CN115470581A - 燃料电池气体流道优化设计方法、系统、电子设备及介质 - Google Patents
燃料电池气体流道优化设计方法、系统、电子设备及介质 Download PDFInfo
- Publication number
- CN115470581A CN115470581A CN202211039497.9A CN202211039497A CN115470581A CN 115470581 A CN115470581 A CN 115470581A CN 202211039497 A CN202211039497 A CN 202211039497A CN 115470581 A CN115470581 A CN 115470581A
- Authority
- CN
- China
- Prior art keywords
- flow channel
- fuel cell
- optimization
- anode
- cathode
- 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.)
- Granted
Links
- 239000000446 fuel Substances 0.000 title claims abstract description 102
- 238000005457 optimization Methods 0.000 title claims abstract description 97
- 238000013461 design Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 239000002131 composite material Substances 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 239000007789 gas Substances 0.000 claims description 51
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 44
- 229910001868 water Inorganic materials 0.000 claims description 44
- 239000012528 membrane Substances 0.000 claims description 40
- 238000013178 mathematical model Methods 0.000 claims description 26
- 238000009792 diffusion process Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 13
- 239000012530 fluid Substances 0.000 claims description 12
- 239000001257 hydrogen Substances 0.000 claims description 12
- 229910052739 hydrogen Inorganic materials 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 12
- 238000003487 electrochemical reaction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000005012 migration Effects 0.000 claims description 10
- 238000013508 migration Methods 0.000 claims description 10
- 239000003054 catalyst Substances 0.000 claims description 9
- 230000004907 flux Effects 0.000 claims description 9
- 150000002431 hydrogen Chemical class 0.000 claims description 8
- 239000007787 solid Substances 0.000 claims description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 6
- 238000004134 energy conservation Methods 0.000 claims description 6
- 239000001301 oxygen Substances 0.000 claims description 6
- 229910052760 oxygen Inorganic materials 0.000 claims description 6
- 230000003197 catalytic effect Effects 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 5
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 230000035699 permeability Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 125000000542 sulfonic acid group Chemical group 0.000 claims description 3
- 230000005251 gamma ray Effects 0.000 claims description 2
- 210000004027 cell Anatomy 0.000 description 77
- 239000012071 phase Substances 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 230000010287 polarization Effects 0.000 description 4
