Modélisation d'une Pile à Combustible de type PEM par Réseaux de Neurones - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2004

Neural Network Model of a PEM Fuel Cell Power Generator

Modélisation d'une Pile à Combustible de type PEM par Réseaux de Neurones

Résumé

This work deals with the modeling of a PEM fuel cell generator. This item will be seen here under the angle of Artificial Neural Network and applied to two different PEM fuel cells. By training, Artificial Neural Networks enable to carry out models which adapt to experimental behaviours observed. The first part talks about the technological problems bonded to the fuel cell integration in a vehicle. Then, the author points out the necessity of modelling a fuel cell generator before listing the different way of modelling. The first step of this study is dedicated to the possibility to realize a Neural Network model able to evaluate the static mode of a PEM fuel cell. The second part describes the approach which allows carrying out this first model. This part is divided in three essential points; choice of a network structure, choice of experimental tests to establish a representative training sequence of the system and choice of inputs/outputs of the model, study of different training methods carrying out to a good modeling. The conclusion of this part emphasizes the extrapolation ability of this model to more powerful fuel cell. To have a complete model, dynamic behaviour of the fuel cell must be studied. The development of the dynamic model using recurrent neural network is presented in a third part. In order to conclude this work, an original method based on Fourier analysis is proposed. By this way, in order to predict the voltage response of the fuel cell under dynamic current solicitations, a multi model black box, which couples dynamic and static models, has been developed. Finally, a sensitive parametric analysis is done.
Ce travail apporte une contribution à la modélisation des piles à combustible de type PEM. La modélisation fait ici appel aux réseaux artificiels de neurones et est appliquée à deux piles à combustible de puissances différentes. La première partie de ce mémoire rappelle les verrous technologiques liés à l'intégration des piles à combustibles dans un véhicule. Puis l'auteur s'interroge sur la nécessité de modéliser une pile à combustible avant de se pencher sur les différentes méthodes de modélisation existante. La réalisation d'un modèle neuronal décrivant le comportement statique d'une pile à combustible de type PEM est la première étape de cette étude. La deuxième partie décrit la démarche qui a permis de réaliser ce modèle. Elle se décompose en trois points essentiels : 1) choix d'une topologie adaptée, 2) choix d'essais expérimentaux pour établir une séquence d'apprentissage représentative du système et choix des entrées/sorties du modèle, 3) étude de différentes techniques d'apprentissage menant à une modélisation satisfaisante. Afin d'obtenir un modèle complet, le comportement dynamique de la pile doit être décrit. L'élaboration du modèle dynamique à l'aide de réseaux de neurones bouclés est exposée dans la troisième partie. Pour conclure ce mémoire, une méthode originale basée sur l'analyse de Fourier permet d'obtenir une boîte noire multi-modèle permettant de coupler les modèles dynamiques et statiques pour prédire l'évolution temporelle de la tension de la pile à combustible selon des sollicitations de courant à fréquence variable. Enfin, une étude de sensibilité paramétrique est réalisée.
Fichier principal
Vignette du fichier
manuscrit_final_publiable.pdf (2.57 Mo) Télécharger le fichier
Loading...

Dates et versions

tel-00777611 , version 1 (21-01-2013)

Identifiants

  • HAL Id : tel-00777611 , version 1

Citer

Samir Jemeï. Modélisation d'une Pile à Combustible de type PEM par Réseaux de Neurones. Energie électrique. Université de Franche-Comté; Université de Technologie de Belfort-Montbeliard, 2004. Français. ⟨NNT : ⟩. ⟨tel-00777611⟩
613 Consultations
4980 Téléchargements

Partager

Gmail Facebook X LinkedIn More