CN114677677B - 一种质子交换膜燃料电池气体扩散层材料比例预测方法 - Google Patents

Abstract

本发明公开了一种质子交换膜燃料电池气体扩散层材料比例预测方法，属于质子交换膜燃料电池技术领域，包括以下步骤：组分识别步骤；推理预测步骤；该质子交换膜燃料电池气体扩散层材料比例预测方法，通过扫描电镜与CT断层扫描方法，只能肉眼观测质子交换膜燃料电池气体扩散层微结构，无法量化表达组分分布，本发明将计算机视觉应用于扫描电镜图像，借助神经网络更加精准地分析了气体扩散层扫描电镜图像中的各组分分布，解决了扫描电镜方法与CT断层扫描方法均无法获知气体扩散层中各组分比例的问题，通过多层感知机推到二维到三维信息的映射关系，根据图像推导气体扩散层组分比例信息，有利于数值重构更加精准的三维模型。

Description

一种质子交换膜燃料电池气体扩散层材料比例预测方法

技术领域

本发明属于质子交换膜燃料电池技术领域，具体涉及质子交换膜燃料电池气体扩散层材料比例预测方法。

背景技术

因为石油等化石能源紧缺以及环境保护的迫切要求，新能源汽车成为了世界各大汽车厂商及研发机构的研究热点，其中燃料电池技术是很有应用前景的一种清洁能源转换技术，由于无需经过燃料燃烧而直接将燃料中的化学能转化为电能，其能量转换效率不会受到卡诺循环限制，理论上总能量利用效率大于60%。

燃料电池主要包括碱性燃料电池、质子交换膜燃料电池（Polymer electrolytemembrane fuel cell），磷酸燃料电池、熔融碳酸盐燃料电池和固体氧化物燃料电池，其中商业化最成功的是质子交换膜燃料电池，PEMFC 汽车使用氢气为输入燃料，反应输出只有纯净水，具有工作无噪音、无污染、加注燃料时间短（3-5 分钟）及行驶里程长（500-700 公里）等优点。

PEMFC 最核心部件之一是电堆（动力源），主要包括紧固螺栓及端板、集流板、双极板（Bipolar plate, BPP）、垫圈、气体扩散层（Gas diffusion layer, GDL）、微孔层（Micro-porous layer, MPL）、催化层（Catalyst layer, CL）和质子交换膜（Polymerelectrolyte membrane, PEM），其中PEM、CL、MPL 和GDL 组合在一起统称为膜电极组件（Membrane electrode assembly, MEA）；燃料电堆根据功率大小由不同数量单体电池组装而成，单电池工作原理见图1 所示。

气体扩散层 (Gas Diffusion Layer; GDL)作为质子交换膜燃料电池最重要的零部件之一，主要负责传输反应气体、导出电子、排出生成物水；气体扩散层是由碳纤维、粘接剂、疏水剂通过高温石墨化制备而成，各组分的比例以及在碳纸中的分布情况决定了气体扩散层孔隙结构、连通性，从而影响气体扩散层的导气，导电与传热等过程，并进一步影响整个膜电极乃至燃料电池的性能；肉眼可以界定粘接剂与碳纤维之间的界限，但是无法获知国外气体扩散层生产时的比例信息；在碳纸国产化过程中，推理气体扩散层组分比例对碳纸生产厂家和科研工作者都十分重要，只有明晰了高品质气体扩散层中各材料组分的含量，才能准确调整气体扩散层生产工艺，并重构气体扩散层仿真模型，计算气体扩散层性能，从而提高国产气体扩散层生产工艺水平。

目前并没有准确推理气体扩散层各材料比例的方法，人们只能靠观察SEM图微结构，来人为统计高端气体扩散层各组分材料比例为多少，当前有两种获知气体扩散层微结构的方法。

当前对于气体扩散层微结构实验研究有两种主流方法：扫描电镜（SEM）和 X射线断层扫描（XCT），只能做到对气体扩散层微结构的观测，都做不到对气体扩散层各类组分质量比例的推理，最终都靠人眼来区分不同成分进行统计。

SEM直接观测

SEM由子枪发射出来的电子束，在真空通道中沿着镜体光轴穿越聚光镜，通过聚光镜将之会聚成一束尖细、明亮而又均匀的光斑，照射在样品室内的样品上；透过样品后的电子束携带有样品的结构信息。

