پیوندهای مفید
آمار
| تعداد نشریات | 7 |
| تعداد شماره‌ها | 399 |
| تعداد مقالات | 5,389 |
| تعداد مشاهده مقاله | 5,288,013 |
| تعداد دریافت فایل اصل مقاله | 4,882,758 |
تشخیص‌‌آزمایشگاهی غوطهوری کاتد و آند پیل‌سوختی‌غشاء‌پلیمری با توان زیر 300 وات با روش فازی- عصبی‌تطبیقی | ||
| نشریه مهندسی مکانیک امیرکبیر | ||
| مقاله 7، دوره 54، شماره 3، خرداد 1401، صفحه 615-628 اصل مقاله (1.46 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22060/mej.2021.20293.7207 | ||
| نویسندگان | ||
| علی خنافری1؛ آریا الستی* 1؛ محمد جعفر کرمانی2؛ سعید اصغری3 | ||
| 1دانشکده مهندسی مکانیک، دانشگاه صنعتی شریف، تهران، ایران | ||
| 2دانشکده مهندسی مکانیک، دانشگاه صنعتی امیرکبیر، تهران، ایران | ||
| 3پژوهشکده مواد و انرژی، پژوهشگاه فضایی ایران، اصفهان، ایران | ||
| چکیده | ||
| امروزه به دلیل اهمیت روزافزون پیل‌سوختی غشاء پلیمری در تولید انرژی پاک، عیب‌یابی این مبدل انرژی اهمیت به سزایی یافته است. عیب‌یابی در پیل سوختی می‌تواند به‌طور محسوسی سبب افزایش عمر مفید و قابلیت اطمینان آن شود. بخش زیادی از عیوب مربوط به پیل سوختی غشاء پلیمری ناشی از برهم خوردن تعادل رطوبت در آن است. غوطهوری یکی از شایع‌ترین عیوب مرتبط با عدم تعادل پیل سوختی است؛ که هم در بخش کاتد و هم در آند توده‌ی پیل محتمل است. در کارهای گذشته عمدتاً به کاتد به دلیل اینکه مبدأ تولید آب است، به عنوان مکان محتمل برای بروز غوطهوری توجه شده است. در این مقاله آند نیز به عنوان مکان محتمل برای بروز این پدیده موردتوجه قرار‌گرفته است. روش این پژوهش بر این اساس است که از توده‌ی پیل در شرایط کارکرد سالم داده‌برداری می‌شود و تلاش می‌شود با استفاده از ورودی‌های مرتبط، سه پارامتر خروجی ولتاژ توده، افت فشار کاتد و افت فشار آند، با استفاده از روش فازی- عصبی تطبیقی تخمین زده شوند. در شرایط نامشخص ، مقایسه انحراف مقادیر واقعی خروجی‌ها از مدل با مقادیر مجاز انحراف‌ها (به ترتیب 0/0735 ولت، 0/0092 بار و 0/0047 بار) می‌تواند وقوع یا عدم وقوع غوطهوری را تعیین کند. | ||
| کلیدواژه‌ها | ||
| پیل سوختی غشاء پلیمری؛ توده‌ی پیل؛ فازی- عصبی تطبیقی؛ غوطهوری؛ افت فشار | ||
| عنوان مقاله [English] | ||
| Experimental Cathode-Anode Flooding Diagnosis of Polymer-Electrolyte Fuel Cell of Power under 300W Using Adaptive-Neuro-Fuzzy Method | ||
| نویسندگان [English] | ||
| Ali Khanafari1؛ Aria Alasty1؛ Mohammad J. Kermani2؛ Saeed Asghari3 | ||
| 1Department of Mechanical Eng., Sharif University of Technology, Tehran, Iran | ||
| 2Department of Mechanical Eng., AmirKabir University of Technology, Tehran, Iran | ||
| 3Associate Professor / Institute of Materials and Energy, Tehran, Iran | ||
| چکیده [English] | ||
| Today, due to the growing importance of polymer electrolyte membrane fuel cells in the production of clean energy, the diagnosis of this energy converter has become very important. Diagnosis can significantly increase the useful life and reliability of the fuel cell. A major part of the defects related to the polymer electrolyte membrane fuel cells is due to the disturbance of the moisture balance in them. Flooding is one of the most common defects associated with fuel cell imbalance, which is possible in both the cathode and the anode side of the cell. In previous works, the cathode has been considered as the only possible place for flooding, mainly because it is the source of water production. In this article, the anode is also considered as a possible place for this phenomenon. The method of this research is based on taking data from the stack under healthy operating conditions and trying to estimate the output parameters of stack voltage, cathode pressure drop, and anode pressure drop using related inputs using the adaptive neuro-fuzzy method. In conditions of uncertain operation in which the healthy or flooding operation of the stack is not known, comparing the deviation of the actual values of the outputs from the model with the allowable values of these deviations (0.735 [V], 0.0092 [bar] and 0.0047 [bar], respectively) can lead to determining flooding or normal conditions. | ||
| کلیدواژه‌ها [English] | ||
| Polymer electrolyte membrane fuel cell, Stack, Adaptive neuro-fuzzy, Flooding, Pressure drop | ||
|
سایر فایل های مرتبط با مقاله
|
||
| مراجع | ||
|
