CN116341362A - 一种气体扩散层三维结构压缩变形预测方法 - Google Patents
一种气体扩散层三维结构压缩变形预测方法 Download PDFInfo
- Publication number
- CN116341362A CN116341362A CN202310070496.9A CN202310070496A CN116341362A CN 116341362 A CN116341362 A CN 116341362A CN 202310070496 A CN202310070496 A CN 202310070496A CN 116341362 A CN116341362 A CN 116341362A
- Authority
- CN
- China
- Prior art keywords
- dimensional structure
- diffusion layer
- gas diffusion
- dimensional
- network model
- 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
- 238000007906 compression Methods 0.000 title claims abstract description 59
- 230000006835 compression Effects 0.000 title claims abstract description 58
- 238000009792 diffusion process Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000010586 diagram Methods 0.000 claims abstract description 36
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract 1
- 239000007789 gas Substances 0.000 description 38
- 239000000446 fuel Substances 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 11
- 238000011160 research Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 5
- 229910052799 carbon Inorganic materials 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012545 processing 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
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000004917 carbon fiber Substances 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 229910001868 water Inorganic materials 0.000 description 2
- 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
- 230000000903 blocking effect 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
- 238000012669 compression test 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
- 230000006870 function 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
- 238000011056 performance test Methods 0.000 description 1
- 239000003208 petroleum Substances 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
- G06V10/77—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)
- Analysing Materials By The Use Of Radiation (AREA)
- Image Generation (AREA)
Abstract
本发明公开了一种气体扩散层三维结构压缩变形预测方法,包括以下步骤:对气体扩散层三维结构进行切片与裁剪处理,得到切片图,建立数据集;将切片图信息及其压缩后的三维结构输入三维卷积网络模型,利用三维卷积网络模型获取切片图以及三维结构压缩值的特征,并进行特征融合;将所述三维结构以及压缩比下的三维结构作为输出,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,最终得到结构在相应压缩比值下的三维结构点云,并输出三维切片图。本发明实现对气体扩散层不同压缩比下的三维结构的预测,并输出三维切片图,有效解决现有技术不足。
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三维结构压缩变形预测方法。
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
当前可以通过实验仪器完成对气体扩散层压缩试验,并用CT扫描方法获得压缩前后的三维结构,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,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
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。故数值模拟方法虽为主流方法但实施困难,耗时较大,很难较好地指导气体扩散层装配工艺。
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三维结构压缩变形预测方法。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对应的传统数值计算生成的压缩后的切片图AI算法训练,实现对气体扩散层不同压缩比下的三维结构的预测,并输出三维切片图。
为实现上述目的,本发明提供了一种气体扩散层三维结构压缩变形预测方法,包括以下步骤:
步骤1、对气体扩散层三维结构进行切片与裁剪处理,得到切片图,建立数据集;
步骤2、将切片图信息及其压缩后的三维结构输入三维卷积网络模型,利用三维卷积网络模型获取切片图以及三维结构压缩值的特征,并进行特征融合;
步骤3、将所述三维结构以及压缩比下的三维结构作为输出,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,最终得到结构在相应压缩比值下的三维结构点云,并输出三维切片图。
进一步的,所述对气体扩散层三维结构基于滑窗预处理进行切片与裁剪处理,得到切片图。
进一步的,所述三维卷积网络模型具体为3DUNet网络模型。
进一步的,所述3DUNet网络模型主要包括两部分,第一部分为特征提取部分,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3DUNet网络模型生成所述切片图的压缩图。
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。