如图2，用于气体扩散层三维形貌的观察和分析在观察形貌的同时,人工进行微区的成分分析，将碳纤维看作直径均匀，沿着碳纤维轴线方向固定半径均判定为碳纤维，其余均为粘接剂酚醛树脂和疏水剂聚四氟乙烯；此方法仅能进行形貌观察，人为统计大概的组分面积，无法推理生产过程中各材料的质量比例。

XCT人工分割

XCT技术是通过 X射线断层扫描生成物体在特定区域的多层二维切片图像（可多个方向，参见图3、图4，分别为平面方向的 XCT切片图以及三维重构后的模型图），在不切割物体的情况下实现物体内部的微观结构的表征，是一种非侵入性性的无创成像方法；XCT的基本原理是将物体沿单轴旋转并扫描，得到一系列不同旋转角度的二维图像，进一步合成了样品的三维结构图像。

可以通过自定义代码实现阈值分割，将两种物质区分开：固体微结构（纤维、粘结剂、ptfe）、和空气，该方法可以更加真实地表现气体扩散层微结构，支持人为切割三维模型，最后生成统计信息，但也无法从该实验中直接推理生产过程中的材料质量比例，缺乏准确性。

SEM直接观测有如下缺点：

1)扫描电镜方法应用于气体扩散层研究时，虽然对于气体扩散层的表征较为清晰，但是只能依靠人眼对不同组分进行区分，随后进行面积统计，无法找到真正推理生产材料质量比例的关系式；

2)该种方法通过人工区分各组分，无法准确区分碳纤维与其他组分的界面，且无法区分疏水剂与粘接剂，由于SEM图属于表面的三位形貌观察无法得到准确结构，故其无法精准表示材料分布，继而无法用于质量比例推理；

XCT人工分割有如下缺点：

1)XCT通过阈值分割直接得出来的3D结构也无法将气体扩散层的各组分区分开，碳纤维，粘接剂，疏水剂被看作一体结构，只能通过人工分割，统计体积信息，反推质量比例，无法精准计算生产过程中的质量比例；

2)XCT成本高且操作复杂

综上所述，以上两种常用方法均无法将质子交换膜燃料电池气体扩散层中碳纤维，粘接剂以及疏水剂的添加质量比例准确计算出来，在燃料电池诸多研究中，气体扩散层作为燃料电池中的关键部件，占燃料电池20~25%的成本，其性能的好坏直接影响到燃料电池能否正常工作。

目前没有探究主流气体扩散层材料配比的有效途径，生产厂家只能通过实验，获知不同组分的气体扩散层结构，其生产流程历时久，且无法获得气体扩散层的真实情况，这就导致了生产厂家无法对气体扩散层产品准确认知，从而影响质子交换膜燃料电池气体扩散层生产制造。

由于目前没有技术能识别微观图下所有材料的体积比例情况，无法还原真实的空间微结构，都是基于简化后的重构结构，没有考虑到各组分的真实分布，无法得到真实准确的研究结果；因此，需研发一种质子交换膜燃料电池气体扩散层材料比例预测方法来解决现有的问题。

发明内容

本发明的目的在于提供一种质子交换膜燃料电池气体扩散层材料比例预测方法，以解决无法将质子交换膜燃料电池气体扩散层中碳纤维，粘接剂以及疏水剂的添加质量比例准确计算出来的问题。

为实现上述目的，本发明提供如下技术方案：一种质子交换膜燃料电池气体扩散层材料比例预测方法，包括以下步骤：

组分识别步骤：

输入扫描电子显微镜图像，将图像裁剪，通过Resnet 卷积模块提取图像特征层；

将图像特征层输入金字塔池化模块，获取扫描电子显微镜图像的深层和浅层特征图层；

将获得的深层和浅层特征图层共同输入FCN 模块，得到与输入图像相同尺寸的预测图像；

推理预测步骤：

根据组分识别步骤中得的预测图像，统计各个组分上的像素点比例得到二维组分比例，通过深度学习模型从二维组分比例组映射三维的组分比例信息实现组分比例预测。

优选的，所述输入扫描电子显微镜图像的方式为通过全局图像信息引入，所述全局图像信息引入方式包括：空洞卷积方式，得到气体扩散层 SEM特征图，所述空洞卷积在PSPNet网络中，使用卷积神经网络Resnet增加感受野。

