CN116070513A - 一种气体扩散层装配压缩性能预测方法 - Google Patents
一种气体扩散层装配压缩性能预测方法 Download PDFInfo
- Publication number
- CN116070513A CN116070513A CN202310070498.8A CN202310070498A CN116070513A CN 116070513 A CN116070513 A CN 116070513A CN 202310070498 A CN202310070498 A CN 202310070498A CN 116070513 A CN116070513 A CN 116070513A
- Authority
- CN
- China
- Prior art keywords
- gas diffusion
- diffusion layer
- compression ratio
- dimensional
- compression
- 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.)
- Pending
Links
- 238000007906 compression Methods 0.000 title claims abstract description 65
- 230000006835 compression Effects 0.000 title claims abstract description 64
- 238000009792 diffusion process Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000013136 deep learning model Methods 0.000 claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 abstract description 6
- 229910052799 carbon Inorganic materials 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract 1
- 239000007789 gas Substances 0.000 description 43
- 238000012360 testing method Methods 0.000 description 15
- 239000000446 fuel Substances 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000004088 simulation Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 229920000049 Carbon (fiber) Polymers 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000004917 carbon fiber Substances 0.000 description 2
- 238000012669 compression test Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 229910001868 water Inorganic materials 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004887 air purification Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000008213 purified water Substances 0.000 description 1
- 239000012495 reaction gas Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种气体扩散层装配压缩性能预测方法,包括以下步骤:对气体扩散层三维点云进行特征提取,建立数据集;训练一个向量化编码器进行压缩值向量化,得到压缩比下的性能参数;将三维特征提取后的数据集以及压缩比下的性能参数输出到1维特征模型进行融合,作为新的特征向量进行深度学习模型回归,训练新的网络模型;将压缩比下的三维结构点云与压缩比信息输入已训练好的所述新的网络模型进行预测,最终得到相应压缩比值下的三维结构点云,并输出预测性能参数参数。本发明输入碳纸的三维切片3D tiff图和压缩比以及相应压缩比下的性能值AI算法训练,实现对气体扩散层三维结构不同压缩比下的性能预测,有效解决现有技术的不足。
Description
技术领域
本发明涉及新能源技术领域,尤其涉及一种气体扩散层装配压缩性能预测方法。
背景技术
随着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。
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。气体扩散层的主要表征参数包括厚度、电子导电率、孔隙率、迂曲度、孔径、渗透系数及亲疏水性等。扩散层厚度一般在100~400um之间。扩散层为电流和气体传输提供路径,厚度越薄,气体传输越短,传质阻力就越小,但其机械强度也会降低,导致其对催化层和膜的支撑作用减弱,降低电池的耐久性。
