CN116453634A - 一种模拟预测碳纸原纸性能的方法 - Google Patents

一种模拟预测碳纸原纸性能的方法 Download PDF

Info

Publication number
CN116453634A
CN116453634A CN202310427831.6A CN202310427831A CN116453634A CN 116453634 A CN116453634 A CN 116453634A CN 202310427831 A CN202310427831 A CN 202310427831A CN 116453634 A CN116453634 A CN 116453634A
Authority
CN
China
Prior art keywords
layer
paper base
carbon
carbon paper
base paper
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
Application number
CN202310427831.6A
Other languages
English (en)
Inventor
沙洲
张梦
袁其栋
郭大亮
黄依可
刘蓓
李静
许银超
孙倩玉
张欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Lover Health Science and Technology Development Co Ltd
Original Assignee
Zhejiang Lover Health Science and Technology Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Lover Health Science and Technology Development Co Ltd filed Critical Zhejiang Lover Health Science and Technology Development Co Ltd
Priority to CN202310427831.6A priority Critical patent/CN116453634A/zh
Publication of CN116453634A publication Critical patent/CN116453634A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • 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
    • G16C20/70—Machine learning, data mining or chemometrics
    • 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
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Paper (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)

Abstract

本发明公开了一种模拟预测碳纸原纸性能的方法，采用实验方法获取多种抄造工艺下对应的碳纸原纸性能，得到实验数据；再基于实验数据，采用遗传算法优化反向传播神经网络建立碳纸原纸性能预测模型，通过预测模型进行碳纸原纸性能的模拟研究。本发明可以获得用于碳纸原纸性能的预测模型，其预测结果准确，方便对碳纸原纸性能进行模拟研究。