- 238000004891 communication Methods 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
- 210000002569 neuron Anatomy 0.000 description 3
- 230000035772 mutation Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000007790 solid phase Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000006555 catalytic reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Analysis (AREA)
- Analytical Chemistry (AREA)
- Genetics & Genomics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Fluid Mechanics (AREA)
- Manufacturing & Machinery (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
Abstract
本发明涉及一种燃料电池气体流道优化设计方法、系统、电子设备及介质，属于燃料电池领域，采用中心复合设计确定流道几何参数的取值，样本数据进行人为设计，使数据具有先验性，对比目前机器学习的方法，在保证信息量的同时，减少了所需数据量，从而减少运算量，提高优化效率；根据最优人工神经网络拟合得到目标优化模型，目标优化模型即为几何尺寸与燃料电池性能指标之间的函数关系，对比传统的多项式拟合回归，提升了拟合精度，具有更好的预测性能；采用智能优化算法求解目标优化模型，获得使燃料电池性能达到最优的流道几何参数，相比传统基于经验的试凑或控制变量等方法，不仅能从多角度多目标对燃料电池进行优化，而且大幅提升了优化效率。
Description
技术领域
本发明涉及燃料电池领域，特别是涉及一种燃料电池气体流道优化设计方法、系统、电子设备及介质。
背景技术
燃料电池是氢能利用的关键技术之一，其中的质子交换膜燃料电池具有工作温度低、功率密度高、零污染、应用范围广等优点而备受关注。
以质子交换膜燃料电池为例，其是一个涉及传热传质、工质流动、电化学反应等多过程多尺度多物理场耦合的复杂系统。传热和传质过程是其内部发生的两个重要过程，也是影响其工作性能的两个重要因素。目前质子交换膜燃料电池传热传质领域主要面临的问题是“水淹”现象和阴极侧的传质损失，反应物的分布不均就会进一步导致电流密度不均并产生局部热点，导致浓差极化增大。从另一方面，若燃料电池散热性能差，将有可能导致质子交换膜失水，导致欧姆极化损失增大。由此看出，传热和传质过程中是互相耦合互相联系的。
质子交换膜燃料电池的气体流道结构会对传热和传质过程产生很大的影响，因此流道的优化设计对提升电池性能而言具有重要的意义。对于流道的优化，传统方法大多是基于经验的试凑，通过改变相关结构尺寸并进行多次比较以进行优化，这种方法难以找到最优的流道结构，而相关基于机器学习的优化方法则需要大量数据，运算量大，优化效率不高。综上所述，目前大多数方法无法同时兼顾优化结果和优化的效率。
发明内容
本发明的目的是提供一种燃料电池气体流道优化设计方法、系统、电子设备及介质，基于有限的数据，多角度、精确地对燃料电池气体流道结构进行目标优化，降低了所需数据量，减少运算量，提升了优化效率。
为实现上述目的，本发明提供了如下方案：
一种燃料电池气体流道优化设计方法，包括：
搭建燃料电池的数理模型；
采用中心复合设计确定流道几何参数的多个取值；
将流道几何参数的每个取值代入所述数理模型，获得每个取值对应的燃料电池性能值，并将流道几何参数的所有取值和所有燃料电池性能值构成样本数据集；
利用所述样本数据集训练人工神经网络，获得最优人工神经网络；
根据所述最优人工神经网络拟合得到气体流道的目标优化模型；
采用智能优化算法求解所述目标优化模型，获得使燃料电池性能达到最优的流道几何参数。
可选的，所述燃料电池的数理模型包括：质量守恒方程、动量守恒方程、能量守恒方程、组分守恒方程、电化学反应方程和质子交换膜内的水传输方程；
所述质量守恒方程为
式中，ε为孔隙率，在多孔介质区域：ε<1，在非多孔介质区域：ε＝1；ρ为流体密度；
为流体速度；Sm为质量源项，阳极催化层：
阴极催化层：
和
分别为氢气、水和氧气的摩尔质量，F为法拉第常数，Ra、Rc分别为阳极、阴极交换电流密度；符号
为梯度算子；
所述动量守恒方程为
式中，μ为流体的动力粘度；p为压强；Su为动量源项，
K为多孔介质的渗透率；
所述能量守恒方程为
式中，cp为流体的定压比热容；T为温度；keff为有效导热系数；SQ为能量源项，SQ＝hreact-Ra,cηa,c+I2Rohm+hL，hreact为电化学反应产热；Ra,c为阳极/阴极交换电流密度；ηa,c为阳极/阴极过电位；I为电流；Rohm为欧姆电阻；hL为水相变的潜热；
所述组分守恒方程为
式中，mx为组分x的质量分数；
为组分x的有效扩散系数；Sx为组分源项，组分源项仅在催化层中存在，组分x包括氢气、氧气和水，
所述电化学反应方程包括电流守恒方程和Butler-Volmer方程；
所述电流守恒方程为
和
式中，σsol、σmem分别为固相和膜相的电导率；φsol、φmem分别为固相和膜相的电势；Ssol、Smem分别为固相和膜相的电流源项，阳极：Ssol＝-Ra，Smem＝Ra；阴极：Ssol＝Rc，Smem＝-Rc；
所述Butler-Volmer方程为
式中，ζa、ζc分别为阳极和阴极催化层的活性比表面积；ja ref、jc ref分别为阳极和阴极的交换电流密度；C和Cref分别为各组分局部摩尔浓度和参考摩尔浓度；γa、γc分别为阳极和阴极的浓度指数；αa、αc分别为阳极和阴极的电荷传输系数；ηa、ηc分别为阳极和阴极的活化过电位；R为理想气体常数；
所述质子交换膜内的水传输方程包括电渗拖曳、浓差扩散和压力迁移；
所述电渗拖曳为
式中，i为电流密度；nd为电渗拖曳系数，
