CN113555588B - 一种燃料电池性能预测方法、装置、电子设备及存储介质 - Google Patents
一种燃料电池性能预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113555588B CN113555588B CN202110790620.XA CN202110790620A CN113555588B CN 113555588 B CN113555588 B CN 113555588B CN 202110790620 A CN202110790620 A CN 202110790620A CN 113555588 B CN113555588 B CN 113555588B
- Authority
- CN
- China
- Prior art keywords
- model
- gdl
- fuel cell
- performance
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 74
- 235000012209 glucono delta-lactone Nutrition 0.000 claims description 160
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 33
- 230000010287 polarization Effects 0.000 claims description 32
- 229920000049 Carbon (fiber) Polymers 0.000 claims description 26
- 239000004917 carbon fiber Substances 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000009792 diffusion process Methods 0.000 claims description 13
- 239000000654 additive Substances 0.000 claims description 12
- 230000000996 additive effect Effects 0.000 claims description 11
- 239000000178 monomer Substances 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 7
- 239000011230 binding agent Substances 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 239000000835 fiber Substances 0.000 claims description 6
- 239000012530 fluid Substances 0.000 claims description 6
- 239000007788 liquid Substances 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000035699 permeability Effects 0.000 claims description 3
- 238000012827 research and development Methods 0.000 abstract description 4
- 239000007789 gas Substances 0.000 description 18
- 239000012528 membrane Substances 0.000 description 13
- 239000011148 porous material Substances 0.000 description 11
- 230000007423 decrease Effects 0.000 description 7
- 239000004810 polytetrafluoroethylene Substances 0.000 description 6
- 229920001343 polytetrafluoroethylene Polymers 0.000 description 6
- -1 Polytetrafluoroethylene Polymers 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000006835 compression Effects 0.000 description 5