Description

一种模拟预测碳纸原纸性能的方法
技术领域
本发明涉及碳纸原纸技术领域，特别涉及一种模拟预测碳纸原纸性能的方法。
背景技术
近年来，由于能源短缺和环境污染等问题，人们把目光投向清洁能源方面，其中质子交换膜燃料电池(PEMFC)是一种值得关注的技术，该技术具有高效、低排放的优点。气体扩散层(GDL)是质子交换膜燃料电池膜电极的重要组成部分，在气体扩散层中主要进行着反应气体的传递、反应产物的转移以及电子的传输。气体扩散层的选择对燃料电池性能影响很大，通常会在厚度、比重、压缩回弹、孔隙率、PTFE含量、电导率特性、热导率特性和气体扩散特性这几个方面做综合的权衡与考量。PEMFC体积功率密度依赖于许多因素，包括电化学性能、燃料电池的几何参数和运行条件。其中，优化几何设计是一种降低燃料电池体积、提高其性能的有效而直接的解决方案。由于PEMFC内部结构和多相流的复杂性，单方面改变双极板或气体扩散层(GDL)的尺寸将会带来新的问题。燃料电池通道和GDL结构的优化目前已成为全球研究者面临的主要问题。
碳纤维是现今生活及工业中经常使用的一种碳材料，具有元素碳的各种优良性能，如导电性好、密度小、耐热性极好、耐腐蚀性、导热系数大和热膨胀系数小等优点。碳纸作为质子交换膜燃料电池核心部件气体扩散层的重要基材，需具备良好的机械性能、透气性、导电性性等特性，因此高性能碳纸的研究具有重要的意义。碳纸中，碳纤维之间不存在氢键结合，纤维间强度非常低，同时碳纤维与pva纤维不同配比抄造对碳纸的机械性能十分重要，而碳纸中适宜的孔径分布同样对于气体扩散层用碳纸的透气性能有利。为了定量分析不同的碳纸抄造工艺对于碳纸性能的影响，如何构建一种简单方便而又具有可实施性的碳纸原纸性能预测模型，以实现对碳纸原纸性能的模拟研究，减少实验过程，提高效率成为了申请人亟待解决的技术问题。
发明内容
本发明的目的在于，提供一种模拟预测碳纸原纸性能的方法。本发明可以获得用于碳纸原纸性能的预测模型，其预测结果准确，方便对碳纸原纸性能进行模拟研究。
为解决上述技术问题，本发明提供的技术方案如下：一种模拟预测碳纸原纸性能的方法，采用实验方法获取多种抄造工艺下对应的碳纸原纸性能，得到实验数据；再基于实验数据，采用遗传算法优化反向传播神经网络建立碳纸原纸性能预测模型，通过预测模型进行碳纸原纸性能的模拟研究。
上述的模拟预测碳纸原纸性能的方法，所述抄造工艺包括碳纤维长度、碳纤维与pva纤维配比和分散剂的用量；所述碳纸原纸性能包括抗张强度、碳纸原纸密度、透气性、孔隙率和电阻率。
前述的模拟预测碳纸原纸性能的方法，所述反向传播神经网络结构分为输入层、隐藏层和输出层，其中，输入层的每个神经元激励值将分别对应一个抄造工艺；输出层将输出碳纸性能预测结；隐藏层为中间传导层，隐藏层层数≥1；所述反向传播神经网络总共k层，第I层的神经元个数为nI，第I层的第i个神经元的激励值为其中I∈{1,2,...,k}，i∈{1,2,...,nI}；前一层的每个神经元与后一层每个神经元分别相连，连接线权重值定义为/>表示连接线起始神经元所在层的层序号，i∈{1,2,...,nI}和j∈{1,2,...,nI+1}分别表示连接线起始神经元和终止神经元在所在层的层内序号；所述输入层和每个隐藏层均添加有一个偏置神经元，偏置神经元固定激励值为+1，与后一层每个神经元相连，连接线权重定义为/>表示偏置神经元所在层的序号，J∈{1,2,...,nI+1}表示连接线终点神经元在所在层的层内序号。
前述的模拟预测碳纸原纸性能的方法，采用遗传算法优化反向传播神经网络的过程包括如下步骤：
步骤1、将反向传播神经网络的权值和阈值进行遗传编码，得到由实数串组成的个体；
步骤2、根据个体得到反向传播神经网络的初始权值和阈值，设置适应度值，用训练数据训练反向传播神经网络后预测系统输出；
步骤3、遗传算法执行选择操作，以概率方式选择旧群体个体到新群体中；
步骤4、遗传算法执行交叉操作，使两个个体交换组合产生新的优秀个体；
步骤5、遗传算法执行变异操作，使个体的基因进行变异；
步骤6、计算适应度值，判断适应度值是否满足设置条件，若不满足则返回步骤3，若满足则获得最优权值和阈值。
前述的模拟预测碳纸原纸性能的方法，步骤2中，用样本数据集误差平方和的倒数作为适应度函数，如下所示：
式中：^tr为第r个样本的网络输出值，tr第r个样本的期望输出值，q为数据集样本数目。
前述的模拟预测碳纸原纸性能的方法，步骤3中，所述选择操作为基于适应度比例的选择策略，每个个体o的选择概率Po为：
式中：JO是第o个个体的适应度值；N为种群个体数目，r表示第r个样本；Fo为个体o的适应度值，K为系数。
前述的模拟预测碳纸原纸性能的方法，步骤4中，遗传算法执行交叉操作是采用实数交叉法。
前述的模拟预测碳纸原纸性能的方法，步骤5中，遗传算法执行变异操作过程是选择第o个个体的第z个基因aoz进行变异，公式如下：
式中：amax为基因aoz的上界；amin为基因aoz的下界；f(g)是一个随机数；g为当前迭代次数；Gmax是最大的进化次数；t为[0,1]间的随机数，t2为[0,1]间的随机数。
前述的模拟预测碳纸原纸性能的方法，将最优权值和阈值作为反向传播神经网络的参数，然后对实验数据进行归一化处理，以抄造工艺作为反向传播神经网络输入层的输入信息，输入信息通过隐含层作用于输出层的神经元上,并产生输出信息；其后将反向传播神经网络产生的输出信息与实际结果的误差进行反向传播,将输出误差通过隐含层向输入层逐层反传,并将输出误差分摊给各层所有神经元，以此调整输入层神经元与隐含层神经元的联结强度和隐含层神经元与输出层神经元的联结强度,经过反复学习训练,确定与最小误差相对应的网格参数，完成预测模型的建立。
前述的模拟预测碳纸原纸性能的方法，所述隐藏层的层数为3层，隐藏层中神经元个数为5个。
与现有技术相比，本发明先采用了实验方法获取多种抄造工艺下对应的碳纸原纸性能，从而得到准确的实验数据，然后以碳纸原纸的抄造工艺为输入层，碳纸原纸性能为输出层，采用遗传算法改进的反向传播神经网络算法构建了碳纸原纸性能预测模型，该预测模型具有良好的精度，且与实验得到的不同抄造工艺参数对碳纸原纸性能的关系趋势较为一致，可以较好的映射碳纸原纸抄造工艺参数与碳纸原纸性能的关系，因此后续采用预测模型进行碳纸原纸性能的模拟研究，不必在重复进行实验操作，大大的降低了研究的难度，减少了流程步骤，方便了实验人员，提高了工作效率。
附图说明
图1为碳纤维长度的改变对碳纸原纸抗张强度的影响；
图2是碳纤维长度的改变对于碳纸原纸整体孔隙空间的影响；
图3为碳纤维长度对碳纸原纸孔隙率(a图)及透气性能(b图)的影响；