λ为每一个磺酸基团所含水分子的个数，
α为水的活度，
pWV为水蒸气的分压，psat(T)为温度T下的饱和压力，s为液态水饱和度；Ne为电渗拖曳引起的膜内水的通量；
所述浓差扩散为
式中，Dw为水在质子交换膜中的扩散系数；cw为质子交换膜内水的浓度；Nc为浓差扩散引起的膜内水的通量；
所述压力迁移为
式中，Np为压力迁移引起的膜内水的通量。
可选的，所述采用中心复合设计确定流道几何参数的多个取值，具体包括：
确定流道几何参数包括阳极流道上顶宽Wa，阳极流道出入口高度比χa，阴极流道上顶宽Wc和阴极流道出入口高度比χc；
预设流道几何参数中每个几何参数的取值范围；
基于每个几何参数的取值范围，采用中心复合设计，并利用公式2k+2k+n确定流道几何参数的总组数以及各组中每个几何参数的取值；式中，k为几何参数个数，n为中心点个数。
可选的，所述目标优化模型的目标函数为：
所述目标优化模型的约束条件包括Wa，χa，Wc和χc各自预设的取值范围。
可选的，所述采用智能优化算法求解所述目标优化模型，获得使燃料电池性能达到最优的流道几何参数，具体包括：
利用非支配快速排序遗传算法求解所述目标优化模型，获得使燃料电池性能达到最优的流道几何参数；所述目标优化模型为多目标优化模型，所述多目标为电流密度最大化和流道压降最小化；所述燃料电池性能包括电流密度和流道压降。
一种燃料电池气体流道优化设计系统，包括：
数理模型搭建模块，用于搭建燃料电池的数理模型；
取值确定模块，用于采用中心复合设计确定流道几何参数的多个取值；
样本数据集构成模块，用于将流道几何参数的每个取值代入所述数理模型，获得每个取值对应的燃料电池性能值，并将流道几何参数的所有取值和所有燃料电池性能值构成样本数据集；
训练模块，用于利用所述样本数据集训练人工神经网络，获得最优人工神经网络；
拟合模块，用于根据所述最优人工神经网络拟合得到气体流道的目标优化模型；
优化模块，用于采用智能优化算法求解所述目标优化模型，获得使燃料电池性能达到最优的流道几何参数。
一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如前述的燃料电池气体流道优化设计方法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如前述的燃料电池气体流道优化设计方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开一种燃料电池气体流道优化设计方法、系统、电子设备及介质，采用中心复合设计确定流道几何参数的多个取值，样本数据进行人为设计，使数据具有先验性，对比目前机器学习的方法，在保证信息量的同时，减少了所需的数据量，从而减少了运算量，提高了优化效率；根据最优人工神经网络拟合得到气体流道的目标优化模型，目标优化模型反映了几何尺寸与燃料电池性能指标之间的函数关系，对比传统的多项式拟合回归，提升了拟合精度，具有更好的预测性能；采用智能优化算法求解目标优化模型，获得使燃料电池性能达到最优的流道几何参数，相比传统基于经验的试凑或控制变量等方法，不仅能从多角度多目标对燃料电池进行优化，而且大幅提升了优化效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种燃料电池气体流道优化设计方法的流程图；
图2为本发明实施例提供的一种燃料电池气体流道优化设计方法的原理图；
图3为本发明实施例提供的几何参数为2时的中心复合设计示意图；
图4为本发明实施例提供的非支配快速排序遗传算法单次迭代的流程图；
图5为本发明实施例提供的质子交换膜燃料电池结构示意图；
图6为本发明实施例提供的质子交换膜燃料电池各计算域示意图；
图7为本发明实施例提供的数理模型与实验数据极化曲线对比图；
图8为本发明实施例提供的研究变量选取示意图；
图9为本发明实施例提供的数理仿真-代理模型电流密度结果对比图；
图10为本发明实施例提供的数理仿真-代理模型流道压降结果对比图；
图11为本发明实施例提供的优化结果示意图。
符号说明：1-双极板，2-气体流道，3-扩散层，4-催化层，5-质子交换膜，6-肋。
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。
本发明的目的是提供一种燃料电池气体流道优化设计方法、系统、电子设备及介质，基于有限的数据，多角度、精确地对燃料电池气体流道结构进行目标优化，降低了所需数据量，减少运算量，提升了优化效率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明实施例提供了一种燃料电池气体流道优化设计方法，如图1和图2所示，包括以下步骤：
步骤S1，搭建燃料电池的数理模型。
燃料电池的数理模型包括质量守恒方程、动量守恒方程、能量守恒方程、组分守恒方程、电化学反应方程(电流守恒方程和Butler-Volmer方程)和膜中的水传输方程，用以描述燃料电池内部流动、传热、电化学反应等过程。利用以上方程耦合搭建三维单相的燃料电池模型。示例性的，质子交换膜燃料电池结构如图5所示，该燃料电池模型的计算域的侧视图如图6所示，包括双极板1、气体流道2、扩散层3、催化层4、质子交换膜5和肋6。燃料电池段的长度为30mm，入口段的长度为8mm，出口段的长度为8mm。
(1)质量守恒方程：
式中，ε为孔隙率，在多孔介质区域：ε<1，非多孔介质区域：ε＝1；ρ为流体密度，kg/m3；
为流体速度，m/s；Sm为质量源项，此项仅在催化层区域中存在，其余区域为0。
阳极催化层：
阴极催化层：
其中，
和
分别为氢气、水和氧气的摩尔质量，kg/mol，F为法拉第常数，96487C/mol；Ra、Rc分别为阳极、阴极交换电流密度；符号
为梯度算子。
(2)动量守恒方程：
式中，μ为流体的动力粘度，Pa·s；p为压强，Pa；Su为动量源项，
K为多孔介质的渗透率。
(3)能量守恒方程：
式中，cp为流体的定压比热容，J/kg·K；T为温度，K；keff为有效导热系数，W/(m·K)；SQ为能量源项，SQ＝hreact-Ra,cηa,c+I2Rohm+hL，hreact为电化学反应产热，J；Ra,c为阳极/阴极交换电流密度，A/m2；ηa,c为阳极/阴极过电位，V；I为电流；Rohm为欧姆电阻，Ω；hL为水相变的潜热，J。
(4)组分守恒方程：
