AI-Based Surrogate Modeling Technique In Hydrogen Release Prediction

Abstract

Hydrogen er en ren erstatningsenergi for tradisjonell karbon-drivstoffenergi. Siden det er det letteste elementet, har det lav tetthet. Flytende hydrogen blir en god måte å lagre og transportere hydrogen på. Men siden dets lave kokepunkt (-253°C). Når det søles kan det føre til at den omkringliggende luften blir flytende eller til og med størkner. Hydrogen har et bredt brennbarhetsområde (4-75% vol i luften) og lav antennelsesenergi (0,019 mJ), så det er veldig farlig når det slipper ut i luften. I en tidligere studie utfører Random Forests gode beregninger. I denne artikkelen prøver vi å bruke forskjellige maskinlæringsmodeller, for eksempel XGBoost og deep learning Artificial Neural Networks for å forutsi hydrogenfrigjøringen i henhold til dataene vi mottok.

Hydrogen is a clean substitute energy for traditional carbon-fuel energy. Since it is the lightest element, it has low density. Liquid hydrogen becomes a good way of storing and transporting hydrogen. But since its low boiling point (-253°C). When it spills it can cause the surrounding air to liquefy or even solidify. Hydrogen has a wide flammability range(4-75%vol in the air) and low ignition energy (0.019 mJ), so it is very dangerous when it releases into the air. In a previous study, Random Forests perform good metrics, In this paper, we are trying to use different machine learning models, for example, XGBoost and deep learning Artificial Neural Networks for predicting the hydrogen release according to the data we received.