当气体扩散层在燃料电池电堆中进行工作时,氧气、氢气和水通过气体扩散层孔隙进行传输,电子、热量通过气体扩散层固体进行传导,当燃料电池堆装配力通过双极板施加到气体扩散层上,在流道和肋板(气体扩散层与流场板接触的部分)下的区域中会产生不同的微结构变形,气体扩散层微结构发生 10%-30%变形,部分碳纤维翘起侵入流道,肋板下方碳纤维受压更紧密,会影响气-水-热-电在气体扩散层中的传输传导能力,如扩散系数、渗透率、导热系数及导电率等,并进一步改变电池的输出性能。当前有关气体扩散层装配压缩的研究很少,并且由于实验价格昂贵且无法保证结果的准确性,当前的大多数研究主要以数值仿真为主。燃料电池装配压缩仿真所用的的数值模型前处理耗时很长,且计算过程缓慢,很难实时指导电堆实际生产中的装配过程。
当前的气体扩散层材料压缩变形探究方法主要包括试验测试、数值模拟的方法:
1.试验测试
当前可以通过试验仪器完成对气体扩散层压缩试验,进行完压缩试验后进行性能测试实验,例如垂向导电率、面内导电率、垂向导热率、面内导热率、垂向气体扩散率、面内气体扩散率等,然而气体扩散层的实验仪器十分昂贵,且试验环境十分苛刻,国内很难有一地可以完成所有测试项目,故试验并非当前气体扩散层装配压缩研究主流方法。
2.数值模拟
首先对三维结构进行压缩计算,通过CT扫描三维结构,使用显示动力学仿真软件进行气体扩散层装配压缩仿真,需要数周时间进行前处理,计算需要数月,且鲁棒性较差,经常计算不收敛。完成三维结构计算后,在压缩后的三维结构中计算各项性能,对计算机配置要求较高,故数值模拟方法虽为主流方法但实施困难,耗时较大,很难较好地应用到工程层面,指导电堆厂商进行装配工艺升级。
但是,当前方法存在以下缺陷。试验测试有如下缺点:1)仪器价格昂贵,极少数单位能做;2)测试耗时较长;3)测试环境苛刻,操作要求较高,非专业人员测试困难。数值模拟有如下缺点:1)专业性要求高,前处理流程复杂,耗时很长;2)计算鲁棒性差,收敛困难;3)由于计算时间长,收敛性差导致该方法无法应用于大规模状态计算。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是提供一种气体扩散层装配压缩性能预测方法,输入碳纸的三维切片3D tiff图和压缩比以及相应压缩比下的性能值AI算法训练,实现对气体扩散层三维结构不同压缩比下的性能预测。将压缩值进行向量化再与三维切片图片通过深度学习提取的特征向量进行融合,之后做为新的特征向量再接深度学习模型进行回归。
为实现上述目的,本发明提供了一种气体扩散层装配压缩性能预测方法,包括以下步骤:
步骤1、对气体扩散层三维点云进行特征提取,建立数据集;
步骤2、训练一个向量化编码器进行压缩值向量化,得到压缩比下的性能参数
步骤3、将三维特征提取后的数据集以及压缩比下的性能参数输出到1维特征模型进行融合,作为新的特征向量进行深度学习模型回归,训练新的网络模型;
步骤4、将压缩比下的三维结构点云与压缩比信息输入已训练好的所述新的网络模型进行预测,最终得到相应压缩比值下的三维结构点云,并输出预测性能参数参数。
进一步的,通过3DUnet深度学习模型进行特征提取,建立数据集。
进一步的,通过Deep AE网络训练一个向量化编码器。
进一步的,所述1维特征模型为1d-resnet深度学习模型。
进一步的,所述3DUnet深度学习模型主要包括两部分,第一部分可以看右图,主要功能为特征提取;第二部分为上采样部分;其中,特征提取部分,每经过一个池化层就一个尺度,包括原图尺度一共有5个尺度;上采样部分,每上采样一次,就和特征提取部分对应的通道数相同尺度融合。
进一步的,所述网络模型进一步升级了3DUNet网络结构,在每一个模块内部增加了残差网络的机制。
进一步的,所述预测前后的性能参数均包括垂直电导率、面内电导率、垂直热导率、面内热导率、垂直扩散率、面内扩散率。
本发明的有益效果是:
1)本发明可以快速推理气体扩散层在不同压缩比状态下的垂向导电率、面内导电率、垂向导热率、面内导热率、垂向气体扩散率、面内气体扩散率性能,建立AI模型,实现了秒级推理,对燃料电池电堆装配工艺具有较大的指导意义,厂家可以根据推理结果快速确定良好的装配工艺参数区间。
2)本发明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装配工艺、数值计算研究、性能测试上,均具有相当强的适用性,可供燃料电池气体扩散层以及其他碳纸厂商能够快速获得碳纸压缩后的性能数值,免去繁冗测试过程,节省研发开支。
3)本发明基于神经网络快速推理气体扩散层装配后的整体性能,有利于气体扩散层装配厂商快速进行装配工艺遴选,减少试验次数,提高生产效率。
4)本发明提出了三维to一维的AI推理路线,为后续AI在工程应用三维仿真方面提供有利指导。
5)该方法可以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制造和测试难题,具有重大的科学意义与工业价值。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的气体扩散层压缩变形预测方法流程图。
图2是本发明的3DUNet网络模型网络结构图。
图3是本发明升级后的3D ResUnet网络结构图。
图4是为本发明自定义自编码器图。
图5是为本发明装配压缩性能预测模型训练过程图。
图6是为本发明的模型训练坐标曲线图。
实施方式
如图1、5所示,本发明提供了一种气体扩散层装配压缩性能预测方法,包括以下步骤:
步骤1、对气体扩散层三维点云进行特征提取,建立数据集;