- 238000007906 compression Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000003054 catalyst Substances 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000011343 solid material Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000329 molecular dynamics simulation Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 208000010125 myocardial infarction Diseases 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000027756 respiratory electron transport chain Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04305—Modeling, demonstration models of fuel cells, e.g. for training purposes
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M8/00—Fuel cells; Manufacture thereof
- H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
- H01M8/04298—Processes for controlling fuel cells or fuel cell systems
- H01M8/04992—Processes for controlling fuel cells or fuel cell systems characterised by the implementation of mathematical or computational algorithms, e.g. feedback control loops, fuzzy logic, neural networks or artificial intelligence
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/30—Hydrogen technology
- Y02E60/50—Fuel cells
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Chemical & Material Sciences (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Chemical & Material Sciences (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Manufacturing & Machinery (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Fuel Cell (AREA)
Abstract
本发明公开了一种燃料电池性能预测方法、装置、电子设备及存储介质,其中,预测方法包括步骤:获取若干不同性能的GDL,并将GDL重构为对应的GDL模型;基于孔尺度模型和格子玻尔兹曼方法分析GDL模型获取对每种GDL模型的性能参数信息;将性能参数信息导入燃料电池模型中;获取并分析燃料电池模型的电池性能信息;基于电池性能信息指导GDL调整或选择最佳GDL模型;该方法实现了微观模型和宏观模型关联体系,系统性地综合了燃料电池微观、宏观特性,可精确地预测燃料电池的性能,并能以预测结果作为燃料电池的研发调整基础或选择基础。
Description
技术领域
本申请涉及电池技术领域,具体而言,涉及一种燃料电池性能预测方法、装置、电子设备及存储介质。
背景技术
近年来,质子交换膜燃料电池(proton exchange membrane fuel cell,质子交换膜)逐渐走向商业化,因为与其他能源相比,质子交换膜具有高效率、低排放和可持续性等优势。膜电极(membrane electrode assembly,膜电极)是质子交换膜核心组件,其包括GDL、催化剂层(catalyst layer,催化剂层)和质子交换膜(proton exchange membrane,质子交换膜)。
现代膜电极在GDL和催化剂层之间加增微孔层(micro porous layer,微孔层),以增强膜电极的水管理和机械性能。GDL是一种多孔介质,由树脂粘合的碳纤维构成,通常涂有聚四氟乙烯(polytetrafluoroethylene,PTFE)。GDL同时为传质、导电、导热提供路径,并支撑催化剂层和质子交换膜,以保持其良好的机械性能。这些过程相互制约,并在GDL中的固体材料以及空隙中相互耦合。因此,良好GDL应具有均匀的孔隙率、导热率/电导率、稳定性/耐用性和表面特性。
现有的关于燃料电池的性能分析方法,普遍为单单直接从宏观角度或微观角度进行分析,然而发展至今,有许多问题无法单从宏观现象或微观角度分析其内在反应机理,尚未存在一种综合微观及宏观角度进行燃料电池性能预测的方式,导致燃料电池性能预测结果不够系统准确。
针对上述问题,目前尚未有有效的技术解决方案。
发明内容
本申请实施例的目的在于提供一种燃料电池性能预测方法、装置、电子设备及存储介质,实现微观模型和宏观模型关联体系,以精确地预测燃料电池的性能。