图4为碳纤维长度对碳纸原纸电阻率的影响；
图5为碳纤维/PVA纤维配比的改变对碳纸原纸抗张强度的影响；
图6为碳纤维比重为85％(a图)和95％时(b图)拍摄的电镜图；
图7为碳纤维比重对碳纸原纸孔隙率(a图)及透气性能(b图)的影响；
图8为碳纤维比重对碳纸原纸电阻率的影响；
图9为分散剂APAM用量的改变对碳纸原纸抗张强度的影响；
图10为APAM用量为0.12％(a图)和0.16％(b图)时拍摄的电镜图；
图11为APAM用量对碳纸原纸孔隙率(a图)及透气性能(b图)的影响；
图12为APAM用量对碳纸原纸电阻率的影响；
图13为反向传播神经网络的结构示意图；
图14是采用遗传算法优化反向传播神经网络；
图15为GA-BPNN预测模型对于碳纸原纸的抗张强度(a图)、孔隙率(b图)、透气性(c图)和电阻率指标性能(d图)的MRE值；
图16为碳纤维长度对于碳纸原纸性能的预测曲线；
图17为碳纤维比重对于碳纸原纸性能的预测曲线；
图18为APAM用量对于碳纸原纸性能的预测曲线。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。
实施例：一种模拟预测碳纸原纸性能的方法，采用实验方法获取多种抄造工艺下对应的碳纸原纸性能，得到实验数据；再基于实验数据，采用遗传算法优化反向传播神经网络建立碳纸原纸性能预测模型，通过预测模型进行碳纸原纸性能的模拟研究。
具体的，所述抄造工艺包括碳纤维长度、碳纤维与pva纤维配比和分散剂的用量；其中，碳纤维长度分别为2、4、6、8、10mm，碳纤维与pva纤维配比为95：5、90：10、85：15和80：20，APAM用量分别为0.10％、0.12％、0.14％和0.16％。纸张定量为57±2g/m2，抄造工具是选取碳纤维，加入1mol/L的NAOH溶液中，加入大转子，使用磁力搅拌器30min，进行脱胶处理，便于碳纤维后续分散。将处理过的碳纤维加入到APAM溶液，使用纤维疏解机进行碳纤维分散25min。后加入pva纤维继续分散5min，分散后使用抄纸机抄造碳纸。不经过压榨工序，将湿纸张夹入硅油纸中，使用平板硫化机在0.5MPa条件下热压1200s。每种工艺都抄造碳纸5张用于检测，将抄造纸张放于24h恒温恒湿室内。
所述碳纸原纸性能包括抗张强度、碳纸原纸密度、透气性、孔隙率和电阻率。
其中，抗张强度测定如下：
将每张碳纸原纸裁下15×100mm左右纸条，按照国标《纸和纸板抗张强度的测定》(GB/T12914—2008)使用抗张强度仪检测碳纸原纸抗张强度。
碳纸原纸密度测定如下：
将碳纸裁成尺寸规格为8cm×8cm的正方形样品，用电子天平称取其质量并记录，用测厚仪测量同一样品不同部位的10个厚度值，计算得到碳纤维纸样品的平均厚度，根据公式测定碳纤维纸样品的表观密度，公式如下：
ρ＝m/(8×8×d)；
式中：ρ为密度，单位g·cm-3；m为质量，单位g；d为厚度，单位cm；
透气性测定如下：
将抄造好的碳纸原纸使用透气度检测仪检测透气性，测量压力为200pa，每次测量面积为20cm2，在每张碳纸原纸取不同位置的10个取样处，取平均透气度。
孔隙率测定如下：
采用干湿法比测定碳纸原纸的孔隙率。将碳纸原纸在80℃下烘干24h后，用电子天平秤其质量记为W1，然后将碳纸原纸浸泡于无水乙醇中1min后，称其质量记为W2。根据公式计算碳纸的孔隙率，公式如下：
Ak＝(W2-W1)/[ρW2+(ρ1-ρ2)W1]；
式中：Ak为孔隙率，％；ρ2为无水乙醇密度，g·cm-3；ρ1为碳纸原纸平均密度，g·cm-3。
电阻率测定如下：
采用四探针测试方法测试碳纸原纸的电阻率，将碳纸原纸裁剪成直径为11cm的圆形样品，在样品上取不同位置的10个点分别测定，记录10个点的平面电阻率值，并取其平均值作为该碳纸原纸的平面电阻率。
扫描电子显微镜检测：
将抄造好的碳纸原纸分别裁剪为1×1cm大小的正方形，将其粘贴在双面碳导的电胶带上，喷金处理，采用扫描电镜进行表面扫描，加速电压为15kv。
经过以上步骤后，为分析碳纤维长度的改变对于碳纸原纸性能的影响，对实验获取的数据进行分析，图1为碳纤维长度的改变对碳纸原纸抗张强度的影响。如下图1所示随着碳纤维的长度增加，碳纸原纸张抗张强度呈上升趋势。如APAM用量为0.16％时，碳纤维长度为2mm，碳纸原纸的抗张强度最小，抗张强度为1.38kN/m；当碳纤维长度为4mm时，碳纸原纸的抗张强度大幅上升，碳纸原纸抗张强度为2.44kN/m；而当碳纤维长度为6mm、8mm、10mm时，碳纸原纸的抗张强度小幅上升，碳纸原纸抗张强度分别上升为2.65kN/m、2.82kN/m、2.93kN/m。这是由于碳纤维不能像植物纤维一样结合在一起，只能通过添加pva使碳纤维结合在一起，随着碳纤维长度的增加，纤维与pva交织点增多，纤维与pva结合强度增大并对碳纸的力学性能起着决定性的作用，抗张强度相应随之提高。
为分析碳纤维长度的改变对于碳纸原纸整体孔隙空间的影响，图2为碳纤维长度为2mm、4mm、6mm时，拍摄的电镜图。如下图2所示，(a)为碳纤维长度2mm的电镜图，(b)为碳纤维长度4mm的电镜图，(c)为碳纤维长度6mm的电镜图。从图2中可以看出随着碳纤维长度的增加，碳纸原纸的平均孔隙及最大孔隙逐渐增加。
图3为碳纤维长度对碳纸原纸孔隙率(a图)及透气性能(b图)的影响。如下图3(a)所示随着碳纤维长度的增加，碳纸原纸的孔隙率呈上升趋势，碳纸原纸的整体孔隙空间逐渐增大。如APAM用量为0.14％时，碳纤维长度为2mm，碳纸原纸的孔隙率最小为90.2％；随着碳纤维长度的增加，碳纸原纸的孔隙率逐渐上升，碳纤维长度为10mm时，碳纸原纸的孔隙率上升为92.8％。
如下图3(b)所示随着碳纤维的长度增加，碳纸原纸的透气性逐渐升高。如APAM用量为0.14％时，碳纤维长度为2mm，透气性为1020mm/s；碳纤维长度为4mm时，碳纸原纸的透气性为1080mm/s；当碳纤维长度增加为6mm时，碳纸原纸透气性大幅增加为1170mm/s；碳纤维继续增加为10mm时，碳纸原纸的透气性仍小幅增加为1210mm/s。这是由于碳纤维长度较短时，纤维间形成的孔直径小，导致透气性能下降，随着碳纤维长度的增加，碳纤维间及碳纤维与pva纤维之间的平均孔径及最大孔径越大，透气性能增加。
图4为碳纤维长度对碳纸原纸电阻率的影响。如下图4所示随着碳纤维的长度增加，碳纸原纸的电阻率逐渐下降，导电性能逐渐上升。如APAM用量为0.12％时，碳纤维长度2mm，碳纸原纸的电阻率最大为133mΩ.cm，导电性能最差；当碳纤维长度增加到4mm时，碳纸原纸的电阻率降低为124mΩ.cm；而当碳纤维长度增加到10mm时，碳纸原纸的电阻率最小为100mΩ.cm，导电性能最好。这是由于碳纤维越长，碳纤维间接触点越多，形成更加紧密的导电网络，使得电阻率降低。6、8、10mm的碳纤维抄造的碳纸下降趋势较不明显，这是由于碳纤维较长，相互之间接触点充足，已经形成了完善的导电网络结构，碳纤维长度继续增长对电阻率影响较小。
