Artificial neural networks have emerged as a promising tool for estimating hydrogen production process variables for reaction condition optimization. Here we aim to predict complex nonlinear systems that use of artificial neural networks for modeling hydrogen production via water electrolysis and to evaluate the common challenges that arise. To estimate the effect of different electrolyzer systems input parameters such as electrolyte material, electrolyte type, supplied power (voltage and current), temperature, and time on hydrogen production, a predictive model was developed. The percentage contributions of the input parameters to hydrogen production and the best network architecture to minimize computation time and maximize network accuracy were shown. The results show that the hydrogen production parameters from electrolysis and the predicted safety explosive limit are 7% of the average root mean square error. Furthermore, coefficient of determination value was found 0.93. This predicted value is very close to the observed values. The neural network algorithm developed in this study could be used to make critical decisions in the electrolysis process for parameters affecting hydrogen production.
5. Internatinonal Conference on Materials Science, Mechanical and Automotive Engineerings and Technology (IMSMATEC’22 )
Yapay sinir ağları, reaksiyon durumu optimizasyonu için hidrojen üretim süreci değişkenlerini tahmin etmek için umut verici bir araç olarak ortaya çıkmıştır. Burada, hidrojen üretimini su elektrolizi yoluyla modellemek için yapay sinir ağlarını kullanan karmaşık doğrusal olmayan sistemleri tahmin etmeyi ve ortaya çıkan ortak zorlukları değerlendirmeyi amaçlıyoruz. Elektrolit malzemesi, elektrolit türü, sağlanan güç (voltaj ve akım), sıcaklık ve zaman gibi farklı elektrolizör sistemleri giriş parametrelerinin hidrojen üretimi üzerindeki etkisini tahmin etmek için bir tahmin modeli geliştirilmiştir. Girdi parametrelerinin hidrojen üretimine yüzde katkıları ve hesaplama süresini en aza indirmek ve ağ doğruluğunu en üst düzeye çıkarmak için en iyi ağ mimarisi gösterildi. Sonuçlar, elektrolizden gelen hidrojen üretim parametrelerinin ve tahmin edilen güvenlik patlama sınırının, ortalama karekök ortalama hatanın %7'si olduğunu göstermektedir. Ayrıca, belirleme katsayısı değeri 0.93 olarak bulunmuştur. Bu tahmin edilen değer, gözlemlenen değerlere çok yakındır. Bu çalışmada geliştirilen sinir ağı algoritması, hidrojen üretimini etkileyen parametreler için elektroliz sürecinde kritik kararlar vermek için kullanılabilir.
Primary Language | English |
---|---|
Subjects | Engineering |
Journal Section | Makaleler |
Authors | |
Publication Date | January 31, 2023 |
Submission Date | September 11, 2022 |
Acceptance Date | January 11, 2023 |
Published in Issue | Year 2023 Volume: 10 Issue: 1 |