مدلسازی تطبیقی فازی-عصبی پیل سوختی پلیمری

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 377

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

H2FC03_020

تاریخ نمایه سازی: 19 خرداد 1396

چکیده مقاله:

مدل سازی های صورت گرفته تاکنون برای پیل سوختی پلیمری 1 بیشتر بر پایه مدل سازی ریاضی و برمبنای خواص فیزیکی، شیمیایی و الکتریکی این نوع پیل ها بوده است. مدل های ریاضی اگر چه هماهنگی خوبی با نتایج حاصل از داده هایآزمایشگاهی دارند، اما یافتن تعداد زیادی ضریب و همچنین در نظر گرفتن پارامتر های متعدد فیزیکی، شیمیایی و الکتریکی، این نوع مدل سازی را بسیار دشوار و زمان بر ساخته است. به خصوص که بسیاری از این پارامترهاتاثیرات غیر خطی بر عملکرد پیل سوختی دارند. این مقاله با به کارگیری روش تطبیقی فازی - عصبی 2 و با استفاده از نتایجآزمایشگاهی بدست آمده از پیل سوختی 5 کیلووات سایت طالقان، به ارایه ی مدل جدیدی برای شبیه سازی عملکرد پیل سوختی پلیمری پرداخته است. بزرگترین مزیت این مدل نسبت به مدل های ریاضی، محاسبه ولتاژ پیل سوختی بدون نیازبه در نظر گرفتن پارامترهای فیزیکی، شیمیایی و الکتریکی و همچنین بدون نیاز به محاسبه ضرایب متعدد در شرایط گوناگون است. در این کار از نرم افزار متلب برای شبیه سازی استفاده شده است. با توجه به سنسورها و عملگرهایموجود در آزمایشگاه، جریان الکتریکی، دما، و فشار ورودی گازهای هیدروژن و اکسیژن به عنوان ورودی سیستم فازی-عصبی و ولتاژ پیل سوختی به عنوان خروجی سیستم در نظر گرفته شده اند. در نهایت رفتار سیستم با تغییر هر یک ازپارامتر ها مورد بررسی قرار گرفته و مشاهده شده است که نتایج حاصل از مدل تطبیقی فازی-عصبی هماهنگی بسیار خوبی با نتایج آزمایشگاهی دارند

کلیدواژه ها:

پیل سوختی پلیمری ، مدل فازی ، روش تطبیقی فازی- عصبی

نویسندگان

میلاد کریمی

دانشجوی دکتری ، دانشکده برق و کامپیوتر دانشگاه شهید بهشتی

جواد یحیی زاده

دانشجوی کارشناسی ارشد، دانشکده برق و کامپیوتر دانشگاه شهید بهشتی

علیرضا رضازاده

دانشیار و عضو هیات علمی، دانشکده برق و کامپیوتر دانشگاه شهید بهشتی

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • کوره پزان دزفولی، "اصول تئوری مجموعه های فازی وکاربردهای آن ...
  • F. Barbir, "PEM Fuel Cells: Theory and Practice, " El ...
  • T. Takagi and M. Sugeno, "Fuzzy identification of systems and ...
  • R. Jang, T. Sun and E. Mizutani, "Neuro-Fuzzy and Soft ...
  • J. M. Mendel, "Uncertainty, fuzzy logic, and signal processing, _ ...
  • S. Haykin, "Neural Networks: A comprehensive foundation, Pearson Education, 2 ...
  • R. Langari and 1.Wang, "A modified RBF network with application ...
  • H. Husain, M. Khalid and R Yusof, _ _ linear ...
  • C. T. Lin and C. F. Juang, "An adaptive neural ...
  • S.H. Chan, K.A. Khor and Z.T Xia, "A complete polarization ...
  • R. Jang, "ANFIS: Adaptive Network-based Fuzzy Inference System, IEEE Trans. ...
  • R. Babuska, "Neuro-fuzzy methods for modeling and identification, " In ...
  • S. Thomas, M. Zalbowitz "Fuel Cells Green Power", Los Alamos ...
  • S.M. Sharifi Asl, S. Rowshanzamir, M.H. Eikani. "Modelling and simulation ...
  • May 12-13, 2015 IROST, Tehran ...
  • Brant A. Peppley, Pierre R.Roberg: Ronald F. Mann, John C. ...
  • Cristian Kunusch, Paul F. Puleston, Miguel A. Mayosky, Jero-nimo J. ...
  • Zadeh, L. A., (1965), "Fuzzy Sets, " Information and Control, ...
  • Kartalopoulos, S.V., (1996), ،، Understanding Neural Networks and Fuzzy Logic, ...
  • Jang, J. S. R., (1993), "ANFIS: Adaptive Network Based Fuzzy ...
  • Jang, J. S. R., Sun, C. T. and Mizutani, E., ...
  • Jang, J. S. R. and Sun, C. T., (1997), "Neuro-Fuzzy ...
  • Yasemin Vural, Derek B. Ingham, Mohamed Pourkashania. "Performance prediction of ...
  • May 12-13, 2015 IROST, Tehran ...
  • نمایش کامل مراجع