第一方面,本申请实施例提供了一种燃料电池性能预测方法,用于模拟预测燃料电池的性能,所述方法包括以下步骤:
S1、获取若干不同性能的GDL,并将GDL重构为对应的GDL模型;
S2、基于孔尺度模型和格子玻尔兹曼方法分析GDL模型获取对每种GDL模型的性能参数信息;
S3、将性能参数信息导入燃料电池模型中;
S4、获取并分析燃料电池模型的电池性能信息;
S5、基于电池性能信息指导GDL调整或选择最佳GDL模型。
所述的一种燃料电池性能预测方法,其中,步骤S1包括以下子步骤:
S11、获取若干不同性能的GDL;
S12、获取每种GDL的基础参数信息,所述基础参数信息包括孔隙率、碳纤维直径、纤维长度、粘结剂体积分数、计算域大小和各向异性参数;
S13、基于基础参数信息进行数值随机重构生成原始GDL模型;
S14、对原始GDL模型添加添加剂获取GDL模型。
所述的一种燃料电池性能预测方法,其中,步骤S13包括以下子步骤:
S131、基于计算域大小和各向异性参数,在坐标系中随机生成在计算域中的碳纤维单体;
S132、基于碳纤维直径和纤维长度,重复增加碳纤维单体的数量并排列形成圆柱形碳纤维结构;
S133、判断圆柱形碳纤维结构是否符合孔隙率大小,是则将该圆柱形碳纤维结构输出为原始GDL模型,否则再次执行步骤S131-S133。
所述的一种燃料电池性能预测方法,其中,所述性能参数信息包括气体扩散系数、电导系数和热导系数。
所述的一种燃料电池性能预测方法,其中,所述电池性能信息包括活化极化信息、欧姆极化信息和浓度极化信息。
所述的一种燃料电池性能预测方法,其中,步骤S4包括以下子步骤:
S41、对燃料电池模型中一个流道进行流体动力学计算;
S42、获取所述流道中阴阳极板之间的电压差随电流的变化趋势,获得燃料电池性能极化曲线;
S43、分析燃料电池性能极化曲线获取电池性能信息。
所述的一种燃料电池性能预测方法,其中,步骤S2中,基于孔尺度模型和格子玻尔兹曼方法同时分析获取多个GDL模型的性能参数信息。
第二方面,本申请实施例还提供了一种燃料电池性能预测装置,用于模拟预测燃料电池的性能,包括:
获取模块,用于获取若干不同性能的GDL;
重构模块,用于将GDL重构为对应的GDL模型;
孔尺度模块,用于基于孔尺度模型和格子玻尔兹曼方法分析GDL模型获取对每个GDL模型的性能参数信息;
电池模型模块,用于提供燃料电池模型;
导入模块,用于将性能参数信息导入燃料电池模型中;
分析模块,用于获取并分析燃料电池模型的电池性能信息;
结果模块,用于基于电池性能信息指导GDL调整或选择最佳GDL模型。
第三方面,本申请实施例还提供了一种电子设备,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如上述第一方面提供的所述方法中的步骤。
第四方面,本申请实施例还提供了一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
由上可知,本申请实施例提供的一种燃料电池性能预测方法、装置、电子设备及存储介质,其中,预测方法通过获取不同性能的GDL重构GDL模型,利用孔尺度模型和格子玻尔兹曼方法分析GDL模型获取其用于调整燃料电池性能模型的性能参数信息,分析导入性能参数信息的燃料电池模型中电池性能信息以作为GDL指导调整或选择的基础,实现了微观模型和宏观模型关联体系,系统性地综合了燃料电池微观、宏观特性,可精确地预测燃料电池的性能,并能以预测结果作为燃料电池的研发调整基础或选择基础。
附图说明
图1为本申请实施例提供的一种燃料电池性能预测方法的流程图。
图2为本申请实施例提供的一种燃料电池性能预测装置的结构示意图。
图3为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
第一方面,请参照图1,图1是本申请一些实施例中的一种燃料电池性能预测方法,用于模拟预测燃料电池的性能,方法包括以下步骤:
S1、获取若干不同性能的GDL,并将GDL重构为对应的GDL模型;
具体地,不同性能的GDL来自不同厂家的GDL或自定义设计的GDL,不同性能的GDL应具备基础参数信息,以利于后续构建不同的GDL模型进行分析;其中基础参数信息为反映GDL结构性质的设计参数,该基础参数信息可从不同厂家关于GDL的设计说明书中获取。
更具体地,GDL指的是气体扩散层(Gas diffusion Layer)作为连接催化层和流动区域的桥梁,GDL应具备以下的特征:多孔性、导电性、疏水性、化学稳定性和可靠性,GDL常用的支撑材料有碳纤维和聚四氟乙烯/碳膜组成的微孔层,以GDL重构的GDL模型属于微观模型。
S2、基于孔尺度模型和格子玻尔兹曼方法分析GDL模型获取对每种GDL模型的性能参数信息;
具体地,孔尺度模型(Pore-scale modeling,PSM),用于微观模型的分析计算,可获取微观模型中关于孔隙结构传输特性的性能参数信息。
具体地,格子玻尔兹曼方法(Lattice Boltzmann Method, LBM)是一种基于介观(mesoscopic)模拟尺度的计算流体力学方法。该方法相比于其他传统CFD计算方法,具有介于微观分子动力学模型和宏观连续模型的介观模型特点,能够并行处理不同尺度下的计算流体力学问题。
