| Project/Area Number |
22KF0042
|
|---|
| Project/Area Number (Other) |
22F22351 (2022)
|
|---|
| Research Category |
Grant-in-Aid for JSPS Fellows
|
| Allocation Type | Multi-year Fund (2023)
Single-year Grants (2022) |
|---|
| Section | 外国 |
|---|
| Review Section |
Basic Section 31020:Earth resource engineering, Energy sciences-related
|
|---|
| Research Institution | Tohoku University |
|---|
Principal Investigator |
徳増 崇 東北大学, 流体科学研究所, 教授 (10312662)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
LI GAOYANG 東北大学, 流体科学研究所, 外国人特別研究員
|
|---|
| Project Period (FY) |
2023-03-08 – 2025-03-31
|
| Project Status |
Discontinued (Fiscal Year 2023)
|
| Budget Amount *help |
¥1,500,000 (Direct Cost: ¥1,500,000)
Fiscal Year 2024: ¥500,000 (Direct Cost: ¥500,000)
Fiscal Year 2023: ¥700,000 (Direct Cost: ¥700,000)
Fiscal Year 2022: ¥300,000 (Direct Cost: ¥300,000)
|
|---|
| Keywords | 深層学習 / 物質輸送 / 分子動力学法 / 燃料電池 / 固体高分子形燃料電池 / 触媒層 / 水管理 |
|---|
| Outline of Research at the Start |
補助事業期間全体を通じて、燃料電池内部の物質輸送現象を、大規模数値シミュレーションを行うことなしに予測できるディープラーニングのフレームワークを作成する。これにより、非常に高速に燃料電池内部の物質輸送特性を予測することが可能になり、燃料電池の性能予測の速度向上や開発期間の短縮につながると考えられる。
|
| Outline of Annual Research Achievements |
本申請課題は、異方性湿潤表面における水輸送の複雑さを深層学習フレームワークを活用して解析するものである。本研究では、分子動力学(MD)法からのデータを深層学習モデルに活用した。まず、異方性表面全体にわたる水分子の挙動に関して広範なデータを収集した。次にこのデータを多属性点群形式に変換した。この豊富なデータセットにより、深層学習モデルのトレーニング資料のバックボーンを形成し、物理現象の包括的な表現を学習できるようにした。深層学習アーキテクチャは、この点群データを効果的に処理するように設計した。MDシミュレーションを使用する際の重要な課題の 1 つは、熱揺らぎと限られたサンプリングサイズに起因する固有のノイズと変動性の除去である。本研究では、ノイズを除去し、根底にあるパターンに焦点を当てることができる高度な技術を深層学習モデルに実装することで、この問題に対処した。トレーニング終了後には、モデルは従来のMD法では大幅に時間のかかる任意の異方性表面上の水分子の挙動をミリ秒以内で予測できることを確認した。最後に、この方法を固体高分子形燃料電池内部の流動現象に適用した。 まず、燃料電池内の表面をモデル化し、その異方性特性を表現した。 次に、深層学習モデルを使用して、動作条件下でこれらの表面が水素、酸素、および水分子とどのように相互作用するかをシミュレートした。この方法により、新しい燃料電池設計のテストと検証のサイクル時間が大幅に短縮される。 また、極端な温度や圧力、異常な材料組成など、実験設定では作成が困難なシナリオをシミュレーションするためのプラットフォームも提供できるため、燃料電池技術で考えられる改良の範囲が広がると考えられる。
|
| Current Status of Research Progress |
Current Status of Research Progress
1: Research has progressed more than it was originally planned.
Reason
本来の目的であった、深層学習モデルの構築も順調に終了し、膨大な数の分子動力学計算の結果から、有用な計算モデルを構築できた。このモデルは、通常の分子動力学計算であれば数日を要するような計算結果を、深層学習により数ミリ秒の時間で求めることができる。また分子動力学計算結果の取り扱いで課題であった熱揺らぎや計算誤差の処理についても一定の目途を立てることができた。最後にこの手法を固体高分子形燃料電池内部の物質輸送の計算に応用し、今後の研究開発における有用性や拡張性についても検討することができた。
|
| Strategy for Future Research Activity |
今後は、この計算結果を実験結果などと照合し、より計算結果の精度を高めていく必要があると考えられる。現時点での精度向上の方策としては、深層学習アルゴリズムの深化と、教師データとなる、分子動力学法による固体高分子形燃料電池内部の物質輸送現象のシミュレーション結果の高精度化と考えている。
|
