Бұл мақалада протон алмасатын мембраналы отын жасушаларының (PEMFCs)
тиімділігі жұмыс шарттарына, әсіресе ылғалдылық деңгейлеріне қатты байланысты,
себебі олар мембрананың ылғалдануын, иондық өткізгіштігін және жалпы тиімділігін
айтарлықтай әсер етеді. Дәстүрлі тәсілдер әдетте осы әсерлерді зерттеу үшін зертханалық
тәжірибелерге сүйенсе, бұл зерттеу PEMFC өнімділігін әртүрлі ылғалдылық деңгейінде
модельдеу және болжау үшін озық терең оқыту (deep learning) әдістерін қолданады.
Осы зерттеуде Long Short-Term Memory (LSTM) және Gated Recurrent Unit (GRU)
желілері, сондай-ақ «attention» механизмдері пайдаланылады, бұл болжам дәлдігін
арттыруға және күрделі сызықтық емес байланыстарды анықтауға мүмкіндік береді.
ANSYS Fluent бағдарламасында жүргізілген сандық модельдеу бес ылғалдылық деңгейін
(20%, 40%, 60%, 80% және 100%) қамтитын мәліметтер жиынтығын құрады, ол терең
оқыту модельдерін үйрету және тексеру үшін қолданылды.
Нәтижелер орташа ылғалдылық (40%) ең тиімді болжамдар беретінін көрсетті, ал
«attention» механизмін қолданған LSTM моделі ең жоғары дәлдікке жетті (R² = 0.98,
RMSE = 0.01). Зерттеу ұсынылған модельдердің PEMFC оңтайландыру үшін тиімді
болжамдық құрал ретінде әлеуетін көрсетеді, бұл қымбат және уақытты көп алатын
тәжірибелік сынақтарға тиімді балама бола алады. Сондай-ақ, нәтижелер сутекті
тұтынудың 40% ылғалдылықта минималды екенін көрсетті, бұл оңтайландырылған
ылғалдандыру стратегиялары тиімділікті арттыруға және жанармай тұтынуды азайтуға
үлес қосатынын дәлелдейді.