具体地,由于不同性能的GDL具有不同的结构性质,其对应的GDL模型也具备不同的孔隙结构;而孔尺度模型本质上是一种数值方法,用于对多孔材料的重构微结构进行直接数值模拟,它介于宏观和微观之间,用于解决多孔介质中的传质、导电和导热等问题,尤其适用于三维多孔模型;本申请实施例中,根据GDL重构获取的GDL模型符合孔尺度模型的使用性质,可结合孔尺度模型进行数值和格子玻尔兹曼方法模拟计算,从而获取GDL模型的性能参数信息。
更具体地,孔尺度模型通过分析在GDL模型单位体积内发生的传输过程的控制方程的数值解以获取GDL模型的性能参数信息,即本申请实施例步骤S2利用孔尺度模型获取用于评估GDL模型关于传输特性的性能参数信息;而利用孔尺度模型获取用于评估GDL模型关于传输特性的性能参数信时,格子玻尔兹曼方法用于确定各向异性液态水渗透率和饱和度作为毛细管压力的函数;因此,结合孔尺度模型和格子玻尔兹曼方法分析获取的性能参数信息可了解实际燃料电池运行下的气体扩散层性能。
S3、将性能参数信息导入燃料电池模型中;
具体地,燃料电池模型属于宏观模型,其通过一些宏观参数可进行性能调节以改变模型特性;在本身实施例的方法中,通过孔尺度模型获取了GDL模型关于传输特性的性能参数信息,这些关于传输特性的性能参数信息可反映出宏观状态的气/热/电的传递特性,由此可将这些性能参数信息导入至燃料电池模型中以调整燃料电池模型,使得作为宏观模型的燃料电池模型与作为微观模型的GDL模型构建性能关联,即使得从燃料电池模型的性能为基于GDL模型的性能进行调整的。
S4、获取并分析燃料电池模型的电池性能信息;
具体地,可采用常用的电池模型分析方法对燃料电池模型进行性能分析,从而获取该燃料电池模型的电池性能信息,由于前述基于不同GDL重构了多个不同的GDL模型,因此,孔尺度模型获取的关于不同GDL模型的性能参数能代入不同的燃料电池模型中,因此,步骤S4可获取对应于不同GDL的燃料电池模型的电池性能信息;由此,本申请实施例的方法,可对不同燃料电池模型的电池性能信息进行分析,从而区分出不同GDL对燃料电池模型产生的影响。
S5、基于电池性能信息指导GDL调整或选择最佳GDL模型。
具体地,步骤S4中可分析获取不同GDL对燃料电池模型产生的影响,在此基础下,可通过变量控制的方式,比较GDL中哪些基础参数信息对燃料电池模型的哪些电池性能信息造成正面/负面影响,以此为基础进行GDL调节而实现燃料电池性能的提高,构成微观模型参数改变宏观模型特性和宏观模型特性知道微观模型调整的良性循环,基于模型的循环构件可预测并构建出性能优异的燃料电池。
更具体地,步骤S4中可分析获取不同GDL对燃料电池模型产生的影响,在此基础下,可根据使用需求并比较燃料电池模型的电池性能信息,从中选择适合使用的最佳GDL模型,以该GDL模型的GDL投入燃料电池制备,本申请实施例的方法,从微观模型参数改变宏观模型特性,可快速筛选出合适的性能优异的GDL进行燃料电池制备。
本申请实施例的一种燃料电池性能预测方法,通过获取不同性能的GDL重构GDL模型,利用孔尺度模型和格子玻尔兹曼方法分析GDL模型获取其用于调整燃料电池性能模型的性能参数信息,分析导入性能参数信息的燃料电池模型中电池性能信息以作为GDL指导调整或选择的基础,实现了微观模型和宏观模型关联体系,系统性地综合了燃料电池微观、宏观特性,可精确地预测燃料电池的性能,并能以预测结果作为燃料电池的研发调整基础或选择基础。
在一些优选的实施方式中,步骤S1包括以下子步骤:
S11、获取若干不同性能的GDL;
具体地,在本申请实施例中,不同性能的GDL优选取自不同厂家或不同型号的GDL,从设计规格说明书或厂家提供的信息中,可快速、精准地获取这些GDL的基础参数信息,从而利于提高本申请实施例的一种燃料电池性能预测方法的精准度、速度。
S12、获取每种GDL的基础参数信息,基础参数信息包括孔隙率、碳纤维直径、纤维长度、粘结剂体积分数、计算域大小和各向异性参数;
具体地,由于GDL是一种多孔介质,其由树脂粘合的碳纤维构成,且同时为气体、电子、热量和液态水的传输提供路径,因此需获取孔隙率、碳纤维直径、纤维长度、粘结剂体积分数、计算域大小和各向异性参数这些直接或间接影响GDL中气体、电子、热量和液态水传输效率的参数作为GDL模型重构的基础。
S13、基于基础参数信息进行数值随机重构生成原始GDL模型;
具体地,采用随机数值重建的方法,可建立关于GDL的孔尺度模型,因此,步骤S2中可通过关于孔尺度模型的分析方法对GDL模型进行分析。
更具体地,该原始GDL模型生成过程可通过定制的MATLAB代码基于基础参数信息进行生成。
S14、对原始GDL模型添加添加剂获取GDL模型。
具体地,对原始GDL模型的形态学算子添加添加剂,如粘合剂和聚四氟乙烯,以生成最终的GDL模型。
具体地,添加添加剂过程采用XCT实验方法验证添加物加入量是否足够,具体过程为:对原始GDL模型进行三维灰度阈值法处理,对处理后图像进行分析获得其最重的三维碳纤维结构图形位置,然后对该位置的部分结构进行添加剂计如粘结剂、PTFE剂量判断,判断添加剂是基本符合添加剂量需要(相对误差小于3%),若不符合则调整添加剂量再重复测量直接符合需求为止。
在一些优选的实施方式中,步骤S13包括以下子步骤:
S131、基于计算域大小和各向异性参数,在坐标系中随机生成在计算域中的碳纤维单体;
