Power density maximization through machine learning regression model-based shape optimization of PEMFC : 머신러닝 회귀모델 기반 PEMFC 형상 최적화를 통한 전력밀도 최대화

국문 초록 (Abstract)

본 연구는 제한된 부피 내에서 고분자전해질막연료전지(PEMFC)의 전력밀도를 최대화하기 위하여 길이, 너비, 높이를 최적화하는 것을 목표로 한다. 이를 위해 열유체-전기화학 결합 CFD 해석을 통해 도출한 625개의 데이터를 기반으로 인공신경망(ANN) 회귀모델을 개발하였다. 회귀모델의 입력 변수는 분리판과 유로 채널의 길이, 너비, 높이 및 PEMFC의 총 부피로 설정하였다. 출력 변수는 압력 강하와 생성 전류밀도로 구성하였다. 그 결과, 동일한 부피를 가지는 PEMFC라 하더라도 순 전력밀도는 424에서 2342 W/L까지 매우 다양한 범위를 보일 수 있음이 확인되었다. 본 연구에서 제시한 최적화된 PEMFC는 기준 모델에 비해 전력밀도가 2.38배 향상됨을 나타냈다. 또한, 유로 채널의 종횡비와 단면적이 PEMFC 성능에 미치는 영향을 분석하였다.

목차 (Table of Contents)

• I. Introduction 1
• II. Numerical Methods 6
• 2.1 Multiphysics analysis in PEMFC 14
• 3.1 Regression model to predict PEMFC performance 14
• III. Results and Discussions 14
• 3.1 Grid dependency test 14
• 3.2 Multiphysics in unit-channel PEMFC 15
• 3.3 Optimization of unit-channel PEMFC 15
• IV. Conclusion 22
• References 47
• 초록) 55