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三维结构,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结构,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结构,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三维的AI推理路线,为后续AI在工程应用三维卷积方面提供有利指导。
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是本发明的3DUNet网络模型三维切片图处理流程图。
图4是本发明升级后的3D ResUnet网络结构图。
图5是为本发明自定义如下Autoencoder 自编码器图。
图6是为本发明压缩变形预测模型训练过程图。
图7是为本发明的模型训练坐标曲线图。
实施方式
如图1、6所示,本发明提供了一种气体扩散层三维结构压缩变形预测方法,包括以下步骤:
步骤1、对气体扩散层三维结构进行切片与裁剪处理,得到切片图,建立数据集;
步骤2、将切片图信息及其压缩后的三维结构输入三维卷积网络模型,利用三维卷积网络模型获取切片图以及三维结构压缩值的特征,并进行特征融合;
步骤3、将所述三维结构以及压缩比下的三维结构作为输出,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,最终得到结构在相应压缩比值下的三维结构点云,并输出三维切片图。
发明具体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对应的传统数值计算生成的压缩后的切片图AI算法训练,实现对气体扩散层不同压缩比下的三维结构的预测,并输出三维切片图。将输入切片图进行滑窗裁剪的方式输入到3DUNet中进行相应部分的预测,最终再将所有部分的预测整合成一张完整的压缩切片图,总体思路如图1所示。
上述方法采用的关键技术可分为以下三个模块以及预测数据后处理,其中将原图首先分切片图后进行预测,在具体实现时采用有重叠的滑窗机制进行的处理。在最终的整合过程中,对重叠部分进行融合平均处理,最终才能得到整个压缩后的效果图。具体包括:
1)滑窗预处理模块:对气体扩散层三维结构基于滑窗预处理进行切片与裁剪处理,得到切片图;
2)3DUNet网络模型:基于3DUNet网络模型获取切片图;
3)切片图整合:编写相应的后处理模块进行最终完整的切片图生成。
一、3DUNet网络模型:
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,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,可以看到上图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。
为了能够解决模型压缩的问题,首先将原始的3维切片图进行滑窗分块处理,生成若干个切片图,接着将每个切片图输入到训练好的3DUNet中生成该切片图部分的压缩图,最后再将生成的切片图部分的压缩图根据压缩后的标准重新整合成一张压缩后的3维切片图。
在最终的模型中,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,使其的模型拟合能力更强。图4为升级后的3DResUnet网络结构示意图。
二、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5所示Autoencoder 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,首先构造了从0到0.3,间隔0.01的训练数据。
以下采用centercrop数据预处理以及固定学习率0.0001的方式进行了500个epoch训练,图7为训练过程图。
综上,通过试验进行气体扩散层结构压缩探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,成功率较低,本方法秒级预测压缩结构,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,数值计算耗时极长,且收敛性较差,十分耗费人工与时间,本方法可以秒级输出压缩后的三维结构,以便研究者进行结构研究与性能计算,大大缩短了装配压缩的研究周期,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。因此,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 (6)
1.一种气体扩散层三维结构压缩变形预测方法,其特征在于,包括以下步骤:
步骤1、对气体扩散层三维结构进行切片与裁剪处理,得到切片图,建立数据集;
步骤2、将切片图信息及其压缩后的三维结构输入三维卷积网络模型,利用三维卷积网络模型获取切片图以及三维结构压缩值的特征,并进行特征融合;
步骤3、将所述三维结构以及压缩比下的三维结构作为输出,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,最终得到结构在相应压缩比值下的三维结构点云,并输出三维切片图。
2.如权利要求1所述的一种气体扩散层三维结构压缩变形预测方法,其特征在于:所述对气体扩散层三维结构基于滑窗预处理进行切片与裁剪处理,得到切片图。
3.如权利要求1所述的一种气体扩散层三维结构压缩变形预测方法,其特征在于:所述三维卷积网络模型具体为3DUNet网络模型。
4.如权利要求3所述的一种气体扩散层三维结构压缩变形预测方法,其特征在于:所述3DUNet网络模型主要包括两部分,第一部分为特征提取部分,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。
5.如权利要求3所述的一种气体扩散层三维结构压缩变形预测方法,其特征在于:所述3DUNet网络模型生成所述切片图的压缩图。
6.如权利要求1所述的一种气体扩散层三维结构压缩变形预测方法,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310070496.9A CN116341362B (zh) | 2023-02-07 | 2023-02-07 | 一种气体扩散层三维结构压缩变形预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310070496.9A CN116341362B (zh) | 2023-02-07 | 2023-02-07 | 一种气体扩散层三维结构压缩变形预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116341362A true CN116341362A (zh) | 2023-06-27 |
CN116341362B CN116341362B (zh) | 2024-08-16 |
Family
ID=86886594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310070496.9A Active CN116341362B (zh) | 2023-02-07 | 2023-02-07 | 一种气体扩散层三维结构压缩变形预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116341362B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020078269A1 (zh) * | 2018-10-16 | 2020-04-23 | 腾讯科技(深圳)有限公司 | 三维图像的语义分割方法、装置、终端及存储介质 |