步骤2、训练一个向量化编码器进行压缩值向量化,得到压缩比下的性能参数
步骤3、将三维特征提取后的数据集以及压缩比下的性能参数输出到1维特征模型进行融合,作为新的特征向量进行深度学习模型回归,训练新的网络模型;
步骤4、将压缩比下的三维结构点云与压缩比信息输入已训练好的所述新的网络模型进行预测,最终得到相应压缩比值下的三维结构点云,并输出预测性能参数参数。
本发明通过输入碳纸的三维切片3D tiff图和压缩比以及相应压缩比下的性能值(垂向导电率、面内导电率、垂向导热率、面内导热率、垂向气体扩散率、面内气体扩散率)AI算法训练,实现对气体扩散层三维结构不同压缩比下的性能预测。将压缩值进行向量化再与三维切片图片通过深度学习提取的特征向量进行融合,之后做为新的特征向量再接深度学习模型进行回归。融合总体思路如图1所示。
本发明的气体扩散层装配压缩性能预测方法关键技术可分为以下三个模块以及预测数据后处理:
图片特征提取,可通过3DUnet等深度学习模型进行;
压缩值向量化,通过Deep AE网络训练一个向量化编码器(可提前训练之后冻结相应的参数);
1维特征提取:可通过1d-resnet深度学习模型进行。
在3维切片图采用了3DUNet做为3维图特征提取的基础模型,同时通过训练好的Deep AE网络提取压缩值的向量特征,将这两个特征函数融合后进一步再通过1d-resnet深度学习模型进行。其中:
1、3DUNet模型
模型压缩的基础模型采用了3DUNet,该网络基于2DUNet的整体结构进行升级改进,重点是将其中的2d卷积转成了3d卷积,使其能够适合提取3维切片图的特征。
图2为3DUNet网络结构图。每个蓝色框对应一个多通道特征图(map),其中通道数在框顶标,x-y的大小位于框的左下角;白色框表示复制的特征图;箭头表示不同的操作。
该模型主要包括两部分,第一部分可以看右图,主要功能为特征提取;第二部分为上采样部分。由于网络结构像U型,并且输入数据是3维切片图,所以叫3DUNet网络。特征提取部分,每经过一个池化层就一个尺度,包括原图尺度一共有5个尺度。上采样部分,每上采样一次,就和特征提取部分对应的通道数相同尺度融合,但是融合之前要将其crop。这里的融合是拼接。
该网络能从极少的训练图像中,依靠数据增强将有效的标注数据更为有效地使用。U-net采用了完全不同的特征融合方式:拼接,3DUNet采用将特征在channel维度拼接在一起,形成更厚的特征。而FCN融合时使用的对应点相加,并不形成更厚的特征5个poolinglayer实现了网络对图像特征的多尺度特征识别。上采样部分会融合特征提取部分的输出,这样做实际上是将多尺度特征融合在了一起,以最后一个上采样为例,它的特征既来自第一个卷积block的输出(同尺度特征),也来自上采样的输出(大尺度特征),这样的连接是贯穿整个网络的,可以看到上述的网络中有四次融合过程,相对应的FCN网络只在最后一层进行融合。
在最终的模型中,进一步升级了3DUNet网络结构,在每一个block内部增加了残差网络的机制,使其的模型拟合能力更强,来提取气体扩散层三维模型的图像特征,图3为升级后的3DResUnet网络结构示意图。
2、压缩值向量化
由于用于训练的压缩值固定为5%、10%、15%、20%、25%、30%,本预测方案欲实现随机输入连续压缩比,均可进行压缩结构预测,故为实现压缩值的向量化编码,自定义如图3所示自编码器。
由于用于训练的压缩值固定为5%、10%、15%、20%、25%、30%,本预测方案欲实现随机输入连续压缩比,均可进行压缩结构预测,故为实现压缩值的向量化编码,自定义如下Autoencoder 自编码器:
具体编码解码器构造如下
self.encoder = nn.Sequential(
nn.Linear(1, 64),
nn.ReLU(True),
nn.Linear(64, 32),
nn.ReLU(True), nn.Linear(32, 16), nn.Tanh())
self.decoder = nn.Sequential(
nn.Linear(16, 32),
nn.ReLU(True),
nn.Linear(32, 64),
nn.ReLU(True),
nn.Linear(64, 1),
nn.Sigmoid())
通过分析了数据中的所有可能的压缩比例值,即,0~0.30,精度为0.01,由此,构造了从0到0.3,间隔0.01的训练数据。
本发明训练参数选择Adam,lr=0.001, weight_decay=1e-5,epoch3000,图6为训练过程图。
现有技术试验进行气体扩散层结构压缩性能研究会伴随着大量昂贵物质成本与时间成本,并且实验环境苛刻,需要在多点才能完成一套测试,本发明可以实现秒级预测气体扩散层在不同压缩比下的性能变化,节约大量物质成本,辅助探究燃料电池电堆装配压缩工艺提升;其次,现有技术数值计算耗时极长,十分耗费人工与时间,本发明可以秒级输出压缩后的各项性能,指导燃料电池电堆装配压缩工艺,大大缩短了电堆装配的研究周期,快速预判装配工艺优劣。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (7)
1.一种气体扩散层装配压缩性能预测方法,其特征在于,包括以下步骤:
步骤1、对气体扩散层三维点云进行特征提取,建立数据集;
步骤2、训练一个向量化编码器进行压缩值向量化,得到压缩比下的性能参数
步骤3、将三维特征提取后的数据集以及压缩比下的性能参数输出到1维特征模型进行融合,作为新的特征向量进行深度学习模型回归,训练新的网络模型;