优选的，所述将图像裁剪后进行图像识别训练，所述图像识别训练方法包括模型训练与模型预测提取；

所述模型训练的步骤包括：对扫描电子显微镜图像裁剪，建立扫描电子显微镜图像的数据集，并将所得数据集输入到PSPNet模型中进行特征提取学习，通过交叉熵函数，以及Adam算法得到初步的预测概率图。

优选的，所述数据集包含PSPNet识别二维SEM图片后的二维组分面积信息以及生产实验中样本对应的各材料的质量比例信息，以此数据集进行MLP网络训练，得到深度学习模型，实现输入SEM图，推理对应的不同组分质量比例信息。

优选的，所述模型预测提取步骤包括：将新的扫描电子显微镜图像输入已训练好的PSPNet 模型进行预测，最终得到高精度的各组分提取结果。

优选的，所述深度学习模型包括：输入层、隐藏层以及输出层，所述输入层、隐藏层以及输出层均包括权重，偏差值和激活函数；所述激活函数为tanh，并使每一层的输出控制在(-1，1)；

优选的，推理预测步骤还包括：气体扩散层比例推理评价指标，所述气体扩散层比例推理评价指标包括：设置*为binder、fiber、ptfe中任意一个；设pre_binder、pre_fiber、pre_ptfe分别为深度学习模型预测出的粘接剂、碳纤维以及疏水剂的预测值，设std_binder、std_fiber、std_ptfe分别为深度学习模型预测出的粘接剂、碳纤维以及疏水剂的上下限，设置上下限std_*均为5%，设true_binder、true_fiber、true_ptfe分别为粘接剂、碳纤维以及疏水剂的真实值，若true_*在(pre_*-std_*, pre_*+std_*)范围内，则mask_*记为1，否则mask_*记为0；单张SEM图的组分比例准确率如下公式所示，多张测试图的总体准确率则取平均值；

；其中acc为预测准确度。

优选的，组分识别步骤中，所述Resnet 卷积模块的卷积深度为50层。

优选的，组分识别步骤中，所述金字塔池化模块的池化特征尺寸分别为1，2，3，6。

优选的，所述输入层、隐藏层以及输出层分别由8个，16个和8个神经元组成。

本发明的技术效果和优点：该质子交换膜燃料电池气体扩散层材料比例预测方法，通过扫描电镜与CT断层扫描方法，只能肉眼观测质子交换膜燃料电池气体扩散层微结构，无法量化表达组分分布，本发明将计算机视觉应用于扫描电镜图像，借助神经网络更加精准地分析了气体扩散层扫描电镜图像中的各组分分布，解决了扫描电镜方法与CT断层扫描方法均无法获知气体扩散层中各组分比例的问题，通过深度学习模型推到二维到三维信息的映射关系，根据图像推导气体扩散层组分比例信息，有利于数值重构更加精准的三维模型，指导气体扩散层工艺改进与流程优化；并应用于各类多孔介质，为AI辅助多孔介质制造与测试提供思路，实现对气体扩散层中主要组成部分的占比的预测，解决了传统方法无法量化组分的问题，为气体扩散层制备工艺优化以及数值重构提供了精准化指导；同时在少量数据集下就达到了良好的训练结果，在气体扩散层以及其他复合材料观测、工艺、数值计算研究，均具有相当强的适用性；通过对燃料电池气体扩散层表面组分以及组分生长规律的准确识别与归纳，可以建立对整个气体扩散层三维结构的还原；快速推理市面上气体扩散层成品的材料质量比例，并且及时反馈组分信息给气体扩散层生产厂商，根据这些信息调整产品生产材料配比，指导气体扩散层及其他多孔介质等相关材料制造公司更好的规划工艺流程和制造方案；从燃料电池气体扩散层产业推广到其他碳纸以及多孔介质产业，可以解决石化，空气净化，纺织，造纸，宇航，原子能等领域中多孔介质的研究和制造难题，具有重大的科学意义与工业价值。

附图说明

图1为氢燃料电池工作原理示意图；

图2为气体扩散层微结构SEM图；

图3为气体扩散层平面方向上的XCT切片图；

图4为气体扩散层XCT重构的三维模型示意图；

图5为本发明气体扩散层组分材料比例推理流程图；

图6为本发明实施例组分识别流程图；

图7（a）为本发明待训练图片数据集原图；

图7（b）为本发明待训练图片数据集标注图；

图8为本发明图像识别网络训练提取过程图；

图9为本发明深度学习模型网络结构示意图；

图10为本发明MLP比例推理结果示意图；

图11为本发明方法流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供了如图11中所示的一种质子交换膜燃料电池气体扩散层材料比例预测方法，包括以下步骤：

