Thermodynamic property data analysis for alkaline water electrolysis systems modelling : benchmarking CoolProp and deriving polynomial surrogate models

Abstract

This bachelor's thesis examines the use of the open-source library CoolProp for acquiring the thermodynamic properties needed to model alkaline water electrolysis systems. NIST REFPROP has been proved to be an accurate thermodynamic property library, but licensing and integration constraints limit its use in projects. This thesis evaluates CoolProp as an alternative and looks into developing polynomial surrogate models from the data for further use. The work was carried out by generating property data with CoolProp, benchmarking it against REFPROP and fitting fourth-degree polynomial models with the scikit-learn library.

The aim was to determine whether CoolProp can serve as a reliable substitute for REFPROP and whether polynomial models can reproduce its data at a lower computational cost. The benchmarking showed close agreement between the two libraries, with mean relative differences below 0,001 % and the largest single deviation near 0,005 %. The polynomial models reproduced 23 of the 25 substance-property combinations to within a one-percent maximum relative difference and a mean of 0,1 %. The models also evaluated 12 to 28 times faster than CoolProp calls.

The results indicate that CoolProp is a reliable alternative to REFPROP for acquiring thermodynamic property data for alkaline water electrolysis modelling, and that polynomial models offer substantial speed improvements at little loss of accuracy when fitted to the data. The main limitation is that CoolProp treats the fluids as pure substances and so cannot represent the electrolyte mixture, which restricts full modelling of the cell stack.

Tässä kandidaatintyössä tarkastellaan avoimen lähdekoodin CoolProp termodynaamisen kirjaston käyttöä alkalielektrolyysijärjestelmien mallinnuksessa tarvittavien termodynaamisten ominaisuuksien hankkimiseen. NIST REFPROP on todettu tarkaksi termodynaamisten ominaisuuksien kirjastoksi, mutta lisensointi ja integrointirajoitukset hankaloittavat sen käyttöä. Työssä CoolPropia arvioidaan vaihtoehtona ja siitä saadusta datasta kehitetään polynomisia sijaismalleja jatkokäyttöä varten. Työ toteutettiin tuottamalla ominaisuusdataa CoolPropilla, vertaamalla sitä REFPROPiin ja sovittamalla dataan neljännen asteen polynomimalleja scikit-learn Python kirjastolla.

Tavoitteena oli selvittää, voiko CoolProp toimia luotettavana korvaajana REFPROPille ja voivatko polynomimallit toistaa sen datan pienemmällä laskennallisella kustannuksella. Vertailu osoitti kirjastojen antavan samankaltaisia arvoja: keskimääräiset suhteelliset erot olivat alle 0,001 % ja suurin yksittäinen poikkeama noin 0,005 %. CoolPropista johdetuista 25:stä aine-ominaisuus polynomimallista 23 mallia pääsi alle yhden prosentin maksimipoikkeamaan ja alle 0,1 % keskimääräiseen poikkeamaan. Mallit laskivat myös 12–28 kertaa nopeammin kuin vastaavat CoolProp kutsut.

Tulokset osoittavat, että CoolProp on luotettava vaihtoehto REFPROPille alkalielektrolyysi-järjestelmien mallintamiseen tarvittavan termodynaamisen datan hankinnassa ja että polynomimallit tarjoavat merkittävän laskentanopeuden parannuksen vähäisellä tarkkuuden menetyksellä sovitettaessa. Keskeisin rajoitus on, että CoolProp käsittelee liuokset puhtaina aineina eikä pysty tarjoamaan arvoja elektrolyyttiseoksille, mikä rajoittaa kennoston täydellistä mallintamista.