具体地,将计算域大小和各向异性参数导入MATLAB中,可根据模型代码随机包含碳纤维结构的虚拟GDL。
具体地,随机数值重建的方法模拟所有相,包括孔隙、碳纤维、粘合剂和聚四氟乙烯,以生成GDL的3D微结构。
S132、基于碳纤维直径和纤维长度,重复增加碳纤维单体的数量并排列形成圆柱形碳纤维结构;
具体地,碳纤维直径和纤维长度导入MATLAB中,可根据模型代码重复增加碳纤维单体的数量并排列形成圆柱形碳纤维结构。
S133、判断圆柱形碳纤维结构是否符合孔隙率大小,是则将该圆柱形碳纤维结构输出为原始GDL模型,否则再次执行步骤S131-S133。
具体地,利用MATLAB中判断指令判断随机生成的圆柱形碳纤维结构的孔隙率是否基本与原GDL的孔隙率一致(相对误差小于1%),基本一致即表明该GDL模型能代表原GDL结构。
采用随机竖直重构的方式建立GDL模型,可使得GDL模型具有随机性,能有效模拟实际GDL的性能参数信息,从而提高预测方法的精确性。
在一些优选的实施方式中,性能参数信息包括气体扩散系数、电导系数和热导系数。
具体地,气体扩散系数是表示气体(或固体)扩散程度的物理量。在GDL中,当浓度梯度为一个单位时,单位时间内通过单位面积的气体量成为扩散系数。当GDL被压缩时,它的孔隙度就会下降。因此,由于孔隙体积减少,路径更曲折,预计其有效扩散率会降低。
具体地,电导系数和热导系数分别与热导率和电导率相关,热导率和电导率决定了热量和电子的传输效率,进而影响燃料电池的性能。在GDL中,碳纤维提供了电传导和热传导的途径,高体积比例的碳纤维会导致高效的电导率和热导率。随着压缩比的增加,有效碳纤维接触面积也增加,进一步导致有效电导率和热导率更高。另外,GDL内的热传递还包括通过孔隙空间中气体的热传导和当存在电流时纤维中的欧姆加热。
具体地,由于在GDL中,气体通过孔隙扩散,导电通过碳纤维发生,热传导通过整个区域发生。这些关于气体、电流、热量的传输过程是相互影响的,并且在本质上与GDL的孔隙空间和固体材料相耦合。因此,获得最佳电池性能的良好GDL应具有平衡的孔隙率、导热率、电导率,因此,可基于计算得到气体扩散系数、电导系数和导热系数作为评判GDL模型特性的条件,还可并将这些参数代入到宏观模型进行性能分析及预测。
具体地,气体扩散系数、电导系数和热导系数相互关联,当GDL被压缩时,它的孔隙度下降。因此,预计其有效扩散率将由于孔隙体积减小和路径更加曲折而降低,有效气体扩散率随着压缩比的增加而降低。假如GDL压缩后厚度减少了20%,垂直于GDL平面的扩散率就会降低17.2%。类似地,平行于GDL平面内有效扩散率降低了大约21.1%。电导率随着压缩比的增加而增加,如在20%之后,垂直于GDL平面的电导率从0.056增加到0.139。
更具体地,本申请实施例的一种燃料电池性能预测方法,步骤S2中获取的包括有气体扩散系数、电导系数和热导系数的性能参数信息,可有效评判压缩比对GDL的影响,以此作为微观模型和宏观模型关联体系的数据连接基础,可关联分析燃料电池模型和GDL模型的性能关系。
更具体地,性能参数信息还包括质子传导率和水传输率。
在一些优选的实施方式中,电池性能信息包括活化极化信息、欧姆极化信息和浓度极化信息。
具体地,活化极化是指由于电极电化学反应迟延而引起其电位偏离平衡电位的现象,会影响的电子的释放能力;欧姆极化会影响电池导电能力使电池内阻会发生影响;浓度极化则会引起的电势降;因此,活化极化信息、欧姆极化信息和浓度极化信息这些电池性能信息均可直接反映出电池的使用性能。
在一些优选的实施方式中,步骤S4包括以下子步骤:
S41、对燃料电池模型中一个流道进行流体动力学计算;
S42、获取流道中阴阳极板之间的电压差随电流的变化趋势,获得燃料电池性能极化曲线;
具体地,本申请实施例中采用COMSOL计算阴阳极板之间的电压差随电流的变化趋势,从而输出燃料电池性能极化曲线。
S43、分析燃料电池性能极化曲线获取电池性能信息。
具体地,由于电池性能极化曲线与燃料电池的电化学性能有关,电化学性能又与燃料电池的温度、膜电极的电导率、导热率以及氢气和氧气在GDL中的扩散系数有关,因此可基于电池性能极化曲线判断活化极化、欧姆极化和浓度极化情况,即获取了包括活化极化信息、欧姆极化信息和浓度极化信息的电池性能信息。
具体地,利用不同燃料电池模型中的上述电池性能信息与GDL模型的性能参数信息或基础参数信息进行比对,可分析出那些参数信息对电池性能信息影响较大,从而可指导GDL参数进行调整。
在一些优选的实施方式中,步骤S2中,基于孔尺度模型和格子玻尔兹曼方法同时分析获取多个GDL模型的性能参数信息。
具体地,采用并行计算的方式,求解出对应GDL模型的心梗参数信息,可有效减少时间成本。
第二方面,请参照图2,图2为本申请实施例提供的一种燃料电池性能预测装置,用于模拟预测燃料电池的性能,包括:
获取模块,用于获取若干不同性能的GDL;
重构模块,用于将GDL重构为对应的GDL模型;
孔尺度模块,用于基于孔尺度模型和格子玻尔兹曼方法分析GDL模型获取对每个GDL模型的性能参数信息;
电池模型模块,用于提供燃料电池模型;
导入模块,用于将性能参数信息导入燃料电池模型中;
分析模块,用于获取并分析燃料电池模型的电池性能信息;
结果模块,用于基于电池性能信息指导GDL调整或选择最佳GDL模型。
