現代の制御理論がますます成熟するにつれて、生産は大規模化且つ複雑化の方向に発展しています。

特に非線形、強結合、システムの大幅な遅延に対しては、従来のPID制御が厳しい制約条件と高品質の制御要求を満たすことが難しいとされています。

先進制御理論（Advanced Control Theory）は、航空宇宙、自動車、電子などの分野で徐々に適用され始め、機器の安全性、安定性、および運転効率を向上させるのに役立っています。

燃料電池は電解質の種類によりアルカリ燃料電池、リン燃料電池、固体高分子電解質燃料電池、固体酸化物燃料電池、メタン固体酸化物燃料電池、リン酸固体酸化物燃料電池の6種類に分類されます。

中でも固体酸化物燃料電池（SOFC）の動作温度は600℃～1000℃と比較的高く、SOFCの効率的な熱管理は電池の電力密度を高め、システムの安全で安定した動作を維持するために非常に重要です。

問題点

1．SOFCは動作温度の要件が厳しく、スタック温度が低すぎるとセルの出力密度が小さく発電効率が低くなります。一方、スタック温度が高すぎると温度差が大きすぎてしまいます。温度分布が不均一になると、シール材の急速劣化に伴いバッテリ損傷やシート・コネクタの変形破損に繋がり、スタックのパフォーマンスが急低下します。

2．複雑な物質および熱伝達プロセス、過渡エネルギー保存則およびその他の法則に依存しているため、温度場の形成や勾配分布などの機械的特性を正確に予測できますが、モデルの解法には長い時間がかかり、オンライン計算の時間制約を満たすことができない。

3．モデルベースの温度制御システムは、高精度の温度分布モデルに依存する必要がある。

DTEmpowerによる燃料電池温度分布モデリング

さまざまな動作条件下でのSOFCの温度分布をモデル化し、SOFCの信頼性を迅速に評価するためのデータモデルを構築するため、このケースではデータモデリングソフトウェアDTEmpowerが使用されました。

燃料電池の温度分布主要パラメータのモデル化

1．データセット紹介；

SOFC（固体酸化物燃料電池）のシングルセルシミュレーションデータセットで、6つの入力変数（電池電圧、空気と燃料の入口温度、燃料質量フローなど）と、温度に関連する4つの出力変数（平均電流密度、空気圧降、最高温度位置など）が含まれています。

目標は、入力変数と出力変数の間のマッピング関係を構築し、異なる作業条件下での燃料電池の温度分布を迅速に評価することです。

2．モデリング手法と結果；

下記に示すモデリング方法では、DTEmpowerに搭載されたAIAgentなどのさまざまなトレーニングアルゴリズムを使用して、温度分布モデリングの探索とトレーニングを行います。そして、異なるモデルのテストエラーやR2などの評価指標を比較します。

DTEmpowerと組み合わせると、平均電流密度、燃料圧力降下、最高温度位置の高精度回帰モデルを確立でき、燃料電池の温度分布モデリングに強力なデータ モデル サポートを提供します。

位置ベースの温度分布フィッティング

1．データセット概要；

SOFCの長さは100[mm]、一定の動作条件（合計128）の下で、対応する位置の温度が0.1[mm] 間隔で記録され、温度分布を生成します。

5つのサンプリングポイントに基づく曲線は、場所ごとに異なる動作条件下での燃料電池の温度分布を迅速に評価するために使用されます。

3．モデリング方法と結果；

下記に示すモデリング方法では、AIAgent トレーニングアルゴリズムを使用し、トレーニング用として5つのサンプルを選択、残りの995個のサンプルを比較して、128の動作条件下で位置と温度分布をフィッティングします。

まとめ

このケースでは、DTEmpowerを使用して、SOFC（固体酸化物燃料電池）のシミュレーションデータセットから温度分布モデルを構築しました。

温度分布の統計パラメータおよび重要な関連パラメータに対して、データ駆動型手法を使用してトレーニングおよびテストを行い、ほとんどの目標変数について、AIAgentアルゴリズムに基づくモデルのR2指標（1に近いほどモデルの精度が高い）が0.97以上であることが確認しました。

また、位置ベースの温度分布をトレーニングおよび予測するために、AIAgentトレーニングアルゴリズムを使用し、モデルのR2指標が0.99以上であることを確認しました。

これにより、燃料電池の信頼性の迅速な評価に対して、データモデルによるサポートが提供可能であると考えることができます。

DTEmpowerは、SOFCの温度分布モデリングおよび分析において、包括的なデータモデリングソリューションを提供します。

データマイニング、特徴エンジニアリング、モデルの自動学習などのテクニカルサポートにより、ユーザーは高精度なデータモデルを迅速かつ効率的に構築することが可能です。