组分识别步骤：

输入扫描电子显微镜图像，将图像裁剪，通过Resnet 卷积模块提取图像特征层；

将图像特征层输入金字塔池化模块，获取扫描电子显微镜图像的深层和浅层特征；

将获得的深层和浅层特征图层共同输入FCN 模块，得到与输入图像相同尺寸的预测图像；

推理预测步骤：

根据组分识别步骤中得的组分分割图片，统计各个组分上的像素点比例得到二维组分比例，通过深度学习模型从二维组分比例组映射三维的组分比例信息实现组分比例预测。

本实施例中，参见图5-图6所示，图6是为了实现组分识别，输出标注图，供其他模块使用。其包括组分识别与比例预测两部分，组分识别功能由PSPNet实现，随后全连接层实现语义分割图导出，进行像素统计后进入比例推理回归模型中。而比例推理模块对图5中5个倍率进行模型训练，由输入的倍率确定调用的网络，最终实现组分比例值的回归；

参见图9和图10，本发明选择PSPNet作为组分识别主网络，多层感知器(Multi-Layer Perception, MLP)作为比例推理的主网络，在其基础上构建了一套能够实现气体扩散层不同材料比例预测的方法，在数据量较少，图像语义较为简单情况下，所搭建的网络模型被证明具有良好的比例预测的效果；

本实施例中，使用的组分识别网络主要结构如图6所示，其中CNN为卷积网络模块、POLOL为池化作用、CONV为卷积作用、UPSAMPLE为上采样、CONCAT为通道数合并操作。整个网络分为三部分，分别是特征提取的Resnet 卷积模块、金字塔池化模块以及最后的FCN 输出模块。

通过两种方式实现全局图像信息的引入：使用的PSPNet网络中，使用卷积神经网络Resnet增加感受野，主要方法为空洞卷积方式，得到气体扩散层 SEM特征图；

通过应用金字塔池化模块，该模块可以实现同时提取图像深层和浅层的特征，随后将其融合，以此来避免过多误分割的情况，气体扩散层组分识别方法详细流程如下。

在网络输入图像后，图像经过裁剪等预处理，首先通过特征提取Resnet 卷积模块提取图像特征层，卷积深度为50层；

得到的图像特征层进入金字塔池化模块，金字塔池化来获取SEM图像的深层和浅层特征，本次池化特征的尺寸分别为1，2，3，6；

在金字塔池化模块后，将获得的深层和浅层特征图层共同输入FCN 模块，最后得到与输入图像相同尺寸的预测图像；

使用Labelme标注图如图7（a）-图7（b）所示，其中图中直杆状物为碳纤维，将碳纤维搭接单次作为第一层，深层次的内容全部视为本层的孔隙，除掉孔隙，在气体扩散层中碳纤维质量占比最高，粘接剂次之，疏水剂最少，粘接剂通常会出现在两根碳纤维搭接处，呈深色光滑状，疏水剂无法独立成型，通常附着在粘接剂与碳纤维上，呈现白色絮状，其绝大部分存在于粘接剂表面；

从表面观察来看，面积占比从大到小依次分别是孔、碳纤维、粘接剂、疏水剂，以此看来，二维特征与三位特征并非简单对应，故需要训练神经网络计算推理相关权重；

气体扩散层SEM图像识别训练方法如图8所示，将图像裁剪后进行图像识别训练，主要分为两个部分，分别是模型训练与模型预测提取；在模型训练阶段，首先对气体扩散层SEM图像集进行裁剪，建立SEM图像的数据集，之后将所得数据集输入到PSPNet模型中进行特征提取学习，如此便得到初步的预测概率图。本次训练损失函数计算方法选择交叉熵函数，同时选择Adam算法，实现算法的反向迭代优化；

在SEM图像预测阶段，将新的SEM图像输入已训练好的PSPNet 模型进行预测，最终得到高精度的各组分提取结果；

本实施例中，制作国产碳纸30张，并记录其各组分材料质量比例，这样即可产生图与质量比例一一对应的数据集，根据上一模块组分识别得的组分分割图片，统计各个组分上的像素点比例得到二维的组分比例，数据集分别包含PSPNet识别二维SEM图片后的二维组分面积信息以及生产实验中样本对应的各材料的质量比例信息，以此通过深度神经网络的方法学习从SEM图片二维组分比例组映射到三维的组分比例信息；