为分析碳纤维/PVA纤维配比对于碳纸原纸性能的影响，对实验获取的数据进行分析，图5为碳纤维/PVA纤维配比的改变对碳纸原纸抗张强度的影响。如下图5所示随着碳纤维比重的增加，碳纸原纸的抗张强度逐渐下降。如碳纤维长度为8mm时，碳纤维比重80％，碳纸原纸的抗张强度最大为3.2kN/m；当碳纤维比重增加到85％时，碳纸原纸的抗张强度减小为3kN/m；而当碳纤维比重加到95％时，碳纸原纸的抗张强度最小，为2.6kN/m。这是由于碳纤维比重增加，使得pva纤维比重减少，使得纤维间结合强度降低，碳纸抗张强度也逐渐降低。
为分析碳纤比重的改变对于碳纸原纸整体孔隙空间的影响，图6为碳纤维比重为85％(a图)和95％时(b图)拍摄的电镜图。如下图6所示，随着碳纤维比重的增加，碳纸原纸的平均孔隙及最大孔隙逐渐增加。
图7为碳纤维比重对碳纸原纸孔隙率(a图)及透气性能(b图)的影响。如下图7的(a)图所示，随着碳纤维比重的增加，碳纸原纸的孔隙率呈上升趋势，碳纸原纸的整体孔隙空间逐渐增大。如碳纤维长度为6mm时，碳纤维比重为80％，碳纸原纸的孔隙率最小为90.3％；随着碳纤维比重的增加，碳纸原纸的孔隙率逐渐上升，碳纤维比重为95％时，碳纸原纸的孔隙率最大，上升为92.3％。
如图7中的(b)图所示，随着碳纤维比重增加，碳纸原纸透气性逐渐升高。如碳纤维长度为6mm时，碳纤维比重80％，碳纸原纸透气性最小1020mm/s；碳纤维比重为85％时，碳纸原纸透气性为1120mm/s；碳纤维比重继续增加为95％时，碳纸原纸的透气性最大为1230mm/s。这是由于碳纤维比重增加，使得碳纤维的分散性变小，碳纸原纸的平均孔隙及最大孔隙逐渐增加，透气性增加。
图8为碳纤维比重对碳纸原纸电阻率的影响。如下图8所示，随着碳纤维比重的增加，碳纸原纸的电阻率逐渐上升，导电性能逐渐下降。如碳纤维长度为4mm时，碳纤维比重80％，碳纸原纸的电阻率最小为95mΩ.cm，导电性能最好；当碳纤维比重增加为85％时，碳纸原纸的电阻率上升为105mΩ.cm；而当碳纤维比重增加到95％时，碳纸原纸的电阻率最大为112mΩ.cm，导电性能最差。这是由于碳纤维比重增加，碳纸的松厚度增加，碳纸内部纤维间的接触电阻升高，从而使得其电阻率升高。
为分析不同分散剂APAM用量对于碳纸原纸性能的影响，对实验获取的数据进行分析，图9为分散剂APAM用量的改变对碳纸原纸抗张强度的影响。如碳纤维比重为95％时，APAM用量0.10％，碳纸原纸抗张强度最小为2.56kN/m；当APAM用量增加到0.12％时，碳纸原纸的抗张强度上升为2.62kN/m；当APAM用量持续增加到0.16％时，碳纸原纸的抗张强度最大，为2.79kN/m。这是由于分散剂用量的增加，碳纤维分散效果变好，纤维更加分散，使得碳纤维间结合点增多，强度增加，碳纸抗张强度也逐渐增加。
为分析APAM用量的改变对于碳纸原纸整体孔隙空间的影响，图10为APAM用量为0.12％(a图)和0.16％(b图)时拍摄的电镜图。如下图10所示，随着APAM用量的增加，碳纸原纸的平均孔隙及最大孔隙逐渐减小。
图11为APAM用量对碳纸原纸孔隙率(a图)及透气性能(b图)的影响。如下图11中的(a)图所示，随着APAM用量的增加，碳纸原纸的孔隙率呈下降趋势，碳纸原纸的整体孔隙空间逐渐减小。如碳纤维比重为90％时，分散剂0.10％，碳纸原纸的孔隙率最大为92.5％；随着APAM用量的增加，碳纸原纸的孔隙率逐渐下降，APAM用量为0.16％时，碳纸原纸的孔隙率最小，下降为91.8％。
如下图11中的(b)图所示，随着APAM用量的增加，碳纸原纸的透气性逐渐下降。如碳纤维比重为90％时，APAM用量0.10％，碳纸原纸的透气性最大1310mm/s；APAM用量为0.12％时，碳纸原纸的透气性为1140mm/s；APAM用量继续增加为0.16％时，碳纸原纸的透气性最小为1030mm/s。这是由于APAM用量的增加，碳纤维分散效果变好，絮团情况减少，纤维更加分散，平均孔径及最大孔径都逐渐减小，碳纸透气性也逐渐下降。
图12为APAM用量对碳纸原纸电阻率的影响。如下图12所示随着APAM用量的增加，碳纸原纸的电阻率逐渐上升，导电性能逐渐下降。如碳纤维比重为85％时，APAM用量为0.10％，碳纸原纸的电阻率最小为100mΩ.cm，导电性能最好；当APAM用量为0.12％时，碳纸原纸的电阻率上升为104mΩ.cm；而当APAM用量增加为0.16％时，碳纸原纸的电阻率最大为114mΩ.cm，导电性能最差。这是由于分散剂用量的增加，碳纤维分散效果变好，碳纸内部纤维间的接触电阻升高，从而使得其电阻率升高。
通过实验的方法已经测量并计算出了不同抄造工艺及其对应碳纸原纸性能。然而，仅通过实验的方法只能获得较少的离散数据样本，并且实验工作量较大。较少的离散数据样本不利于分析抄造工艺与碳纸原纸性能间关系趋势，特别是难以描绘趋势曲线。在用于制浆造纸领域这一变量多、变量间相互影响程度较高问题的数据统计分析问题，本发明实用反向传播神经网络(BackPropagationNeural Network，BPNN)算法。接下来构建反向传播神经网络。如图13所示，所述反向传播神经网络结构分为输入层、隐藏层和输出层，其中，输入层的每个神经元激励值将分别对应一个抄造工艺；输出层将输出碳纸性能预测结；隐藏层为中间传导层，隐藏层层数≥1；所述反向传播神经网络总共k层，第I层的神经元个数为nI，第I层的第i个神经元的激励值为其中I∈{1,2,...,k}，i∈{1,2,...,nI}；前一层的每个神经元与后一层每个神经元分别相连，连接线权重值定义为/> 表示连接线起始神经元所在层的层序号，i∈{1,2,...,nI}和j∈{1,2,...,nI+1}分别表示连接线起始神经元和终止神经元在所在层的层内序号；所述输入层和每个隐藏层均添加有一个偏置神经元，偏置神经元固定激励值为+1，与后一层每个神经元相连，连接线权重定义为/>表示偏置神经元所在层的序号，J∈{1,2,...,nI+1}表示连接线终点神经元在所在层的层内序号。
然后采用遗传算法优化反向传播神经网络，如图14所示，过程包括如下步骤：
步骤1、将反向传播神经网络的权值和阈值进行遗传编码，得到由实数串组成的个体；个体包含了神经网络全部的权值和阈值，包括了输入层和隐含层连接权值、隐含层阈值、隐含层与输出层连接权值以及输出层阈值4个部分。
