Abstract This paper proposes a recent approach-based moth-flame optimizer (MFO) to enhance the output power of solid oxide fuel cell (SOFC) via identifying the optimal parameters of its model. The cell is modeled via artificial neural network (ANN) trained by experimental dataset. Six inputs are fed to ANN to get the SOFC terminal voltage. Levenberg-Marquardt is used in training process with minimizing the mean squared error (MSE). The SOFC model polarization curves are compared to experimental data under variable operating conditions. The proposed MFO is employed to estimate the optimal values of SOFC model, anode support layer (ASL) thickness; ASL porosity; thickness of electrolyte and cathode functional layer (CFL) thickness to enhance the SOFC extracted power. Furthermore, a quantitative and qualitative comparative study with ANN-based SOFC optimized via Genetic Algorithm (GA), Social Spider Optimizer (SSO), Radial Movement Optimizer (RMO) and the experimental data is presented under different operating conditions. Sensitivity analysis is performed by changing the upper and lower thresholds of the estimated variables. The proposed ANN-MFO approach enhanced the SOFC power by 18.92% and 5.56% in comparison with ANN-GA and ANN-RMO respectively. The obtained results confirmed the significance of the proposed MFO in enhancing of the SOFC output power.

中文翻译：

---

通过优化参数提取过程增强固体氧化物燃料电池输出功率的最新飞蛾火焰优化器

摘要 本文提出了一种最新的基于方法的蛾焰优化器（MFO），通过确定其模型的最佳参数来提高固体氧化物燃料电池（SOFC）的输出功率。该细胞是通过由实验数据集训练的人工神经网络 (ANN) 建模的。六个输入被馈送到 ANN 以获得 SOFC 端电压。Levenberg-Marquardt 用于训练过程中最小化均方误差 (MSE)。将 SOFC 模型极化曲线与可变操作条件下的实验数据进行比较。提出的 MFO 用于估计 SOFC 模型、阳极支撑层 (ASL) 厚度的最佳值；ASL 孔隙率；电解质厚度和阴极功能层 (CFL) 厚度，以提高 SOFC 提取功率。此外，使用通过遗传算法 (GA)、社交蜘蛛优化器 (SSO)、径向运动优化器 (RMO) 优化的基于 ANN 的 SOFC 进行了定量和定性比较研究，并在不同的操作条件下提供了实验数据。通过改变估计变量的上下阈值来进行敏感性分析。与 ANN-GA 和 ANN-RMO 相比，所提出的 ANN-MFO 方法将 SOFC 功率分别提高了 18.92% 和 5.56%。获得的结果证实了所提出的 MFO 在提高 SOFC 输出功率方面的重要性。通过改变估计变量的上下阈值来进行敏感性分析。与 ANN-GA 和 ANN-RMO 相比，所提出的 ANN-MFO 方法将 SOFC 功率分别提高了 18.92% 和 5.56%。获得的结果证实了所提出的 MFO 在提高 SOFC 输出功率方面的重要性。通过改变估计变量的上下阈值来进行敏感性分析。与 ANN-GA 和 ANN-RMO 相比，所提出的 ANN-MFO 方法将 SOFC 功率分别提高了 18.92% 和 5.56%。获得的结果证实了所提出的 MFO 在提高 SOFC 输出功率方面的重要性。