This study aims to develop a machine learning-based optimal design methodology for solid oxide electrolysis cell (SOEC) stacks to improve energy efficiency and durability. Conventional multiphysics simulations are computationally expensive, making it difficult to evaluate a large number of design and operating conditions. To address this limitation, an artificial neural network is trained using numerical simulation data to construct a surrogate model for rapid prediction of SOEC performance. Furthermore, multi-objective optimization is performed considering energy efficiency, temperature and current density uniformity, and steam utilization to identify optimal stack configurations and operating conditions.

本研究では、固体酸化物電解セル（SOEC）スタックのエネルギー効率と耐久性の向上を目指し、機械学習を活用した最適設計手法を構築する。従来の多物理場数値解析では計算コストが高く、多数の設計・運転条件を比較検討することが困難である。そこで、数値解析によって得られたデータをニューラルネットワークに学習させ、SOECの性能を高速に予測できるサロゲートモデルを構築する。さらに、エネルギー効率、温度・電流密度分布の均一性および水蒸気利用率を考慮した多目的最適化を行い、SOECスタックの最適な構造・運転条件を明らかにすることを目指す。