通过深度学习模型的方法实现组分比例预测，所采用的神经网络包括：输入层、隐藏层和输出层，MLP的不同层之间是全连接的，即上一层的任何一个神经元与下一层的所有神经元都有连接，每一层的主要内容包括权重，偏差值和激活函数。激活函数起非线性映射的作用，目的是增强模型的学习能力，激活函数可将神经元的输出幅度限制在一定范围内，本发明使用的激活函是tanh，可使每一层的输出控制在(-1，1)；

本发明根据输入空间构建了深度学习模型：包括输入层、隐藏层以及输出层分别由8个，16个和8个神经元组成；

训练过程中使用的损失函数是均方误差，反向传播更新参数权重时使用Adam优化方法，学习率为1e-4，最终本发明根据PSPNet模块组分识别得的组分分割图片，统计各个组分上的像素点比例得到二维的组分比例，通过MLP的方法学习从SEM图片二维组分比例组映射到三维的组分比例信息，实现了由气体扩散层SEM图片到生产过程中各材料质量比例的预测；

根据实际的预测需要，气体扩散层比例推理评价指标，设置*为binder、fiber、ptfe中任意一个，设pre_binder、pre_fiber、pre_ptfe分别为深度学习模型预测出的粘接剂(binder)、碳纤维(fiber)以及疏水剂(ptfe)的预测值，std_binder、std_fiber、std_ptfe分别为深度学习模型预测出的粘接剂、碳纤维以及疏水剂的上下限，由于操作流程的限制，在气体扩散层制备过程中，现阶段工艺条件对成品的质量比例只能控制在5%的上下误差之内，故设置上下限std_*均为5%。true_binder、true_fiber、true_ptfe分别为粘接剂、碳纤维以及疏水剂的真实值，以下为定义的评价指标规则：如果true_*在(pre_*-std_*, pre_*+std_*)范围内，则mask_*记为1，否则mask_*记为0，Mask为定义准确率设置的参数，*可以是fiber、binder、ptfe，代表不同组分，也就是说mask_*代表mask_碳纤维、mask_粘接剂等等，如果满足要求，mask值为1，不满足就为0。

单张SEM图的组分比例准确率如以下公式所示，多张测试图的总体准确率则取平均值：

，其中acc为预测准确度；

本发明应用于500倍率图片时，当std_* = 5%时，模型推理准确度为88.89%，在std_* = 3%时，准确度为72.22%。即在偏差为5%工艺水平下，只有CF740-8号碳纸在误差区间外，证明了基于PSPNet与MLP推理气体扩散层组分比例方法的准确度；

由于SEM图的可获得性高，成本较XCT图低很多，且SEM图较为清晰的反应气体扩散层的结构特征，故选择气体扩散层SEM作组分识别方法数据源；

本发明基于金字塔池化网络 (Pyramid Scene Parsing Network, PSPNet )与多层感知器(Multi-Layer Perception, MLP)的气体扩散层材料比例推理模型，完成对气体扩散层生产过程中碳纤维、粘接剂、疏水剂的比例推理，该方法可以有效推理气体扩散层中各组分的质量占比情况；

在燃料电池诸多研究中，气体扩散层作为燃料电池中的关键部件，占燃料电池20~25%的成本，其性能的好坏直接影响到燃料电池能否正常工作。

该质子交换膜燃料电池气体扩散层材料比例预测方法，通过扫描电镜与CT断层扫描方法，只能肉眼观测质子交换膜燃料电池气体扩散层微结构，无法量化表达组分分布，本发明将计算机视觉应用于扫描电镜图像，借助神经网络更加精准地分析了气体扩散层扫描电镜图像中的各组分分布，解决了扫描电镜方法与CT断层扫描方法均无法获知气体扩散层中各组分比例的问题，通过深度学习模型推到二维到三维信息的映射关系，根据图像推导气体扩散层组分比例信息，有利于数值重构更加精准的三维模型，指导气体扩散层工艺改进与流程优化；并应用于各类多孔介质，为AI辅助多孔介质制造与测试提供思路，实现对气体扩散层中主要组成部分的占比的预测，解决了传统方法无法量化组分的问题，为气体扩散层制备工艺优化以及数值重构提供了精准化指导；同时在少量数据集下就达到了良好的训练结果，在气体扩散层以及其他复合材料观测、工艺、数值计算研究，均具有相当强的适用性；通过对燃料电池气体扩散层表面组分以及组分生长规律的准确识别与归纳，可以建立对整个气体扩散层三维结构的还原；快速推理市面上气体扩散层成品的材料质量比例，并且及时反馈组分信息给气体扩散层生产厂商，根据这些信息调整产品生产材料配比，指导气体扩散层及其他多孔介质等相关材料制造公司更好的规划工艺流程和制造方案；从燃料电池气体扩散层产业推广到其他碳纸以及多孔介质产业，可以解决石化，空气净化，纺织，造纸，宇航，原子能等领域中多孔介质的研究和制造难题，具有重大的科学意义与工业价值。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种质子交换膜燃料电池气体扩散层材料比例预测方法，其特征在于：包括以下步骤：