式中，mx为组分x的质量分数；Dx eff为组分x的有效扩散系数，m2/s；Sx为组分源项，组分源项仅在催化层中存在，组分x包括氢气、氧气和水，
(5)电化学反应方程包括电流守恒方程和Butler-Volmer方程。
电流守恒方程：
式中，σsol、σmem分别为固相和膜相的电导率；φsol、φmem分别为固相和膜相的电势，V；Ssol、Smem分别为固相和膜相的电流源项，阳极：Ssol＝-Ra，Smem＝Ra；阴极：Ssol＝Rc，Smem＝-Rc；
Butler-Volmer方程：
式中，ζa、ζc分别为阳极和阴极催化层的活性比表面积，1/m；ja ref、jc ref分别为阳极和阴极的交换电流密度，A/m2；C和Cref分别为各组分局部摩尔浓度和参考摩尔浓度，mol/m3；γa、γc分别为阳极和阴极的浓度指数；αa、αc分别为阳极和阴极的电荷传输系数；ηa、ηc分别为阳极和阴极的活化过电位，V；R为理想气体常数，8.314J/mol·K。
(6)质子交换膜内的水传输过程主要由电渗拖曳、浓差扩散、压力迁移三部分构成。因此质子交换膜内的水传输方程包括电渗拖曳、浓差扩散和压力迁移。
电渗拖曳：
式中，i为电流密度，A/m2；nd为电渗拖曳系数，
λ为每一个磺酸基团所含水分子的个数，
α为水的活度，
pWV为水蒸气的分压，psat(T)为温度T下的饱和压力，s为液态水饱和度；Ne为电渗拖曳引起的膜内水的通量；
浓差扩散：
式中，Dw为水在质子交换膜中的扩散系数，m2/s；cw为质子交换膜内水的浓度，mol/m3；Nc为浓差扩散引起的膜内水的通量；
压力迁移：
式中，Np为压力迁移引起的膜内水的通量。
基于上述数理模型耦合，并对几何模型进行网格划分，利用有限体积法进行离散计算。利用实际燃料电池的极化曲线实验数据与本发明中的数理模型做对比，如图7所示，平均误差为4.92％，即证明模型有效。
步骤S2，采用中心复合设计确定流道几何参数的多个取值。
确定需要优化的气体流道的几何尺寸(几何参数)作为研究变量，利用中心复合设计确定研究变量的参数取值。
所设定的需要优化的几何尺寸参见图8，分别为：阳极流道上顶宽Wa，阳极流道出口高度Hout,a，阴极流道上顶宽Wc，阴极流道出口高度Hout,c。研究变量选取为4个，仅为示例中的参数，但不限于该参数的数量和类型。为了更直观描述流道沿程的缩放关系，本实施例中用出入口高度比作为替代：
在本实施例中，原始流道的几何尺寸[Wa,χa,Wc,χc]＝[1.2,1,1.2,1]。同时，为了避免其余因素对结果的影响，本实施例设置了两个控制条件：一是控制流道入口截面积不变；二是控制气体与扩散层接触面积不变。则入口流道高度满足以下关系式子：
具体地，如图3，中心复合设计由2k个因子设计、2k个坐标轴点和n个中心点组成，所以所需总的数据量为2k+2k+n。式中，k为变量个数(几何参数个数)。
示例性的，采用中心复合设计确定流道几何参数的多个取值的具体过程为：确定流道几何参数包括阳极流道上顶宽Wa，阳极流道出入口高度比χa，阴极流道上顶宽Wc和阴极流道出入口高度比χc；预设流道几何参数中每个几何参数的取值范围；基于每个几何参数的取值范围，采用中心复合设计，并利用公式2k+2k+n确定流道几何参数的总组数以及各组中每个几何参数的取值；式中，k为几何参数个数，n为中心点个数。
在一个示例中，研究变量的变化范围分别为{Wa|(0.1,2.3)}，{χa|(0.1,1)}，{Wc|(0.1,2.3)}，{χc|(0.1,1)}。根据中心复合设计，在取值范围中共设置5个水平，根据公式2k+2k+n确定总数据量组数。本实施例中，几个参数个数k为4，中心点个数n取值为6，所以总数据量共有30组。
步骤S3，将流道几何参数的每个取值代入数理模型，获得每个取值对应的燃料电池性能值，并将流道几何参数的所有取值和所有燃料电池性能值构成样本数据集。
将几何参数的取值代入数理模型，输出为燃料电池性能值，则参数值(几何参数的取值)和相应的性能值共同构成样本数据集。
举例来说，将步骤S2的示例中的30组数据代入模型中，在0.35V的工作电压下，获得电流密度和流道压降作为输出值，则共同构成表1所示的数据集。其中i为燃料电池电流密度，Δpa为阳极流道压降，Δpc为阴极流道压降，流道压降通过流道出入口截面压力值相减获得。电流密度和流道压降一起构成燃料电池性能值。
表1数据集
步骤S4，利用样本数据集训练人工神经网络，获得最优人工神经网络。
将样本数据集按比例划分为训练集、测试集和验证集输入人工神经网络中进行训练，本发明中以BP(Back Propagation)神经网络为例。通过调整隐含层神经元个数寻找最优的神经网络结构，并将其保存输出，以该神经网络结构获取研究变量与性能值之间的拟合函数。
针对神经网络结构的好坏，本发明中用训练集、测试集和验证集三个集的决定系数来表示，其表达如下式：
式中
为神经网络根据几何参数输出的预测性能值；y为该几何参数对应的性能值；
为性能值的平均。
本发明中BP神经网络中隐含层神经元的激活函数采用sigmoid函数：
本发明中神经网络采用Levenberg-Marquardt算法进行优化训练降低损失函数值。
在本实施例中最优人工神经网络的隐含层中神经元个数为10，参照图9和图10，对于整体数据集，电流密度和流道压降拟合的决定系数R2分别为0.9595和0.9998，说明由该神经网络训练得到的拟合函数拟合精度高。
参减图2，将样本数据集导入人工神经网络中进行训练，以获得研究变量和燃料电池性能指标之间的函数关系，并与基于数理模型的仿真结果进行对比验证，至此构建燃料电池关于气体流道几何尺寸的代理模型。
步骤S5，根据最优人工神经网络拟合得到气体流道的目标优化模型。
设定约束条件和目标函数，构建流道的多目标优化模型。本发明中，从多角度综合考虑了燃料电池的优化目标，在提高燃料电池发电性能的同时，尽可能降低压气机的功耗。压气机的功耗与气体流道的压降成正相关，因此也将气体流道的压降作为目标函数。由前述的样本数据集看出，阳极流道最大的压降也未超过40Pa，因此仅将阴极流道压降纳入考量。目标函数为步骤S4中通过优化训练后的BP神经网络所拟合得到，数学形式如下：
max i(Wa,χa,Wc,χc)
min Δp(Wa,χa,Wc,χc)
上述目标函数的含义为电流密度最大化和流道压降最小化。
