| Project/Area Number |
23K03691
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 19020:Thermal engineering-related
|
|---|
| Research Institution | Kyoto University |
|---|
Principal Investigator |
岸本 将史 京都大学, 工学研究科, 准教授 (10757636)
|
|---|
| Project Period (FY) |
2023-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2023)
|
| Budget Amount *help |
¥4,680,000 (Direct Cost: ¥3,600,000、Indirect Cost: ¥1,080,000)
Fiscal Year 2025: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
Fiscal Year 2024: ¥2,080,000 (Direct Cost: ¥1,600,000、Indirect Cost: ¥480,000)
Fiscal Year 2023: ¥1,690,000 (Direct Cost: ¥1,300,000、Indirect Cost: ¥390,000)
|
|---|
| Keywords | 固体酸化物形燃料電池 / シミュレーション / 機械学習 / 代理モデル / 多孔質 |
|---|
| Outline of Research at the Start |
固体酸化物形燃料電池の性能を迅速に評価・予測するための解析プラットフォームの構築のため，機械学習手法に基づいた解析技術を開発する．具体的には，複数の相からなる3次元多孔質電極構造を特徴づける構造パラメータの定量化と，構造に基づいた輸送・反応連成数値シミュレーションを代替するような代理モデルを開発することで，「作製→解析→評価→再設計」という構造最適化ループが円滑に回るようにする．
|
| Outline of Annual Research Achievements |
１．固体酸化物形燃料電池（SOFC）の電極多孔質構造を特徴づけるパラメータの中でも，多孔質中の輸送現象に関係が深い屈曲度ファクタの定量化を，機械学習技術を用いることで迅速化することを試みた．3次元構造情報からスカラー量を抽出するために，畳み込みニューラルネットワーク（Convolutional Neural Network: CNN）を構築した．CNNを訓練する際には，敵対的生成ネットワーク（Generative Adversarial Network）を用いて生成した様々な組成比の模擬電極多孔質構造を使用した．構築したCNNは，模擬電極構造のみによって訓練されたにもかかわらず，実電極多孔質構造の屈曲度ファクタを高い精度で推定することができた．また，訓練データにおける屈曲度ファクタの値の分布が推定精度に与える影響について考察し，オーバーサンプリングやアンダーサンプリングを行うことでその分布を一様に調整することが推定精度の向上に効果があることが示唆された．
２．SOFC電極構造から電極性能を予測する数値シミュレーション技術の代替手法として，機械学習的手法のひとつであるPhysics-Informed Neural Network（PINN）の利用を考えた．電極構造や作動条件に関するパラメータを入力としたニューラルネットワークを用いることで，一度の学習で電極の性能を網羅的に予測できるネットワークを構築できる可能性がある．パラメータとして電極過電圧を考え，様々な電極過電圧において電極厚み方向の電位や反応量の分布を予測するPINNの構築を試みた．イオン伝導とガス輸送を同時に解くことのできるPINNの構築に成功した．また，計算の精度や訓練の速度を向上させる手法として，境界条件を考慮した定式化や，損失関数の重みの自動調整手法について検討し，有効性を示した．
|
| Current Status of Research Progress |
Current Status of Research Progress
1: Research has progressed more than it was originally planned.
Reason
当初予定していた畳み込みニューラルネットワークを用いた特徴量抽出や，PINNを用いた方程式の求解については，計画通りの成果を挙げることができた．加えて，精度の向上や適用範囲の拡大につながるような検討を行い，有効性が確認できたため．
|
| Strategy for Future Research Activity |
１．2次元構造からの迅速構造評価：SOFC電極の3次元構造情報の取得には時間と手間がかかるほか，高価な観察機器が必要であるため，2次元断面画像に基づく構造評価技術も望まれている．そこで機械学習技術のひとつである敵対的生成ネットワーク（GAN）を用いて2次元画像から3次元構造を推定する手法を開発する．これと前年度で開発した定量化技術と組み合わせることで，2次元情報からの構造定量化が可能となる．また別の方法として，2次元画像から畳み込みニューラルネットワークを用いて直接定量化する手法も並行して検討する．従来手法を用いて定量化した値と比較することで，開発した機械学習モデルの妥当性と速度を評価する．
２．PINNを用いた複数輸送・反応連成系のマクロ性能予測：前年度開発したPINNモデルを深化させ，電子とガスの保存を加えた複数の保存方程式を教師とするモデルを検討する．同時に，輸送や反応を左右する輸送係数や反応速度定数についても，局所物理量への依存性を考慮することでよりモデル全体の信頼性を向上する．PINNを用いて得られた結果と，従来法による数値解との比較をすることでPINNの妥当性と速度を検証する．
|
