در این مقاله با استفاده از الگوریتم پیشنهادی، مدلسازی هوشمند پیل سوختی با الکترولیت اکسید جامد (SOFC) انجام شده است؛ سپس نتایج با مدل ریاضیاتی دقیقی مقایسه گردیده است. نتایج شبیه سازی‌ها نشان داده‌اند که مدل SVM جواب بهتری نسبت به ANN دارد. در ضمن این مدل مي‌تواند به خوبی جایگزین مدل‌های متداول ریاضیاتی برای مطالعات دینامیکی و استاتیکی گردد.
1- مدل‌های دینامیکی جعبه سیاه پیل سوختی SOFC با استفاده از روش‌های هوشمند ماشین‌های بردار پشتیبان و شبکه‌های عصبی مصنوعی، مي‌توانند جایگزین مناسبی برای مدل‌های متداول ریاضیاتی باشند. روش‌های هوشمند مي‌توانند بدون نیاز به پارامترها و معادلات پیل‌های سوختی مدل دقیقی برای آن‌ها ارایه دهند. در ضمن، این مدل‌ها به حافظه کمتری در مقایسه با مدل‌های ریاضیاتی برای مطالعات دینامیکی، زمان حقیقی، استاتیک و ... نیاز دارند. در عین حال، مدل بر پایه SVM نسبت به ANN دقیقیتر بوده و خطای کمتری دارد و لذا بیشتر مورد توصیه مي‌باشد.
2- نکته‌ي مهم در مدلسازی دینامیکی به کمک روش‌های هوشمند، فراهم کردن داده‌های مناسب دینامیکی برای آموزش است که بتواند خواص دینامیکی سیستم را به خوبی به روش هوشمند آموزش دهد. در این پایان نامه نشان داده شده است که به کمک سیگنال PRBS مي‌توان داده‌های مناسبی برای آموزش تولید کرد، و مدل دینامیکی دقیقی را استخراج نمود.
3- دو روش SVM و ANN به خوبی مي‌توانند جهت مدلسازی‌های غیر خطی و چند متغیره سیستم (مثل مدلسازی پیل‌های سوختی) به کار روند. روش SVM در مقایسه با روش ANN به دلیل ویژگی‌های بحث شده در باره آن، خطای پیش بینی کمتری دارد.
4- به کمک درخت تصمیم گیری مي‌توان ویژگی‌های مناسبی برای آموزش شبکه‌های هوشمند را انتخاب کرد. به عبارت دیگر درخت تصمیم گیری داده‌های ورودی برای آموزش را به بهترین نحو کاهش مي‌دهد