Development of a simplified SOFC model using Machine Learning

Le Fuel Cells sono da anni oggetto di ricerca in quanto sono tra le migliori alternative per la produzione di energia attraverso fonti green come l’idrogeno. Le Solid Oxide Fuel Cells, in particolare, sono una promettente soluzione per la generazione di energia elettrica anche grazie alla loro flessibilità che ne permette l´utilizzo come dispositivi autonomi o in accoppiata a impianti preesistenti come sistemi di cogenerazione. Questo lavoro di ricerca è stato condotto sulla SOFC sviluppata da Robert Bosch GmbH in collaborazione con Ceres Power con l´obiettivo di estendere un modello fisico, validato su scala dimensionale ridotta, ad una dimensione superiore attraverso l´utilizzo di un modello matematico ricavato da algoritmi Machine Learning. Il lavoro svolto ha richiesto l’analisi del modello fisico di partenza con successiva Sensitivity Analysis locale per la definizione dei principali parametri d’interesse e la loro influenza relativa. Successivamente, è stato creato un dataset attraverso tecniche Design of Experiments che è stato simulato in COMSOL Multiphysics e in seguito analizzato tramite il software ETAS-ASCMO per la creazione di un modello gray-box di riferimento e la valutazione della Sensitivity globale. Il dataset e I relativi risultati sono stati utilizzati, in ambiente Python, per allenare e testare diversi algoritmi di Machine Learning che sono stati poi confrontati in termini di errore e accuratezza. Una volta determinato il migliore algoritmo per la regressione dei dati, quest’ultimo è stato implementato, attraverso la libreria Streamlit, per la creazione di un’interfaccia web che permette un accesso semplice e veloce alle predizioni del modello in termini di Voltaggio di cella e relative perdite.