步骤2、根据个体得到反向传播神经网络的初始权值和阈值，设置适应度值，用训练数据训练反向传播神经网络后预测系统输出；本步骤中，用样本数据集误差平方和的倒数作为适应度函数，如下所示：
式中：^tr为第r个样本的网络输出值，tr第r个样本的期望输出值，q为数据集样本数目。
步骤3、遗传算法执行选择操作，以概率方式选择旧群体个体到新群体中；本步骤中，所述选择操作为基于适应度比例的选择策略，每个个体o的选择概率Po为：
式中：JO是第o个个体的适应度值；N为种群个体数目，r表示第r个样本；Fo为个体o的适应度值，K为系数。
步骤4、遗传算法执行交叉操作，使两个个体交换组合产生新的优秀个体；本步骤中，遗传算法执行交叉操作是采用实数交叉法，第k个染色体ak和第l个染色体a_l在j为的交叉操作方法如下：
步骤5、遗传算法执行变异操作，使个体的基因进行变异；本步骤中，遗传算法执行变异操作过程是选择第o个个体的第z个基因aoz进行变异，公式如下：
式中：amax为基因aoz的上界；amin为基因aoz的下界；f(g)是一个随机数；g为当前迭代次数；Gmax是最大的进化次数；t为[0,1]间的随机数，t2为[0,1]间的随机数。
步骤6、计算适应度值，判断适应度值是否满足设置条件，若不满足则返回步骤3，若满足则获得最优权值和阈值。
最后将最优权值和阈值作为反向传播神经网络的参数，然后对实验数据进行归一化处理，以抄造工艺作为反向传播神经网络输入层的输入信息，输入信息通过隐含层作用于输出层的神经元上,并产生输出信息；其后将反向传播神经网络产生的输出信息与实际结果的误差进行反向传播,将输出误差通过隐含层向输入层逐层反传,并将输出误差分摊给各层所有神经元，以此调整输入层神经元与隐含层神经元的联结强度和隐含层神经元与输出层神经元的联结强度,经过反复学习训练,确定与最小误差相对应的网格参数，完成预测模型的建立。
根据反向传播神经网络算法的构建流程，输入层和输出层的结构设计随训练样本的选择基本确定，即输入层的神经元为抄造工艺个数，输出层的神经元为4个，即碳纸的抗张强度、透气性、孔隙率、电阻率，而隐含层的神经元个数、激活函数的选择、训练函数的选择成为了反向传播神经网络结构设计中的核心问题。
针对隐含层的神经元个数，采用经验式计算得到隐含层神经元个数的上、下界值。
1＜n-1；
1＜m+n+a；
1＝log2n；
式中：n为输入层神经元数量；1为隐含层神经元数量；m为输出层神经元数量；a为0～10的常数。
基于以上步骤获得的预测模型，将获得的抄造工艺数据作为模型的输入，包括：碳纤维的不同长度、碳纤维/PVA纤维配比、APAM的用量；将碳纸原纸的性能作为模型的输出，包括：抗张强度、透气性、孔隙率、电阻率四个指标，反向传播神经网络结构输入层包括3个神经元，输出层包括3个神经元。通常，为了保证最终可使用的模型符合精度要求，确保不会出现过拟合或欠拟合的情况，需要对训练好的模型进行验证，再对最终建立的模型进行测试。当测试结果符合要求后该模型才可以投入使用。因此，需要将所有有效的实验数据分为3个部分，分别为：训练数据集、验证数据集和测试数据集，一般的，上述3个数据集的大小按6:2:2比例划分进行模型建立。
(1)隐藏层层数及隐藏层神经元个数的确定；
如果隐藏层层数或隐藏层神经元个数过少，容易出现模型的训练和验证结果与实际结果均偏差较大，即欠拟合；反之，如果隐藏层层数或隐藏层神经元个数过多，不仅模型训练时间长，还容易出现虽然训练结果与实际结果偏差较小，但验证结果与实际结果偏差较大的情况，即过拟合。本实施例中输入层神经元个数nI＝3，输出层神经元个数为4个，为了增加准确性，选择隐藏神经元个数为4-7个。选取1-4层隐藏层和每层4-7个神经元建立多组模型，选取最优隐藏层数及隐藏层神经元个数。为了确定最优的隐藏层数及隐藏层神经元个数，在MATLAB软件中编写反向传播神经网络算法代码，不断调整代码中隐藏层数值及隐藏层神经元数值，以便获得最佳数值。
另一方面，为了进一步提高模型的准确度，需要对输入、输出值限定取值范围，而取值范围的限定原则为对应参数在实验结果中的最大、最小值取两位有效数字。各参数具体取值范围如下表1所示：
参数名称 取值范围
碳纤维长度(mm) [2,10]
碳纤维比重(％) [80,95]
分散剂用量(％) [0.10,0.16]
表1
为了判断不同模型训练和验证结果的优劣，使用平均相对误差(MeanRelativeError,MRE)对结果进行评估及对比。MRE的表达式如下式：
式中，Ndata表示数据集大小，y和y^分别表示结果的实际值和模型输出值。通过表达式可知，MRE越小说明模型精度越高，模型训练效果越好。
为了避免单次训练模型可能陷入局部最优解的风险，对每个模型分别进行多次训练和验证，并计算多次训练或验证结果的平均MRE值，直到平均MRE值趋于平稳。为了分析不同隐藏层层数及隐藏层神经元个数对模型MRE值的影响，表2为选取隐藏层层数单层、双层、三层及四层，每一种层数的神经元个数为4、5、6和7个，共16中不同结构模型的80次训练和验证结果的平均训练MRE值、验证MRE值及平均每次训练时间。
表2
如表2所示，双隐藏层、三隐藏层和四隐藏层模型的训练MRE没有太大变化，都在6％、7％左右。而与双隐藏层和四隐藏层模型相比，三隐藏层模型的验证误差略低，在9.4％左右，证明三隐藏层的拟合效果比双隐藏层好。另一方面，四隐藏层模型的验证MRE比三隐藏层模型略高，说明四隐藏层模型已出现了过拟合的趋势。在三隐藏层中验证误差较低的为5个神经元的9.42％、7个神经元的9.34％，而7个神经元的平均训练时间却比5个神经元平均训练时间多了6.12s。综合所有结果，后续本实施例采用三隐藏层模型中验证误差较低的5个隐藏层神经元个数模型。
本实施例中，初始权值与阈值优化：
(1)个体编码与初始种群产生；
本步骤中反向传播神经网络的结构为3－3－3，权值数量为3×3+3×3＝18个，阈值数量为18+1＝19个，所以个体的编码长度设为18+19＝37个，随机产生20个初始种群，种群编码选用实数编码。
(2)遗传算法参数选择；
遗传算法的参数选择对性能影响较大，参数除了涉及到群体规模、编码长度外还包括交叉概率、变异概率等。
交叉概率决定了交叉操作被使用的频率，交叉概率过大可使各代充分交叉，但会破坏群体中优良的模式，产生较大的代沟，导致算法偏向随机搜索；交叉概率过小会导致进化速度降低，搜索可能会停滞，一般取值范围为0.4-0.99，经过不同交叉概率值的对比分析，本实施例中，交叉概率设为0.5分类效果较好；变异概率决定了群体的多样性，过大的变异概率增加了群体的多样性，但也可能会破坏群体中好的模式；过小的变异概率会使群体的稳定性增加，无法抑制早熟现象，一般取值范围为0.001-0.1。经过不同变异概率值的对比分析，变异概率设为0.07时分类效果较好。
