Yakıt Pili Deneysel Süreçlerinin Yapay Sinir Ağları Yaklaşımıyla Modellenmesi

Abstract

Yakıt pilleri bir reaksiyonun kimyasal enerjisini doğrudan elektrik enerjisine dönüştüren elektrokimyasal cihazlardır.Yakıt pilleri, onları tercih edilen enerji dönüşüm sistemleri yapan birçok özelliğe sahiptir. Bunlardan en önemlileri; oldukça yüksek verime sahip olmaları ve düşük oranda zararlı atık üretmeleridir. Yapay Sinir Ağı (YSA) yaklaşımı, bir sürecin modellenmesinde kullanılan en yaygın metotlardan biridir. YSA, birçok küçük mantık biriminin bir ağda birleşmesi anlamına gelen birleştirici modelin bir uygulamasıdır. Yapay sinir ağının öğrenme kabiliyeti ağın mimarisi ve eğitim için seçilen algoritmik metot ile belirlenir. Bu tezde, ileri sürümlü yapay sinir ağı direk metanol yakıt pilinin bir uygulamasından elde edilen deneysel sonuçlara uygulanmıştır. Geriye yayılım algoritması kullanılarak yapay sinir ağı; tarama hızı, sıcaklık ve yakıt (metanol) konsantrasyonu ile metanolun iletken polimer matrisi üzerine yayılmış Pt mikro parçacıklar üzerindeki elektrooksidasyon reaksiyonundan elde edilen akım yoğunlukları arasındaki ilişkiyi öğrenmek üzere eğitilmiştir. Eğitim tekrarlarından sonra, eğitim süreci iyi bir öğrenme sağlamıştır. Aynı zamanda, ileri sürümlü yapay sinir ağı yaklaşımının kullanımı ölçüm sınırları dışındaki akım yoğunluklarının tahmininde de oldukça iyi bir başarım gerçekleştirmiştir.

Fuel cells are electrochemical devices that convert the chemical energy of a reaction directly into electrical energy. Also, fuel cells have many characteristics that make them favorable as energy conversion devices. Two of the most important characteristics are high efficiency and very low environmental intrusion. Artificial Neural Network (ANN) approach is one of the most popular methods in the modeling of a process. An ANN is an example of a connectionist model, in which many small logical units are connected in a network. The learning ability of neural network is determined by its architecture and the algorithmic method chosen for training. In this thesis, a multilayered feed forward neural network study was applied to the experimental results obtained from an application of direct methanol fuel cell. Using the algorithm of back propagation, the artificial neural network was trained to learn a possible correlation between scan rate of potential, temperature and fuel (methanol) concentration and obtained peak current densities for the electrooxidation reaction of methanol on platinum electrodes. After the training epochs, the training process provides a very high learning capability. Also, using of the feed forward neural network procedure realizes a very good performance to estimate the peak current densities at the out of the measurement range.