步骤4、将压缩比下的三维结构点云与压缩比信息输入已训练好的所述新的网络模型进行预测,最终得到相应压缩比值下的三维结构点云,并输出预测性能参数参数。
2.如权利要求1所述的一种气体扩散层装配压缩性能预测方法,其特征在于:通过3DUnet深度学习模型进行特征提取,建立数据集。
3.如权利要求1所述的一种气体扩散层装配压缩性能预测方法,其特征在于:通过DeepAE网络训练一个向量化编码器。
4.如权利要求1所述的一种气体扩散层装配压缩性能预测方法,其特征在于:所述1维特征模型为1d-resnet深度学习模型。
5.如权利要求2所述的一种气体扩散层装配压缩性能预测方法,其特征在于:所述3DUnet深度学习模型主要包括两部分,第一部分可以看右图,主要功能为特征提取;第二部分为上采样部分;其中,特征提取部分,每经过一个池化层就一个尺度,包括原图尺度一共有5个尺度;上采样部分,每上采样一次,就和特征提取部分对应的通道数相同尺度融合。
6.如权利要求1所述的一种气体扩散层装配压缩性能预测方法,其特征在于:所述新的网络模型进一步升级了3DUNet网络结构,在每一个模块内部增加了残差网络的机制。
7.如权利要求1所述的一种气体扩散层装配压缩性能预测方法,其特征在于:所述预测前后的性能参数均包括垂直电导率、面内电导率、垂直热导率、面内热导率、垂直扩散率、面内扩散率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310070498.8A CN116070513A (zh) | 2023-02-07 | 2023-02-07 | 一种气体扩散层装配压缩性能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310070498.8A CN116070513A (zh) | 2023-02-07 | 2023-02-07 | 一种气体扩散层装配压缩性能预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116070513A true CN116070513A (zh) | 2023-05-05 |
Family
ID=86169471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310070498.8A Pending CN116070513A (zh) | 2023-02-07 | 2023-02-07 | 一种气体扩散层装配压缩性能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116070513A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022022053A1 (zh) * | 2020-07-31 | 2022-02-03 | 上海交通大学 | 燃料电池用气体扩散层渗透率与扩散系数测量方法及设备 |
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 |
CN114692489A (zh) * | 2022-03-15 | 2022-07-01 | 中汽创智科技有限公司 | 气体扩散层的参数确定方法、装置、设备及存储介质 |
CN114707365A (zh) * | 2022-06-02 | 2022-07-05 | 中汽研新能源汽车检验中心(天津)有限公司 | 一种燃料电池气体扩散层水-热-质传输仿真方法 |
CN114741877A (zh) * | 2022-04-12 | 2022-07-12 | 上海大学 | 一种在非均质压缩状态下的燃料电池多物理场耦合模拟分析方法 |
CN114843555A (zh) * | 2022-05-09 | 2022-08-02 | 中汽创智科技有限公司 | 一种燃料电池气体扩散层的仿真方法及系统 |
CN115017803A (zh) * | 2022-05-28 | 2022-09-06 | 西北工业大学 | 燃料电池堆多孔结构内热质阻力局部及全局定向调控设计方法 |
-
2023
- 2023-02-07 CN CN202310070498.8A patent/CN116070513A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022022053A1 (zh) * | 2020-07-31 | 2022-02-03 | 上海交通大学 | 燃料电池用气体扩散层渗透率与扩散系数测量方法及设备 |
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 |
CN114692489A (zh) * | 2022-03-15 | 2022-07-01 | 中汽创智科技有限公司 | 气体扩散层的参数确定方法、装置、设备及存储介质 |
CN114741877A (zh) * | 2022-04-12 | 2022-07-12 | 上海大学 | 一种在非均质压缩状态下的燃料电池多物理场耦合模拟分析方法 |
CN114843555A (zh) * | 2022-05-09 | 2022-08-02 | 中汽创智科技有限公司 | 一种燃料电池气体扩散层的仿真方法及系统 |
CN115017803A (zh) * | 2022-05-28 | 2022-09-06 | 西北工业大学 | 燃料电池堆多孔结构内热质阻力局部及全局定向调控设计方法 |