(3)激励函数的选择：
选取Sigmoid函数和Tanh函数作为反向传播神经网络各层的激活函数，采用相同的训练样本分别对网络进行训练，结果如下表3所示：
激励函数 训练均方误差
Sigmoid函数 0.0534
Tanh函数 0.0832
表3
表3中，Sigmoid函数训练均方误差为0.0534，Tanh函数训练均方误差为0.0832，Sigmoid函数的训练均方误差相比较小，因此选取Sigmoid函数作为激活函数。
(4)模型训练函数的选择；
针对训练函数的选定，目前反向传播神经网络的网络训练法主要包括：traingdm函数(动量梯度下降函数)、traingd函数(梯度下降反向传播算法)、traingda函数(自适应学习率的t函数下降反向传播算法)、traingdx函数(带动量梯度下降的自适应学习率的反向传播算法)和trainlm函数(L-M反向传播函数)等，在MATLAB软件中，依次采用上述训练函数对反向传播神经网络进行训练，训练结果如下表4：
训练函数 traingdm traingd traingda traingdx trainlm
精度 0.064 0.120 0.146 0.117 0.116
表4
表4中traingdm训练函数对模型进行训练时，其模型精度为0.064所有训练函数中训练精度最高的。因此采用traingdm训练函数作为反向传播神经网络的训练函数。
最后在MATLAB软件中编写碳纸原纸性能预测模型(简称GA-BPNN预测模型)，其中模型为三层隐藏层，每层5个神经元；初始种群为20，交叉概率为0.5，变异概率为0.07；采用Sigmoid函数为激活函数，traingdm函数为训练函数。
为了验证所建的GA-BPNN预测模型的准确率，引用MRE值对模型进行测试。图15为GA-BPNN预测模型对于碳纸原纸的抗张强度(a图)、孔隙率(b图)、透气性(c图)和电阻率指标性能(d图)的MRE值。GA-BPNN预测模型的抗张强度测试结果MRE值为5.49％，孔隙率测试结果MRE值为5.75％，透气性测试结果MRE值为5.21％，电阻率测试结果MRE值为5.54％，GA-BPNN预测模型的测试结果MRE均小于10％，满足精度研究，说明本发明使用的GA-BPNN预测模型可以较好的映射碳纸原纸抄造工艺参数与碳纸原纸指标性能的关系。
通过上述研究，已得到较为可靠的用于映射抄造工艺参数和碳纸原纸指标性能间的关系的GA-BPNN预测模型，基于已建立的GA-BPNN预测模型逐个分析每个抄造工艺参数对碳纸原纸性能的影响关系趋势。
图16为碳纤维长度对于碳纸原纸性能的预测曲线。图16中的(a)为碳纤维长度与碳纸原纸抗张强度的预测曲线，随着碳纤维长度的增加，碳纸原纸的抗张强度也随之增加，在碳纤维长度2mm到4mm时，碳纸原纸的抗张强度变化较大，在长度6mm、8mm、10mm、12mm时抗张强度变化较小；图16中(b)图为碳纤维长度与碳纸原纸孔隙率的预测曲线，随着碳纤维长度的增加，碳纸原纸的孔隙率随之增加，在碳纤维长度2mm到4mm，碳纸原纸的孔隙率变化较大，而在碳纤维长度10mm、12mm，碳纸原纸的孔隙率变化较小；图16中的(c)图为碳纤维长度与碳纸原纸透气性的预测曲线，随着碳纤维长度的增加，碳纸原纸的透气性随之增加；图16中(d)图为碳纤维长度与碳纸原纸电阻率的预测曲线，随着碳纤维长度的增加，碳纸原纸的电阻率随之降低，在碳纤维长度2mm时，碳纸原纸的电阻率最大，碳纤维长度为12mm时，电阻率最小。整体碳纸原纸性能预测变化趋势与前文中碳纤维长度对碳纸原纸性能影响趋势较为一致。
图17为碳纤维比重对于碳纸原纸性能的预测曲线。图17中的(a)图为碳纤维比重与碳纸原纸抗张强度的预测曲线，随着碳纤维比重的增加，碳纸原纸的抗张强度随之下降，碳纤维比重为75％时，碳纸原纸的抗张强度最大，碳纤维比重为95％时，碳纸原纸抗张强度最小；图17中的(b)图为碳纤维比重与碳纸原纸孔隙率的预测曲线，随着碳纤维比重的增加，碳纸原纸的孔隙率逐渐增加。在碳纤维比重为75％时，碳纸原纸的孔隙率最小，在碳纤维比重80％到85％时，碳纸原纸的孔隙率变化较大，而在碳纤维比重95％时，碳纸原纸的孔隙率最大；图17中的(c)图为碳纤维比重与碳纸原纸透气性的预测曲线，随着碳纤维比重的增加，碳纸原纸的透气性随之增加；图17中的(d)图为碳纤维比重与碳纸原纸电阻率的预测曲线，随着碳纤维比重的增加，碳纸原纸的电阻率随之增加，在碳纤维比重为75％时，电阻率最小，在碳纤维比重85％、90％、95％时，碳纸原纸电阻率变化较小，碳纤维比重为95％时，碳纸原纸电阻率最小。整体碳纸原纸性能预测变化趋势与前文中碳纤维比重对碳纸原纸性能影响趋势较为一致。
图18为APAM用量对于碳纸原纸性能的预测曲线。图18中的(a)图为APAM用量与碳纸原纸抗张强度的预测曲线，随着APAM用量的增加，碳纸原纸的抗张强度逐渐上升，APAM用量为0.10％时，碳纸原纸的抗张强度最小，APAM用量0.16％、0.18％时，碳纸原纸抗张强度的变化较大，APAM用量0.18％时，碳纸原纸抗张强度最大；图18中的(b)图为APAM用量与碳纸原纸孔隙率的预测曲线，随着APAM用量的增加，碳纸原纸的孔隙率逐渐下降，在APAM用量为0.10％时，碳纸原纸的孔隙率最大，在APAM用量为0.18％时，碳纸原纸的孔隙率最小；图18中的(c)图为APAM用量与碳纸原纸透气性的预测曲线，随着APAM用量的增加，碳纸原纸的透气性逐渐下降；图18中的(d)图为APAM用量与碳纸原纸电阻率的预测曲线，随着APAM用量的增加，碳纸原纸的电阻率随之增加，在APAM用量为0.10％时，电阻率最小，在APAM用量0.12％、0.14％时变化较大，APAM用量为0.18％时，碳纸原纸电阻率最大。整体碳纸原纸性能预测变化趋势与前文中APAM用量对碳纸原纸性能影响趋势较为一致。
综上所述，本发明先采用了实验方法获取多种抄造工艺下对应的碳纸原纸性能，从而得到准确的实验数据，然后以碳纸原纸的抄造工艺为输入层，碳纸原纸性能为输出层，采用遗传算法改进的反向传播神经网络算法构建了碳纸原纸性能预测模型，该预测模型具有良好的精度，且与实验得到的不同抄造工艺参数对碳纸原纸性能的关系趋势较为一致，可以较好的映射碳纸原纸抄造工艺参数与碳纸原纸性能的关系，因此后续采用预测模型进行碳纸原纸性能的模拟研究，不必在重复进行实验操作，大大的降低了研究的难度，减少了流程步骤，方便了实验人员，提高了工作效率。