CN113555588A (zh) * | 2021-07-13 | 2021-10-26 | 广东兰氢科技有限公司 | 一种燃料电池性能预测方法、装置、电子设备及存储介质 |
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 |
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 |
CN115620104A (zh) * | 2022-10-10 | 2023-01-17 | 南京友一智能科技有限公司 | 一种质子交换膜燃料电池气体扩散层性能预测方法 |
-
2023
- 2023-02-07 CN CN202310070496.9A patent/CN116341362B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020078269A1 (zh) * | 2018-10-16 | 2020-04-23 | 腾讯科技(深圳)有限公司 | 三维图像的语义分割方法、装置、终端及存储介质 |
CN113555588A (zh) * | 2021-07-13 | 2021-10-26 | 广东兰氢科技有限公司 | 一种燃料电池性能预测方法、装置、电子设备及存储介质 |
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 |
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 |
CN115620104A (zh) * | 2022-10-10 | 2023-01-17 | 南京友一智能科技有限公司 | 一种质子交换膜燃料电池气体扩散层性能预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116341362B (zh) | 2024-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ming et al. | A systematic review of machine learning methods applied to fuel cells in performance evaluation, durability prediction, and application monitoring | |
Huo et al. | Performance prediction of proton-exchange membrane fuel cell based on convolutional neural network and random forest feature selection | |
Milewski et al. | Advanced methods of solid oxide fuel cell modeling | |
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 | |
CN113420483B (zh) | Sofc/soec电极微观结构电化学模型的建立方法 | |
Yang et al. | Patent analysis on green hydrogen technology for future promising technologies | |
Paddison et al. | Device and materials modeling in PEM fuel cells | |
Teng et al. | Technology opportunity discovery of proton exchange membrane fuel cells based on generative topographic mapping | |
CN116341362B (zh) | 一种气体扩散层三维结构压缩变形预测方法 | |
Rui et al. | Design of proton exchange membranes with high durability for fuel cells: From the perspective of machine learning | |
CN115620104A (zh) | 一种质子交换膜燃料电池气体扩散层性能预测方法 | |
Brus | Overcoming a recent impasse in the application of artificial neural networks as solid oxide fuel cells simulator with computational topology | |
Folgado et al. | PEM Electrolyzer Digital Replica based on internal resistance determination applied to hydrogen energy storage | |
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 | |
Sun et al. | Fault diagnosis method for proton exchange membrane fuel cell system based on digital twin and unsupervised domain adaptive learning | |
Bello et al. | AI-enabled materials discovery for advanced ceramic electrochemical cells | |
Zhou et al. | Fault diagnosis of PEMFC systems based on an auxiliary transfer network | |
CN116070513A (zh) | 一种气体扩散层装配压缩性能预测方法 | |
Liu et al. | Recent advances in artificial intelligence boosting materials design for electrochemical energy storage | |
CN116913413A (zh) | 基于多因子驱动的臭氧浓度预测方法、系统、介质及设备 | |
Maheshwari et al. | Role of Computational Science in Materials and Systems Design for Sustainable Energy Applications: An Industry Perspective | |
CN116312837A (zh) | 一种基于多尺度模型的液流电池当地极化预测方法 | |
Tofigh et al. | Transient modeling of a solid oxide fuel cell using an efficient deep learning HY-CNN-NARX paradigm | |
Di Penta et al. | A reduced fuel cell stack model for control and fault diagnosis | |
Briceno-Mena et al. | A Machine Learning Approach for Device Design from Materials and Operation Data |
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 |