约束条件包括Wa，χa，Wc和χc各自预设的取值范围。以步骤S2的研究变量取值范围为例，约束条件为：
多目标优化模型中阳极流道上顶宽Wa，阳极流道出入口高度比χa，阴极流道上顶宽Wc和阴极流道出入口高度比χc即为待优化的量。
步骤S6，采用智能优化算法求解目标优化模型，获得使燃料电池性能达到最优的流道几何参数。
本发明以NSGA-Ⅱ算法(非支配快速排序遗传算法)为例。NSGA-Ⅱ有三个关键的核心思想：快速非支配排序、拥挤度比较和精英保留策略。以拥挤度取代了原先算法中的适应值共享，降低了计算复杂性，提升了计算效率。具体步骤如下：
(1)随机生成种群；例如：种群数为200，精英数量占比0.1。
(2)通过变异和交叉生成子种群，种群数变为原来的两倍；
(3)根据帕累托支配原则，找到种群中的非支配解，生成一个序列，称之为帕累托序列，并将其与其他解分离。之后，重复上述步骤，在剩余的种群中找到新的非支配解并生成新的序列，直至所有的解都被排序；
(4)计算同一帕累托序列下每个解的拥挤度，拥挤度定义为该解与其最近解的曼哈顿距离。距离越大，则说明解的多样性和分布性越好；
(5)如图4所示，处于更前帕累托序列，拥挤度更大的解形成下一代父种群；图4中P表示父种群，O表示由父种群经过交叉和变异生成的子种群，不同的帕累托序列，序号越小表示该帕累托序列更靠前。
(6)重复步骤(2)～(5)直至达到设定的迭代次数。优选地，迭代次数设置为100。
算法得到的帕累托前沿如附图11所示，在该一系列帕累托前沿点中，根据实际情况人为选取一个最优解，在该解右侧流道压降迅速增加而电流密度的增加值则十分有限。
将所优化得到的最优参数分别代入本发明中的代理模型和数理模型中输出结果进行对比，验证代理模型的预测能力。并将优化流道性能值与原流道进行对比，验证优化结果可靠性，完成优化设计。
应用本发明提出的方法，能够以有限数据，从多角度多方面对燃料电池气体流道的几何结构参数进行优化，相较传统的试凑方法，提升优化的能力，可以找到最优的结构；相较目前基于机器学习的方法，降低了所需数据量，减少运算量，提升了优化效率。
本发明实施例提供了一种新型燃料电池气体流道优化设计方法，所述方法包括：搭建三维质子交换膜燃料电池的数理模型；采用中心复合设计方法设计样本数据的参数值；将参数代入数理模型，进行仿真模拟得到电流密度、流道出入口压降等指标；将该样本数据集导入人工神经网络进行训练，构建几何参数和燃料电池指标之间的代理模型；以上述代理模型构建流道的多目标优化模型，并利用非支配快速排序遗传算法获得使电流密度和流道压降同时达到最优的流道几何参数。本发明实施例可以基于有限的数据，多角度、精确地对燃料电池气体流道结构进行多目标优化，为实际燃料电池结构设计提供指导。
本发明与现有技术相比，其显著优点是：
(1)本发明采用中心复合设计对样本数据进行人为设计，使数据具有先验性。对比目前机器学习的方法，在保证信息量的同时，减少了所需的数据量，从而减少了运算量，提高了优化效率。
(2)本发明采用对代理模型进行优化的模式，相比传统基于经验的试凑或控制变量等方法，不仅能从多角度多目标对燃料电池进行优化，而且大幅提升了优化效率。
(3)本发明中代理模型选用人工神经网络的方法获得几何尺寸与燃料电池性能指标之间的函数关系，对比传统的多项式拟合回归，提升了拟合精度，具有更好的预测性能。
对应于上述提供的燃料电池气体流道优化设计方法，本发明实施例还提供饿了一种燃料电池气体流道优化设计系统，包括：
数理模型搭建模块，用于搭建燃料电池的数理模型；
取值确定模块，用于采用中心复合设计确定流道几何参数的多个取值；
样本数据集构成模块，用于将流道几何参数的每个取值代入所述数理模型，获得每个取值对应的燃料电池性能值，并将流道几何参数的所有取值和所有燃料电池性能值构成样本数据集；
训练模块，用于利用所述样本数据集训练人工神经网络，获得最优人工神经网络；
拟合模块，用于根据所述最优人工神经网络拟合得到气体流道的目标优化模型；
优化模块，用于采用智能优化算法求解所述目标优化模型，获得使燃料电池性能达到最优的流道几何参数。
本发明实施例还提供一种电子设备，该电子设备可以包括：处理器、通信接口、存储器和通信总线。其中，处理器、通信接口、存储器通过总线完成相互间的通信。处理器可以调用存储器中的计算机程序，以执行前述的燃料电池气体流道优化设计方法。
此外，上述的存储器中的计算机程序通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被执行时实现如前述的燃料电池气体流道优化设计方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种燃料电池气体流道优化设计方法，其特征在于，包括：
搭建燃料电池的数理模型；
采用中心复合设计确定流道几何参数的多个取值；
将流道几何参数的每个取值代入所述数理模型，获得每个取值对应的燃料电池性能值，并将流道几何参数的所有取值和所有燃料电池性能值构成样本数据集；
利用所述样本数据集训练人工神经网络，获得最优人工神经网络；
根据所述最优人工神经网络拟合得到气体流道的目标优化模型；
采用智能优化算法求解所述目标优化模型，获得使燃料电池性能达到最优的流道几何参数。
2.根据权利要求1所述的燃料电池气体流道优化设计方法，其特征在于，所述燃料电池的数理模型包括：质量守恒方程、动量守恒方程、能量守恒方程、组分守恒方程、电化学反应方程和质子交换膜内的水传输方程；
所述质量守恒方程为
式中，ε为孔隙率，在多孔介质区域：ε<1，在非多孔介质区域：ε＝1；ρ为流体密度；
为流体速度；Sm为质量源项，阳极催化层：
阴极催化层：
和
分别为氢气、水和氧气的摩尔质量，F为法拉第常数，Ra、Rc分别为阳极、阴极交换电流密度；符号
为梯度算子；
所述动量守恒方程为
式中，μ为流体的动力粘度；p为压强；Su为动量源项，
K为多孔介质的渗透率；
所述能量守恒方程为
式中，cp为流体的定压比热容；T为温度；keff为有效导热系数；SQ为能量源项，SQ＝hreact-Ra,cηa,c+I2Rohm+hL，hreact为电化学反应产热；Ra,c为阳极/阴极交换电流密度；ηa,c为阳极/阴极过电位；I为电流；Rohm为欧姆电阻；hL为水相变的潜热；
所述组分守恒方程为
式中，mx为组分x的质量分数；