本申请实施例的一种燃料电池性能预测方法,通过获取模块获取不同性能的GDL并利用重构模块重构GDL模型,利用孔尺度模块的孔尺度模型和格子玻尔兹曼方法分析GDL模型获取其用于调整电池模型模块中燃料电池性能模型的性能参数信息,利用分析模块分析导入性能参数信息的燃料电池模型中电池性能信息以作为结果模块对GDL指导调整或选择的基础,实现了微观模型和宏观模型关联体系,系统性地综合了燃料电池微观、宏观特性,可精确地预测燃料电池的性能,并能以预测结果作为燃料电池的研发调整基础或选择基础。
第三方面,请参照图3,图3为本申请实施例提供的一种电子设备的结构示意图,本申请提供一种电子设备3,包括:处理器301和存储器302,处理器301和存储器302通过通信总线303和/或其他形式的连接机构(未标出)互连并相互通讯,存储器302存储有处理器301可执行的计算机程序,当计算设备运行时,处理器301执行该计算机程序,以执行时执行上述实施例的任一可选的实现方式中的方法。
第四方面,本申请实施例提供一种存储介质,所述计算机程序被处理器执行时,执行上述实施例的任一可选的实现方式中的方法。其中,存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static RandomAccess Memory, 简称SRAM),电可擦除可编程只读存储器(Electrically ErasableProgrammable Read-Only Memory, 简称EEPROM),可擦除可编程只读存储器(ErasableProgrammable Read Only Memory, 简称EPROM),可编程只读存储器(Programmable Red-Only Memory, 简称PROM),只读存储器(Read-Only Memory, 简称ROM),磁存储器,快闪存储器,磁盘或光盘。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.一种燃料电池性能预测方法,用于模拟预测燃料电池的性能,其特征在于,所述方法包括以下步骤:
S1、获取若干不同性能的GDL,并将GDL重构为对应的GDL模型;
S2、基于孔尺度模型和格子玻尔兹曼方法分析GDL模型获取对每种GDL模型的性能参数信息;
S3、将性能参数信息导入燃料电池模型中;
S4、获取并分析燃料电池模型的电池性能信息;
S5、基于电池性能信息指导GDL调整或选择最佳GDL模型;
步骤S2包括以下子步骤:
利用孔尺度模型获取用于评估GDL模型关于传输特性的性能参数信息;
利用格子玻尔兹曼方法确定各向异性液态水渗透率和饱和度作为毛细管压力的函数;
步骤S4包括以下子步骤:
S41、对燃料电池模型中一个流道进行流体动力学计算;
S42、获取所述流道中阴阳极板之间的电压差随电流的变化趋势,获得燃料电池性能极化曲线;
S43、分析燃料电池性能极化曲线获取电池性能信息。
2.根据权利要求1所述的一种燃料电池性能预测方法,其特征在于,步骤S1包括以下子步骤:
S11、获取若干不同性能的GDL;
S12、获取每种GDL的基础参数信息,所述基础参数信息包括孔隙率、碳纤维直径、纤维长度、粘结剂体积分数、计算域大小和各向异性参数;
S13、基于基础参数信息进行数值随机重构生成原始GDL模型;
S14、对原始GDL模型添加添加剂获取GDL模型。
3.根据权利要求2所述的一种燃料电池性能预测方法,其特征在于,步骤S13包括以下子步骤:
S131、基于计算域大小和各向异性参数,在坐标系中随机生成在计算域中的碳纤维单体;
S132、基于碳纤维直径和纤维长度,重复增加碳纤维单体的数量并排列形成圆柱形碳纤维结构;
S133、判断圆柱形碳纤维结构是否符合孔隙率大小,是则将该圆柱形碳纤维结构输出为原始GDL模型,否则再次执行步骤S131-S133。
4.根据权利要求1所述的一种燃料电池性能预测方法,其特征在于,所述性能参数信息包括气体扩散系数、电导系数和热导系数。
5.根据权利要求1所述的一种燃料电池性能预测方法,其特征在于,所述电池性能信息包括活化极化信息、欧姆极化信息和浓度极化信息。
6.根据权利要求1所述的一种燃料电池性能预测方法,其特征在于,步骤S2中,基于孔尺度模型和格子玻尔兹曼方法同时分析获取多个GDL模型的性能参数信息。
7.一种燃料电池性能预测装置,用于模拟预测燃料电池的性能,其特征在于,包括:
获取模块,用于获取若干不同性能的GDL;
重构模块,用于将GDL重构为对应的GDL模型;
孔尺度模块,用于基于孔尺度模型和格子玻尔兹曼方法分析GDL模型获取对每个GDL模型的性能参数信息;
电池模型模块,用于提供燃料电池模型;
导入模块,用于将性能参数信息导入燃料电池模型中;
分析模块,用于获取并分析燃料电池模型的电池性能信息;
结果模块,用于基于电池性能信息指导GDL调整或选择最佳GDL模型;
基于孔尺度模型和格子玻尔兹曼方法分析GDL模型获取对每个GDL模型的性能参数信息的步骤包括以下子步骤:
利用孔尺度模型获取用于评估GDL模型关于传输特性的性能参数信息;
利用格子玻尔兹曼方法确定各向异性液态水渗透率和饱和度作为毛细管压力的函数;
获取并分析燃料电池模型的电池性能信息的步骤包括以下子步骤:
S41、对燃料电池模型中一个流道进行流体动力学计算;
S42、获取所述流道中阴阳极板之间的电压差随电流的变化趋势,获得燃料电池性能极化曲线;
