Developing a Time-Efficient Model for Solid Oxide Fuel Cells Using Self-Supervised Convolutional Autoencoder and Stateful LSTM Network
Notice bibliographique
Résumé
The development of an efficient dynamic model for solid oxide fuel cell (SOFC) systems is essential for control strategies, process optimization, and fault diagnostics - key steps toward maximizing power generation and extending their lifetime. Long-Short-Term-Memory (LSTM), a potent type of recurrent neural network, has proven to be adept at modeling intricate physical dynamic systems using extensive input-output data. They are particularly well-suited for capturing long-range dependencies and temporal patterns. Nevertheless, due to memory and computing constraints in practice, training an LSTM network to effectively learn long-term dependency is challenging, which stems from the sequential processing nature of LSTMs. In this study, a self-supervised convolutional autoencoder (AE) is developed to learn a concise yet informative temporal representation of historical input data. These compressed hidden sequences are then input into an LSTM model, which is trained using a truncated backpropagation through time (TBPTT) algorithm. Once trained, an identical stateful LSTM model is reconstructed using the learned parameters, enabling the LSTM to predict the voltage using only the most recent past input data, rather than a sequence of data over which the model was trained. The efficacy of the proposed framework is validated utilizing diverse experimental data collected from a lab-scale SOFC. The results indicate while the model properly identifies the underlying dynamics of the SOFC, it significantly reduces the training and runtime prediction computation costs of a traditional LSTM model by 38% and 42% respectively. This enhancement holds promise for improving real-time control and diagnostics of SOFC systems, ultimately contributing to their improved performance and reliability.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».