为组分x的有效扩散系数；Sx为组分源项，组分源项仅在催化层中存在，组分x包括氢气、氧气和水，
所述电化学反应方程包括电流守恒方程和Butler-Volmer方程；
所述电流守恒方程为
和
式中，σsol、σmem分别为固相和膜相的电导率；φsol、φmem分别为固相和膜相的电势；Ssol、Smem分别为固相和膜相的电流源项，阳极：Ssol＝-Ra，Smem＝Ra；阴极：Ssol＝Rc，Smem＝-Rc；
所述Butler-Volmer方程为
和
式中，ζa、ζc分别为阳极和阴极催化层的活性比表面积；
分别为阳极和阴极的交换电流密度；C和Cref分别为各组分局部摩尔浓度和参考摩尔浓度；γa、γc分别为阳极和阴极的浓度指数；αa、αc分别为阳极和阴极的电荷传输系数；ηa、ηc分别为阳极和阴极的活化过电位；R为理想气体常数；
所述质子交换膜内的水传输方程包括电渗拖曳、浓差扩散和压力迁移；
所述电渗拖曳为
式中，i为电流密度；nd为电渗拖曳系数，
λ为每一个磺酸基团所含水分子的个数，
α为水的活度，
pWV为水蒸气的分压，psat(T)为温度T下的饱和压力，s为液态水饱和度；Ne为电渗拖曳引起的膜内水的通量；
所述浓差扩散为
式中，Dw为水在质子交换膜中的扩散系数；cw为质子交换膜内水的浓度；Nc为浓差扩散引起的膜内水的通量；
所述压力迁移为
式中，Np为压力迁移引起的膜内水的通量。
3.根据权利要求2所述的燃料电池气体流道优化设计方法，其特征在于，所述采用中心复合设计确定流道几何参数的多个取值，具体包括：
确定流道几何参数包括阳极流道上顶宽Wa，阳极流道出入口高度比χa，阴极流道上顶宽Wc和阴极流道出入口高度比χc；
预设流道几何参数中每个几何参数的取值范围；
基于每个几何参数的取值范围，采用中心复合设计，并利用公式2k+2k+n确定流道几何参数的总组数以及各组中每个几何参数的取值；式中，k为几何参数个数，n为中心点个数。
4.根据权利要求3所述的燃料电池气体流道优化设计方法，其特征在于，所述目标优化模型的目标函数为：
所述目标优化模型的约束条件包括Wa，χa，Wc和χc各自预设的取值范围。
5.根据权利要求4所述的燃料电池气体流道优化设计方法，其特征在于，所述采用智能优化算法求解所述目标优化模型，获得使燃料电池性能达到最优的流道几何参数，具体包括：
利用非支配快速排序遗传算法求解所述目标优化模型，获得使燃料电池性能达到最优的流道几何参数；所述目标优化模型为多目标优化模型，所述多目标为电流密度最大化和流道压降最小化；所述燃料电池性能包括电流密度和流道压降。
6.一种燃料电池气体流道优化设计系统，其特征在于，包括：
数理模型搭建模块，用于搭建燃料电池的数理模型；
取值确定模块，用于采用中心复合设计确定流道几何参数的多个取值；
样本数据集构成模块，用于将流道几何参数的每个取值代入所述数理模型，获得每个取值对应的燃料电池性能值，并将流道几何参数的所有取值和所有燃料电池性能值构成样本数据集；
训练模块，用于利用所述样本数据集训练人工神经网络，获得最优人工神经网络；
拟合模块，用于根据所述最优人工神经网络拟合得到气体流道的目标优化模型；
优化模块，用于采用智能优化算法求解所述目标优化模型，获得使燃料电池性能达到最优的流道几何参数。
7.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的燃料电池气体流道优化设计方法。
8.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被执行时实现如权利要求1至5中任一项所述的燃料电池气体流道优化设计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211039497.9A CN115470581B (zh) | 2022-08-29 | 2022-08-29 | 燃料电池气体流道优化设计方法、系统、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211039497.9A CN115470581B (zh) | 2022-08-29 | 2022-08-29 | 燃料电池气体流道优化设计方法、系统、电子设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115470581A true CN115470581A (zh) | 2022-12-13 |
| CN115470581B CN115470581B (zh) | 2024-02-20 |
Family
ID=84370317
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211039497.9A Active CN115470581B (zh) | 2022-08-29 | 2022-08-29 | 燃料电池气体流道优化设计方法、系统、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115470581B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116520155A (zh) * | 2023-06-21 | 2023-08-01 | 北京重理能源科技有限公司 | 一种燃料电池可逆衰减的识别方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111199122A (zh) * | 2020-01-02 | 2020-05-26 | 西南交通大学 | 基于多物理场的质子交换膜燃料电池水淹故障诊断方法 |
| WO2021142883A1 (zh) * | 2020-01-13 | 2021-07-22 | 清华大学 | 燃料电池低温启动性能预测方法及系统 |
| US20210305597A1 (en) * | 2018-12-29 | 2021-09-30 | Tsinghua University | Gas sampling system and gas sampling method for fuel cell, current density distribution estimation method for fuel cell, and calibration method for internal state model of fuel cell |