S43、分析燃料电池性能极化曲线获取电池性能信息。
8.一种电子设备,其特征在于,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如权利要求1-6任一所述方法中的步骤。
9.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时运行如权利要求1-6任一所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110790620.XA CN113555588B (zh) | 2021-07-13 | 2021-07-13 | 一种燃料电池性能预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110790620.XA CN113555588B (zh) | 2021-07-13 | 2021-07-13 | 一种燃料电池性能预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113555588A CN113555588A (zh) | 2021-10-26 |
CN113555588B true CN113555588B (zh) | 2024-05-28 |
Family
ID=78131674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110790620.XA Active CN113555588B (zh) | 2021-07-13 | 2021-07-13 | 一种燃料电池性能预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113555588B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116341362A (zh) * | 2023-02-07 | 2023-06-27 | 南京友一智能科技有限公司 | 一种气体扩散层三维结构压缩变形预测方法 |
CN116386790B (zh) * | 2023-06-01 | 2023-11-03 | 宁德时代新能源科技股份有限公司 | 导电性能评估方法、装置、电子设备及可读存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104040772A (zh) * | 2011-12-13 | 2014-09-10 | 利兹大学 | 质子交换膜燃料电池 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6743543B2 (en) * | 2001-10-31 | 2004-06-01 | Motorola, Inc. | Fuel cell using variable porosity gas diffusion material |
-
2021
- 2021-07-13 CN CN202110790620.XA patent/CN113555588B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104040772A (zh) * | 2011-12-13 | 2014-09-10 | 利兹大学 | 质子交换膜燃料电池 |
Also Published As
Publication number | Publication date |
---|---|
CN113555588A (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xing et al. | Anode partial flooding modelling of proton exchange membrane fuel cells: model development and validation | |
CN113555588B (zh) | 一种燃料电池性能预测方法、装置、电子设备及存储介质 | |
Baricci et al. | Application of computational fluid dynamics to the analysis of geometrical features in PEM fuel cells flow fields with the aid of impedance spectroscopy | |
Arif et al. | Different approaches used for modeling and simulation of polymer electrolyte membrane fuel cells: a review | |
Ding et al. | Numerical study of gas purge in polymer electrolyte membrane fuel cell | |
Al-Baghdadi et al. | Modeling optimizes PEM fuel cell performance using three-dimensional multi-phase computational fluid dynamics model | |
