A Study on Machine Learning-Based Multi-Objective Optimization of Purging Strategies for Dead-Ended Anode Polymer Electrolyte Membrane Fuel Cells = 데드엔드 애노드 고분자 전해질 연료전지 퍼징 전략의 머신러닝 기반 다목적 최적화에 관한 연구

다국어 초록 (Multilingual Abstract)

This research presents a machine learning-driven optimization framework designed to determine optimal purging strategies for polymer electrolyte membrane fuel cells (PEMFCs) operating with dead-ended anode (DEA) configurations. While DEA operation provides significant benefits by eliminating hydrogen recirculation systems and achieving superior hydrogen utilization rates, it encounters challenges related to voltage reduction caused by accumulated water and inert gas permeation in the anode.
To tackle these challenges, a one-dimensional electrochemical dynamic model was constructed to capture the characteristics of voltage decline, water buildup, and electrochemical surface area (ECSA) reduction under diverse operational and purging scenarios. Comprehensive simulation datasets were generated spanning multiple operating parameters, including current density, temperature, and pressure conditions. Using these datasets, a Gaussian Process Regression (GPR) surrogate model was developed to estimate voltage drop (ΔV), hydrogen utilization (HU), and energy efficiency (η), demonstrating prediction accuracy with R² exceeding 0.96 and RMSE below 1.1%. This surrogate model was integrated with the NSGA-II multi-objective optimization algorithm to obtain the Pareto front characterizing the trade-off between ΔV and HU, enabling the identification of optimal purging strategies that maximize overall energy efficiency. For typical operating parameters (0.8 A/cm², 70 °C, 0.8 bar), the optimization procedure identified an optimal purging configuration with an interval of 73.3 s and duration of 0.020 s.
The proposed framework functions as a computational design instrument for determining globally optimal purging strategies that balance voltage stability with high hydrogen utilization while maximizing energy efficiency, offering practical applications in establishing purging guidelines, system architecture design, and controller implementation for DEA-PEMFCs

국문 초록 (Abstract)

본 연구는 데드엔드 애노드(DEA) 방식으로 작동하는 고분자 전해질 연료전지(PEMFC)의 최적 퍼징 전략을 결정하기 위한 기계학습 기반 최적화 프레임워크를 제시한다. DEA 작동 방식은 수소 재순환 시스템을 제거하고 우수한 수소 이용률을 달성함으로써 상당한 이점을 제공하지만, 음극 내 축적된 물과 불활성 가스 축적으로 인한 전압 감소 문제에 직면한다.
이러한 문제를 해결하기 위해, 다양한 작동 및 퍼징 조건에서 전압 감소, 물 축적, 전기화학적 표면적(ECSA) 감소 특성을 포착하기 위한 1차원 전기화학 동적 모델을 구축하였다. 전류 밀도, 온도, 압력 조건을 포함한 여러 작동 매개변수에 걸쳐 포괄적인 시뮬레이션 데이터셋을 생성하였다. 이러한 데이터셋을 사용하여 전압 강하(ΔV), 수소 이용률(HU), 에너지 효율(η)을 추정하는 가우시안 프로세스 회귀(GPR) 대리 모델을 개발하였으며, 결정계수(R²) 0.96 초과, 평균제곱근오차(RMSE) 1.1% 미만의 예측 정확도를 보였다. 이 대리 모델은 NSGA-II 다목적 최적화 알고리즘과 통합되어 ΔV와 HU 간의 트레이드오프를 특징짓는 파레토 프론트를 획득하였으며, 전체 에너지 효율을 극대화하는 최적 퍼징 전략의 식별을 가능하게 하였다. 대표적인 작동 조건(0.8 A/cm², 70°C, 0.8 bar)에서 최적화 절차는 73.3초의 간격과 0.020초의 지속 시간을 가진 최적 퍼징 구성을 식별하였다.
제안된 프레임워크는 전압 안정성과 높은 수소 이용률의 균형을 맞추면서 에너지 효율을 극대화하는 전역 최적 퍼징 프로토콜을 결정하기 위한 계산 설계 도구로 기능하며, DEA-PEMFC의 퍼징 가이드라인 수립, 시스템 아키텍처 설계, 제어기 구현에 실용적인 응용을 제공한다.

목차 (Table of Contents)

• Abstract i
• Table of Contents iii
• List of Tables iv
• List of Figures v
• Nomenclature vii
• Chapter 1. Introduction 1
• Chapter 2. Methodology 8
• 2.1. 1D Electrochemical Dynamic Model 9
• 2.1.1 Model Assumptions 11
• 2.1.1 Model Development 13
• 2.2. Machine Learning-Based Optimization Framework 18
• 2.2.1 Gaussian Process Regression-Based Surrogate Modeling 21
• 2.2.2 Multi-Objective Optimization 25
• 2.3. Experimental Setup 29
• Chapter 3. Results and Discussion 32
• 3.1. Model Validation 32
• 3.2. Performance of GPR-Based Surrogate Model 35
• 3.3. Effect of Purge Interval 40
• 3.4. Effect of Purge Duration 44
• 3.5. Effect of Operating Parameters 48
• 3.6. Purge Strategy Optimization 53
• Chapter 4. Conclusion 59
• Bibliography 62
• 국문 초록 67