| CN113946995A (zh) * | 2021-10-18 | 2022-01-18 | 上海神力科技有限公司 | 一种多目标燃料电池冷却流道优化设计方法 |
| CN114447378A (zh) * | 2022-02-10 | 2022-05-06 | 温州大学 | 一种质子交换膜燃料电池的参数优化方法 |
-
2022
- 2022-08-29 CN CN202211039497.9A patent/CN115470581B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210305597A1 (en) * | 2018-12-29 | 2021-09-30 | Tsinghua University | Gas sampling system and gas sampling method for fuel cell, current density distribution estimation method for fuel cell, and calibration method for internal state model of fuel cell |
| CN111199122A (zh) * | 2020-01-02 | 2020-05-26 | 西南交通大学 | 基于多物理场的质子交换膜燃料电池水淹故障诊断方法 |
| WO2021142883A1 (zh) * | 2020-01-13 | 2021-07-22 | 清华大学 | 燃料电池低温启动性能预测方法及系统 |
| CN113946995A (zh) * | 2021-10-18 | 2022-01-18 | 上海神力科技有限公司 | 一种多目标燃料电池冷却流道优化设计方法 |
| CN114447378A (zh) * | 2022-02-10 | 2022-05-06 | 温州大学 | 一种质子交换膜燃料电池的参数优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| JUNHONG HAO 等: "Flow channel structure optimization and analysis of proton exchange membrane fuel cell based on the finite data mapping and multi-field synergy principle", 《INTERNATIONAL JOURNAL OF HEAT AND MASS TRANSFER》, vol. 207, no. 15, pages 123997 * |
| 李文安 等: "阳极加湿对质子交换膜燃料电池性能的影响", 《中国电机工程学报》, vol. 30, no. 17, pages 111 - 116 * |
| 马睿 等: "基于模型特征分析的质子交换膜燃料电池建模研究综述", 《中国电机工程学报》, vol. 41, no. 22, pages 7712 - 7730 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116520155A (zh) * | 2023-06-21 | 2023-08-01 | 北京重理能源科技有限公司 | 一种燃料电池可逆衰减的识别方法 |
| CN116520155B (zh) * | 2023-06-21 | 2023-09-15 | 北京重理能源科技有限公司 | 一种燃料电池可逆衰减的识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115470581B (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Toghyani et al. | Thermal and electrochemical analysis of different flow field patterns in a PEM electrolyzer | |
| Duan et al. | Model parameters identification of the PEMFCs using an improved design of Crow Search Algorithm | |
| Dong et al. | The mass transfer characteristics and energy improvement with various partially blocked flow channels in a PEM fuel cell | |
| Li et al. | Performance prediction and power density maximization of a proton exchange membrane fuel cell based on deep belief network | |
| Yang et al. | A novel P systems based optimization algorithm for parameter estimation of proton exchange membrane fuel cell model | |
| Askarzadeh et al. | Artificial immune system-based parameter extraction of proton exchange membrane fuel cell | |
| Tafaoli-Masoule et al. | Optimum design parameters and operating condition for maximum power of a direct methanol fuel cell using analytical model and genetic algorithm | |