组分识别步骤：

输入扫描电子显微镜图像，将图像裁剪，通过Resnet 卷积模块提取图像特征层；

将所述图像特征层输入金字塔池化模块，获取扫描电子显微镜图像的深层和浅层特征图层；

将获得的深层和浅层特征图层共同输入FCN 模块，得到与输入图像相同尺寸的预测图像；所述将图像裁剪后进行图像识别训练，所述图像识别训练方法包括模型训练与模型预测提取；

所述模型训练的步骤包括：对扫描电子显微镜图像裁剪，建立扫描电子显微镜图像的数据集，并将所得数据集输入到PSPNet模型中进行特征提取学习，通过交叉熵函数，以及Adam算法得到初步的预测概率图；所述数据集包含PSPNet识别二维SEM图片后的二维组分面积信息以及生产实验中样本对应的各材料的质量比例信息，以此数据集进行MLP网络训练，得到深度学习模型，实现输入SEM图，推理对应的不同组分质量比例信息；

推理预测步骤：

根据组分识别步骤中得的预测图像，统计各个组分上的像素点比例得到二维组分比例，通过深度学习模型从二维组分比例组映射三维的组分比例信息实现组分比例预测；

推理预测步骤还包括：气体扩散层比例推理评价指标，所述气体扩散层比例推理评价指标包括：设置*为binder、fiber、ptfe中任意一个，设pre_binder、pre_fiber、pre_ptfe分别为深度学习模型预测出的粘接剂、碳纤维以及疏水剂的预测值，设std_binder、std_fiber、std_ptfe分别为深度学习模型预测出的粘接剂、碳纤维以及疏水剂的上下限，设置上下限std_*均为5%，设true_binder、true_fiber、true_ptfe分别为粘接剂、碳纤维以及疏水剂的真实值，若true_*在(pre_*-std_*, pre_*+std_*)范围内，则准确率参数mask_*记为1，否则mask_*记为0；单张SEM图的组分比例准确率公式如下所示，多张测试图的总体准确率则取平均值；

；其中acc为预测准确度。

2.根据权利要求1所述的一种质子交换膜燃料电池气体扩散层材料比例预测方法，其特征在于：组分识别步骤中，所述输入扫描电子显微镜图像的方式为通过全局图像信息引入，所述全局图像信息引入方式包括：空洞卷积方式，得到气体扩散层 SEM特征图，所述空洞卷积在PSPNet网络中，使用卷积神经网络Resnet增加感受野。

3.根据权利要求1所述的一种质子交换膜燃料电池气体扩散层材料比例预测方法，其特征在于：所述模型预测提取步骤包括：将新的扫描电子显微镜图像输入已训练好的PSPNet 模型进行预测，最终得到高精度的各组分提取结果。

4.根据权利要求1所述的一种质子交换膜燃料电池气体扩散层材料比例预测方法，其特征在于：推理预测步骤中，所述深度学习模型包括：输入层、隐藏层以及输出层，所述输入层、隐藏层以及输出层均包括权重，偏差值和激活函数；所述激活函数为tanh，并使每一层的输出控制在(-1，1)。

5.根据权利要求1所述的一种质子交换膜燃料电池气体扩散层材料比例预测方法，其特征在于：组分识别步骤中，所述Resnet 卷积模块的卷积深度为50层。

6.根据权利要求1所述的一种质子交换膜燃料电池气体扩散层材料比例预测方法，其特征在于：组分识别步骤中，所述金字塔池化模块的池化特征尺寸分别为1，2，3，6。

7.根据权利要求4所述的一种质子交换膜燃料电池气体扩散层材料比例预测方法，其特征在于：所述输入层、隐藏层以及输出层分别由8个，16个和8个神经元组成。

Images