Claims (10)

1.一种模拟预测碳纸原纸性能的方法，其特征在于：采用实验方法获取多种抄造工艺下对应的碳纸原纸性能，得到实验数据；再基于实验数据，采用遗传算法优化反向传播神经网络建立碳纸原纸性能预测模型，通过预测模型进行碳纸原纸性能的模拟研究。
2.根据权利要求1所述的模拟预测碳纸原纸性能的方法，其特征在于：所述抄造工艺包括碳纤维长度、碳纤维与pva纤维配比和分散剂的用量；所述碳纸原纸性能包括抗张强度、碳纸原纸密度、透气性、孔隙率和电阻率。
3.根据权利要求1所述的模拟预测碳纸原纸性能的方法，其特征在于：所述反向传播神经网络结构分为输入层、隐藏层和输出层，其中，输入层的每个神经元激励值将分别对应一个抄造工艺；输出层将输出碳纸性能预测结；隐藏层为中间传导层，隐藏层层数≥1；所述反向传播神经网络总共k层，第I层的神经元个数为nI，第I层的第i个神经元的激励值为其中I∈{1,2,...,k}，i∈{1,2,...,nI}；前一层的每个神经元与后一层每个神经元分别相连，连接线权重值定义为/>m∈{1,2,...,k-1}表示连接线起始神经元所在层的层序号，i∈{1,2,...,nI}和j∈{1,2,...,nI+1}分别表示连接线起始神经元和终止神经元在所在层的层内序号；所述输入层和每个隐藏层均添加有一个偏置神经元，偏置神经元固定激励值为+1，与后一层每个神经元相连，连接线权重定义为/>M∈{1,2,...,k-1}表示偏置神经元所在层的序号，J∈{1,2,...,nI+1}表示连接线终点神经元在所在层的层内序号。
4.根据权利要求3所述的模拟预测碳纸原纸性能的方法，其特征在于：采用遗传算法优化反向传播神经网络的过程包括如下步骤：
步骤1、将反向传播神经网络的权值和阈值进行遗传编码，得到由实数串组成的个体；
步骤2、根据个体得到反向传播神经网络的初始权值和阈值，设置适应度值，用训练数据训练反向传播神经网络后预测系统输出；
步骤3、遗传算法执行选择操作，以概率方式选择旧群体个体到新群体中；
步骤4、遗传算法执行交叉操作，使两个个体交换组合产生新的优秀个体；
步骤5、遗传算法执行变异操作，使个体的基因进行变异；
步骤6、计算适应度值，判断适应度值是否满足设置条件，若不满足则返回步骤3，若满足则获得最优权值和阈值。
5.根据权利要求4所述的模拟预测碳纸原纸性能的方法，其特征在于：步骤2中，用样本数据集误差平方和的倒数作为适应度函数，如下所示：
式中：^tr为第r个样本的网络输出值，tr第r个样本的期望输出值，q为数据集样本数目。
6.根据权利要求4所述的模拟预测碳纸原纸性能的方法，其特征在于：步骤3中，所述选择操作为基于适应度比例的选择策略，每个个体o的选择概率Po为：
式中：JO是第o个个体的适应度值；N为种群个体数目，r表示第r个样本；Fo为个体o的适应度值，K为系数。
7.根据权利要求4所述的模拟预测碳纸原纸性能的方法，其特征在于：步骤4中，遗传算法执行交叉操作是采用实数交叉法。
8.根据权利要求4所述的模拟预测碳纸原纸性能的方法，其特征在于：步骤5中，遗传算法执行变异操作过程是选择第o个个体的第z个基因aoz进行变异，公式如下：
式中：amax为基因aoz的上界；amin为基因aoz的下界；f(g)是一个随机数；g为当前迭代次数；Gmax是最大的进化次数；t为[0,1]间的随机数，t2为[0,1]间的随机数。
9.根据权利要求4所述的模拟预测碳纸原纸性能的方法，其特征在于：将最优权值和阈值作为反向传播神经网络的参数，然后对实验数据进行归一化处理，以抄造工艺作为反向传播神经网络输入层的输入信息，输入信息通过隐含层作用于输出层的神经元上,并产生输出信息；其后将反向传播神经网络产生的输出信息与实际结果的误差进行反向传播,将输出误差通过隐含层向输入层逐层反传,并将输出误差分摊给各层所有神经元，以此调整输入层神经元与隐含层神经元的联结强度和隐含层神经元与输出层神经元的联结强度,经过反复学习训练,确定与最小误差相对应的网格参数，完成预测模型的建立。
10.根据权利要求3所述的模拟预测碳纸原纸性能的方法，其特征在于：所述隐藏层的层数为3层，隐藏层中神经元个数为5个。
CN202310427831.6A 2023-04-20 2023-04-20 一种模拟预测碳纸原纸性能的方法 Pending CN116453634A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310427831.6A CN116453634A (zh) 2023-04-20 2023-04-20 一种模拟预测碳纸原纸性能的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310427831.6A CN116453634A (zh) 2023-04-20 2023-04-20 一种模拟预测碳纸原纸性能的方法

Publications (1)

Publication Number Publication Date
CN116453634A true CN116453634A (zh) 2023-07-18

Family

ID=87127230

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310427831.6A Pending CN116453634A (zh) 2023-04-20 2023-04-20 一种模拟预测碳纸原纸性能的方法

Country Status (1)

Country Link
CN (1) CN116453634A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116735842A (zh) * 2023-08-14 2023-09-12 中国标准化研究院 一种同类纸质物快速测试对比方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116735842A (zh) * 2023-08-14 2023-09-12 中国标准化研究院 一种同类纸质物快速测试对比方法及系统
CN116735842B (zh) * 2023-08-14 2023-10-17 中国标准化研究院 一种同类纸质物快速测试对比方法及系统

Similar Documents

Publication Publication Date Title
Toghyani et al. Optimization of operating parameters of a polymer exchange membrane electrolyzer
Chen et al. Influencing sensitivities of critical operating parameters on PEMFC output performance and gas distribution quality under different electrical load conditions
Miao et al. Parameter estimation of PEM fuel cells employing the hybrid grey wolf optimization method
Wu et al. The optimal parameters estimation for rectangular cylinders installed transversely in the flow channel of PEMFC from a three-dimensional PEMFC model and the Taguchi method
CN116453634A (zh) 一种模拟预测碳纸原纸性能的方法
Gong et al. Accelerating parameter identification of proton exchange membrane fuel cell model with ranking-based differential evolution
CN103336867B (zh) 质子交换膜燃料电池模型优化处理方法
Chaichana et al. Neural network hybrid model of a direct internal reforming solid oxide fuel cell
Jia et al. A parametric comparison of temperature uniformity and energy performance of a PEMFC having serpentine wavy channels
CN114447378A (zh) 一种质子交换膜燃料电池的参数优化方法
Liu et al. Multi-objective optimization of proton exchange membrane fuel cell geometry and operating parameters based on three new performance evaluation indexes
Garg et al. Framework based on number of basis functions complexity measure in investigation of the power characteristics of direct methanol fuel cell
Karimi et al. Using tournament selection approach to improve harmony search algorithm for modeling of proton exchange membrane fuel cell
Mao et al. Multi-objective optimization of gradient porosity of gas diffusion layer and operation parameters in PEMFC based on recombination optimization compromise strategy
Chen et al. Development of flow field plates based on asymmetric leaf structure for PEM fuel cells
Mammar et al. A central composite face-centered design for parameters estimation of PEM fuel cell electrochemical model
Wu et al. Parametric optimization of wall-mounted cuboid rows installed in interdigitated flow channel of HT-PEM fuel cells
Li et al. Analysis and optimization of material physical characteristics for electrolytic air dehumidifier with a PEM
CN113555588A (zh) 一种燃料电池性能预测方法、装置、电子设备及存储介质
CN115642269B (zh) 一种固体氧化物燃料电池结构及其优化设计方法
CN115547433A (zh) 一种质子交换膜电解槽建模优化的方法
Jabbary et al. Artificial intelligence-assisted optimization and multiphase analysis of polygon PEM fuel cells
CN115221816B (zh) 确定燃料电池水管理状态操作条件组合的方法和装置
CN116822093A (zh) 一种质子交换膜燃料电池流道挡板结构的设计方法
CN117057230A (zh) 质子交换膜燃料电池老化性能预测方法、装置及电子设备

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