| Zhang et al. | Application of coRNA-GA based RBF-NN to model proton exchange membrane fuel cells | |
| Zhou et al. | Development of a multiphysical 2-D model of a PEM fuel cell for real-time control | |
| Lan et al. | Analysis and optimization of high temperature proton exchange membrane (HT-PEM) fuel cell based on surrogate model | |
| Hao et al. | Flow channel structure optimization and analysis of proton exchange membrane fuel cell based on the finite data mapping and multi-field synergy principle | |
| Wang et al. | Coupling deep learning and multi-objective genetic algorithms to achieve high performance and durability of direct internal reforming solid oxide fuel cell | |
| Abdulla et al. | Detailed analysis of polymer electrolyte membrane fuel cell with enhanced cross‐flow split serpentine flow field design | |
| Liu et al. | Multi-objective optimization of proton exchange membrane fuel cell geometry and operating parameters based on three new performance evaluation indexes | |
| CN115470581B (zh) | 燃料电池气体流道优化设计方法、系统、电子设备及介质 | |
| Zhang et al. | Effects of different loading strategies on the dynamic response and multi-physics fields distribution of PEMEC stack | |
| Li et al. | Coupling flow channel optimization and Bagging neural network to achieve performance prediction for proton exchange membrane fuel cells with varying imitated water-drop block channel | |
| Joibary et al. | Numerical investigation of the influence of different cooling flow channels on the thermal and water saturation distribution in a real dimensional polymer electrolyte membrane fuel cell | |
| Chen et al. | A numerical study on the effects of using combined flow fields and obstacles on the performance of proton exchange membrane fuel cells | |
| Alizadeh et al. | Mixed topology optimization: A self-guided boundary-independent approach for power sources | |
| Huang et al. | Size design strategy for scaling up alkaline water electrolysis stack integrated with renewable energy source: A multiphysics modeling approach | |
| Li et al. | Maximizing power density in proton exchange membrane fuel cells: An integrated optimization framework coupling multi-physics structure models, machine learning, and improved gray wolf optimizer | |
| Hao et al. | Structural gradient optimization of diffusion layer based on finite data mapping method for PEMFC performance improvement | |
| Asadi et al. | The optimization of an innovative interdigitated flow field proton exchange membrane fuel cell by using artificial intelligence | |
| Sun et al. | A novel 3D fine-mesh flow field design and performance analysis for proton exchange membrane fuel cells |
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 | ||
| GR01 | Patent grant |