CN114707365A (zh) * | 2022-06-02 | 2022-07-05 | 中汽研新能源汽车检验中心(天津)有限公司 | 一种燃料电池气体扩散层水-热-质传输仿真方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huo et al. | Performance prediction of proton-exchange membrane fuel cell based on convolutional neural network and random forest feature selection | |
Ming et al. | A systematic review of machine learning methods applied to fuel cells in performance evaluation, durability prediction, and application monitoring | |
WO2009101955A1 (ja) | 燃料電池シミュレーション装置及び燃料電池 | |
CN110825829B (zh) | 一种基于自然语言和语义地图实现机器人自主导航的方法 | |
Zhou et al. | Investigation of optimization and evaluation criteria for flow field in proton exchange membrane fuel cell: A critical review | |
Wang et al. | Machine learning in gas separation membrane developing: Ready for prime time | |
CN116070513A (zh) | 一种气体扩散层装配压缩性能预测方法 | |
Khatoonabadi et al. | Insights on the interaction of serpentine channels and gas diffusion layer in an operating polymer electrolyte fuel cell: Numerical modeling across scales | |
CN113420483B (zh) | Sofc/soec电极微观结构电化学模型的建立方法 | |
JP2007323852A (ja) | 燃料電池触媒層解析装置及び燃料電池触媒層解析用の触媒幾何形状モデル | |
Rui et al. | Design of proton exchange membranes with high durability for fuel cells: From the perspective of machine learning | |
CN112699019B (zh) | 结合缺陷预测和关联矩阵的面向任务的软件测试策略生成方法 | |
CN116341362A (zh) | 一种气体扩散层三维结构压缩变形预测方法 | |
CN115017803B (zh) | 燃料电池堆多孔结构内热质阻力局部及全局定向调控设计方法 | |
CN111079279A (zh) | 一种多构型晶格结构多尺度拓扑优化设计方法 | |
CN115017741B (zh) | 一种燃料电池气体扩散层的重构方法、装置和电子设备 | |
CN116312837A (zh) | 一种基于多尺度模型的液流电池当地极化预测方法 | |
CN116343943A (zh) | 基于图神经网络编码离子液体特征的方法 | |
Brus | Overcoming a recent impasse in the application of artificial neural networks as solid oxide fuel cells simulator with computational topology | |
Chen et al. | Study on Model Evolution Method Based on the Hybrid Modeling Technology With Support Vector Machine for an SOFC-GT System | |
CN116457786A (zh) | 设计支援系统、设计支援方法以及设计支援程序 | |
Yu et al. | Predicting gas diffusion layer flow information in proton exchange membrane fuel cells from cross-sectional data using deep learning methods | |
CN114677677B (zh) | 一种质子交换膜燃料电池气体扩散层材料比例预测方法 | |
Kishimoto | Three-dimensional microstructure of solid oxide fuel cell anode: observation, quantification, and application to numerical analysis | |
CN115830591A (zh) | 一种气体扩散层组份识别方法、装置、设备及存储介质 |
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 |