مدل سازی خطای اندازه گیری ضریب شکست محلول پیل سوختی با استفاده از الگوریتم ژنتیک

یکی از راه های تبدیل هیدروژن به رایج ترین انواع انرژی های مورد نیاز مانند الکتریسیته و گرما، استفاده از پیل سوختی است. از انواع مختلف پیل ها به منظور تولید برق در نیروگاه ها، وسایل قابل حمل، خودروها، سفینه های فضایی، زیردریایی ها و غیره استفاده می شود. پیل سوختی با غشای پروتونی به طور گسترده تری به عنوان منبع انرژی استفاده می شود و این به دلیل ویژگی هایی چون عملکرد در دمای پایین و راه اندازی سریع و این که تنها ضایعه و فراورده فرعی آن آب است. عملکرد این سامانه بستگی مستقیم به میزان آب موجود در غشای آن دارد. رطوبت بالا باعث افزایش بازده پیل سوختی می شود اما چنانچه میزان رطوبت بیش از حد شود مشکلاتی از جمله باد کردن، فشار مکانیکی و خرابی غشای پیل سوختی پدیدار می شوند. از آن جایی که میزان آب و ضریب شکست غشا، در هر نقطه باهم متناسب هستند پس با تخمین زدن نمایه ضریب شکست، می توان به درستی تغییر در میزان آب غشای پیل سوختی را اندازه گیری کرد. به دلیل دقت و تنظیم نسبتا آسان سیستم نوری از تداخل سنج لیزری هتروداین برای اندازه گیری ضریب شکست پیل سوختی با غشای پروتونی استفاده می شود در حالی که دارای خطای غیرخطی است. خطای غیرخطی در سیستم تداخل سنج هتروداین باعث محدودیت دقت اندازه گیری ضریب شکست می شود، بنابراین خیلی مهم است که خطای غیر خطی مدل و تحلیل شود. در این جا مدل سازی خطای غیر خطی و جبران سازی آن با استفاده از شبکه عصبی که به دو روش الگوریتم پس انتشار خط و الگوریتم ژنتیک آموزش می بیند و روش ترکیب الگوریتم ژنتیک و الگوریتم پس انتشار خط در سیستم اندازه گیری هتروداین دو مود و سه مود پرداخته می شود. در انواع شبیه سازی های انجام شده (مدل سازی و جبران سازی)، الگوریتم ژنتیک عملکرد بهتری نسبت به الگوریتم پس انتشار خط در مدل سازی خطای غیر خطی دارد. در روش ترکیب الگوریتم ژنتیک و الگوریتم پس انتشار خط مقدار میانگین مربع خطای آن کمتر از بقیه روش ها است و مقدار آن در بخش مدل سازی دو مود 28/132- و در بخش جبران سازی دو مود 73/134- و در بخش مدل سازی سه مود 105/117- و در بخش جبران سازی سه مود 52/100- است.