27925

تحليل ترمو-اقتصادي يك سيستم توليد توان و هيدروژن پاك شامل سيكل مايع سازي و هيدريد فلزي بهينه شده با شبكه عصبي و الگوريتم ژنتيك

كارشناسي ارشد

مهندسي مكانيك

1399

1401/10/27

آقاي دكتر آيت قره قاني

مهندسي مكانيك

هيدروژن يك حامل انرژي با كاربردهاي گسترده است كه مي‌تواند براي ذخيره سازي انرژي‌هاي تجديدپذير مورد استفاده قرار بگيرد. ذخيره سازي هيدروژن به صورت مايع مزيت هايي از جمله بالا بودن چگالي دارد اما از نظر انرژي پرهزينه است. بنابراين همواره نياز به بهينه سازي سيستم هاي توليد و مايع سازي هيدروژن احساس مي‌شود. در اين پژوهش تحليل ترمو-اقتصادي و بهينه سازي سه هدفه براي يك سيستم توليد و مايع سازي هيدروژن پاك انجام شده است كه از پنل‌هاي فتوولتائيك براي توليد توان بهره مي‌گيرد. در اين پژوهش از نمودار تابش روزانه خورشيد براي كاركرد شبانه روزي سيستم استفاده شده است. سيستم به صورت سه زمانه و در سه حالت مايع سازي هيدروژن، ذخيره سازي در هيديدفلزي و توليد توان با پيل‌سوختي كار مي‌كند. در هر ثانيه، جرم هيدروژن توليدي از الكترولايزر محاسبه شده و بلافاصله به چرخه مايع سازي تزريق مي‌شود. اين اتفاق براي 3600 ثانيه در طول هر ساعت و به مدت 12 ساعت در طول روز تكرار مي‌شود. براي كاهش زمان اجرا و افزايش دقت، از 6 مدل مختلف از شبكه عصبي كمك گرفته شده است كه به كمك الگوريتم ژنتيك بهينه مي‌شود. متغيرهاي تصميم گيري براي بهينه سازي شامل شدت تابش خورشيد، دماي محيط، بازده مبدل و فشار خروجي كمپرسور سيكل مايع سازي مي‌شوند و توابع هدف شامل بازده اگزرژي كل، بازده مايع سازي و نرخ هزينه كل هستند. مقادير بهينه توابع هدف، ضريب عملكرد سيكل و مصرف انرژي ويژه به ترتيب عبارت اند از 19.68%، 19.96%، 10.72 دلار در ساعت، 0.017 و [MJ/kg LH2] 278.4. در اين پژوهش توابع هدف برحسب ساعات شبانه روز و نيز متغيرهاي تصميم گيري رسم شده اند. اثر بازده مايع سازي و كار مصرفي ويژه برحسب پارامترهاي سيكل مايع سازي و دماي الكترولايزر بررسي شده است. همچنين مشخص شد در صورتي كه سيستم ذخيره خاموش و تمام توان توليدي به سيستم مايع سازي داده شود، جرم هيدروژن مايع شده در انتهاي روز 17% افزايش خواهد يافت.

1401/11/05

Thermo-economic assessment of a green hydrogen and power production system including liquefaction-cycle and metal-hydride storage optimized by ANN and GA

1/17/2024 12:00:00 AM

Hydrogen is an energy carrier with wide applications that can be used for renewable energy storage. Hydrogen storage in liquid form has advantages such as high density, but it is expensive in terms of energy. Therefore, there is always a need to optimize hydrogen production and liquefaction systems. In this research, thermo-economic analysis and three-objective optimization have been done for a green hydrogen production and liquefaction system that uses photovoltaic panels for power generation. In this research, the daily solar radiation chart has been used for the round-the-clock operation of the system. The system works in three phases and in three modes of hydrogen liquefaction, hydrogen storage and fuel cell power generation. Every second, the mass of hydrogen produced from the electrolyzer is calculated and immediately injected into the liquefaction cycle. This happens for 3600 seconds during each hour and for 12 hours during the day. To reduce the execution time and increase the accuracy, 6 different neural network models have been used, which are optimized with the help of genetic algorithm. Decision variables for optimization include solar radiation intensity, ambient temperature, converter efficiency, and liquefaction cycle compressor output pressure, and the objective functions include total exergy efficiency, liquefaction efficiency, and total cost rate. The optimal values of objective functions, cycle performance coefficient and specific energy consumption are respectively 19.68%, 19.96%, 10.72 [$/h], 0.017 and 278.4 [MJ/kg LH2]. In this research, the objective functions are drawn in terms of hours of the day and night, as well as decision variables. The effect of liquefaction efficiency and specific work consumption has been investigated in terms of liquefaction cycle parameters and electrolyzer temperature. It was also found that if the storage system is turned off and all production power is given to the liquefaction system, the mass of liquefied hydrogen will increase by 17% at the end of the day.

تحليل ترمو-اقتصادي , بهينه سازي , توليد هيدروژن پاك , سيكل مايع سازي , شبكه عصبي , الگوريتم ژنتيك

thermo-economic analysis , Optimization , clean hydrogen production , liquefaction cycle , neural network , Genetic algorithm

Amir Hossein Panahi

Ayat Gharehghani