[1] H.Q. Nguyen, B. Shabani, Proton exchange membrane fuel cells heat recovery opportunities for combined heating/cooling and power applications, Energy Conversion and Management, 204 (2020) 112328. [2] A. Benmouna, M. Becherif, D. Depernet, F. Gustin, ScienceDirect Fault diagnosis methods for Proton Exchange Membrane Fuel Cell system, International Journal of Hydrogen Energy, 42 (2016) 1534-1543. [3] M. Hasheminasab, M.J. Kermani, S.S. Nourazar, M.H. Khodsiani, A novel experimental based statistical study for water management in proton exchange membrane fuel cells, Applied Energy, 264 (2020) 114713. [4] V. Hirpara, V. Patel, Y. Zhang, R. Anderson, N. Zhu, L. Zhang, Investigating the effect of operating temperature on dynamic behavior of droplets for proton exchange membrane fuel cells, International Journal of Hydrogen Energy, 45 (2020) 14145-14155. [5] N. Ibrahim-Rassoul, E.K. Si-Ahmed, A. Serir, A. Kessi, J. Legrand, N. Djilali, Investigation of two-phase flow in a hydrophobic fuel-cell micro-channel, Energies, 12 (2019) 1-32. [6] Z. Zheng, R. Petrone, M.C. Pera, D. Hissel, M. Becherif, C. Pianese, Diagnosis of a Commercial PEM Fuel Cell Stack via Incomplete Spectra and Fuzzy Clustering, in: IECON Proceedings (Industrial Electronics Conference) 2013, pp. 1595-1600. [7] M. Benne, B. Grondin-perez, M. Bessa, Polymer electrolyte membrane fuel cell fault diagnosis based on empirical mode decomposition, Journal of Power Sources, 299 (2015) 596-603. [8] M. Bressel, M. Hilairet, D. Hissel, B. Ould Bouamama, Extended Kalman Filter for prognostic of Proton Exchange Membrane Fuel Cell, Applied Energy, 164 (2016) 220-227. [9] W. Caisheng, M.H. Nehrir, S.R. Shaw, Dynamic models and model validation for PEM fuel cells using electrical circuits, IEEE Transactions on ENERGY CONVERSION, 20 (2005) 442-451. [10] S.V. Puranik, A. Keyhani, F. Khorrami, State-space modeling of proton exchange membrane fuel cell, IEEE Transactions on Energy Conversion, 25 (2010) 804-813. [11] N. Fouquet, C. Doulet, C. Nouillant, G. Dauphin-tanguy, B. Ould-bouamama, Model based PEM fuel cell state-of-health monitoring via ac impedance measurements, Journal of Power Sources, 159 (2006) 905-913. [12] J.T. Pukrushpan, A.G. Stefanopoulou, H. Peng, A. Arbor, Control of Fuel Cell Breathing: Initial Results on the Oxygen Starvation Problem, Fuel Cell, 1 (2003) 1-25. [13] S.M. Rakhtala, A.R. Noei, R. Ghaderi, E. Usai, Control of oxygen excess ratio in a PEM fuel cell system using high-order sliding-mode controller and observer, Turkish Journal of Electrical Engineering and Computer Sciences, 23 (2015) 255-278. [14] L. Mao, L. Jackson, T. Jackson, Investigation of polymer electrolyte membrane fuel cell internal behaviour during long term operation and its use in prognostics, Journal of Power Sources, 362 (2017) 39-49. [15] K.J. Reddy, N. Sudhakar, ScienceDirect ANFIS-MPPT control algorithm for a PEMFC system used in electric vehicle applications, International Journal of Hydrogen Energy, 44 (2019) 15355-15369. [16] D. Karaboga, E. Kaya, Adaptive network based fuzzy inference system ( ANFIS ) training approaches : a comprehensive survey, Artificial Intelligence Review, 52 (2019) 2263-2293. [17] J.-s.R. Jang, ANFIS:Adaptive-Network-Based Fuzzy Inference System, IEEE TRANSACTION ON SYSTEMS, 23 (1993) 665-685. [18] BD sensors datasheet, in, BD Sensors, https://www.bdsensors.de/fileadmin/user_upload/Download/Prospekte/bds_TK_Digitalmanometer_EN_web.pdf, pp. 40. [19] ICP-DAS M7017-Z datasheet, in, https://www.icpdas.com/web/product/download/io_and_unit/rs-485/document/data_sheet/I-7017Z_M-7017Z_en.pdf, pp. 2. [20] in, https://www.thermocoupleinfo.com/thermocouple-accuracies.htm. [21] F. Barbir, Relationship between pressure drop and cell resistance as a diagnostic tool for PEM fuel cells, Journal of Power Sources, 141 (2005) 96-101. [22] N.Y. Steiner, D. Candusso, D. Hissel, P. Moc, Model-based diagnosis for proton exchange membrane fuel cells, Mathematics and Computers in Simulation, 81 (2010) 158-170. | ||
|
آمار تعداد مشاهده مقاله: 500 تعداد دریافت فایل اصل مقاله: 572 |
||