Ghasabehi et al. | Cathode side transport phenomena investigation and Multi-Objective optimization of a tapered parallel flow field PEMFC | |
Liao et al. | Effect of structural parameters on mass transfer characteristics in the gas diffusion layer of proton exchange membrane fuel cells using the lattice boltzmann method | |
d’Adamo et al. | Modelling methods and validation techniques for CFD simulations of PEM fuel cells | |
Si et al. | A comprehensive review on measurement and correlation development of capillary pressure for two-phase modeling of proton exchange membrane fuel cells | |
Goshtasbi et al. | Effective parameterization of PEM fuel cell models—Part II: Robust parameter subset selection, robust optimal experimental design, and multi-step parameter identification algorithm | |
Machado et al. | A three-dimensional agglomerate model of an anion exchange membrane fuel cell | |
JP6624411B2 (ja) | パラメータ決定方法および細孔内のガスまたはイオンの輸送性を求めるシミュレーション方法 | |
Shen et al. | Two parameters identification for polarization curve fitting of PEMFC based on genetic algorithm | |
Pan et al. | A fast two-phase non-isothermal reduced-order model for accelerating PEM fuel cell design development | |
CN114388855B (zh) | 一种燃料电池寿命预测方法 | |
Molaeimanesh et al. | Pore‐scale analysis of a PEM fuel cell cathode including carbon cloth gas diffusion layer by lattice Boltzmann method | |
CN116314952B (zh) | 燃料电池设计方案评估方法、装置、设备、介质和产品 | |
Zhang et al. | Numerical investigation and experimental validation of water condensation in the gas diffusion layer with different properties | |
Haimerl et al. | Spatially resolved electrochemical impedance spectroscopy of automotive PEM fuel cells | |
Arvay | Proton exchange membrane fuel cell modeling and simulation using Ansys Fluent | |
CN114551937A (zh) | 一种燃料电池的性能检测系统及方法 | |
Edwards | Simplified, alternative formulation of numerical simulation of proton exchange membrane fuel cell | |
JP2017045549A (ja) | 燃料電池のシミュレーション方法 | |
Binyamin et al. | Analyzing Temperature Distribution, Mass Transport, and Cell Performance in PEM Fuel Cells with Emphasis on GDL Face Permeability and Thermal Contact Resistance Parameters |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |