوختی غشاي پلیمري در پژوهش حاضر [8]
        • جدول (6-3) پارامترهاي فیزیکی و عملکردي پیل سوختی غشاي پلیمري در پژوهش حاضر [8]
      • 6-2-2- ‌محاسبه ضریب آب پوشانی در تصاویر
        • شکل (6-3) فرآیند تشخیص قطرات آب. چپ بالا: تصویر کانال خشک. راست بالا: تولید ماسک. چپ پایین: تصویر پیل سوختی زمان تست. راست پایین: نتیجه نهایی پردازش تصویر.
      • 6-2-3- پردازش داده‌های پیل سوختی شفاف
        • شکل (6-4) نمونه‌ای از تصویر پیل سوختی و تصویر پردازش‌شده آن
      • 6-2-4- مشکل عدم‌تشخیص صحیح
        • شکل (6-5) خطای پردازش تصویر در تشخیص قطرات آب بر اساس گروه‌های دسته بندی شده
      • 6-2-5- مرز دسته‌بندی
        • شکل (6-6) داده‌های خام قبل از اعمال مرز و داده افزایی
      • 6-2-6- مشکل عدم توازن
        • شکل (6-7) داده‌های بعد از اعمال مرز، داده افزایی و تکنیک‌های بیشتر نمونه‌گیری و کم نمونه‌گیری تصادفی
        • شکل (6-8) نمونه‌ای از اعمال داده افزایی روی تصاویر پیل سوختی. سمت چپ: انعکاس تصویر در راستای عمود و افق. سمت راست: تنظیم رنگ تصاویر
          • جدول (6-4) اطلاعات داده‌ها قبل و بعد از پردازش
          • جدول (6-4) اطلاعات داده‌ها قبل و بعد از پردازش
          • جدول (6-4) اطلاعات داده‌ها قبل و بعد از پردازش
    • 6-3- مدل یادگیری عمیق
      • شکل (6-9) شماتیک ساختار شبکه عمیق مورداستفاده
      • 6-3-2- لایه‌های شبکه عصبی عمیق
        • شکل (6-10) تابع فعالیت ReLU و Leaky ReLU
      • 6-3-3- آموزش شبکه
    • 6-4- مشکل یادگیری بیش‌برازش
    • 6-5- بهینه‌سازی مدل
      • شکل (6-11) روش بدست آوردن پارامتر‌های بهینه توسط الگوریتم ژنتیک
      • شکل (6-12) منحنی همگرایی در تابع هزینه برای الگوریتم ژنتیک
    • 6-6- نتیجه‌گیری و بحث
      • شکل (6-13) نمودار دقت ساختار نهایی شبکه عمیق
      • شکل (6-14) ماتریس درهم‌ریختگی برای داده‌های آزمایش
      • شکل (6-15) ماتریس درهم‌ریختگی برای داده‌هایی که از فرآیند آزمایش و آزمایش دورمانده‌اند
        • جدول (6-5) دقت مدل در شرایط با حذف داده‌های در مرز و بدون حذف آن‌ها
  • فصل 7: نتیجه‌گیری
    • 7-1- مقدمه
    • 7-1- جمع‌بندی
    • 7-2- کارهای آینده
    • 7-1- مزايا و محدوديت‌ها
    • 7-2- مقاله‌ی پایان‌نامه
  • مراجع
...see more