CN116796650B - 基于多目标优化遗传算法的气体扩散层三维重构方法 - Google Patents
基于多目标优化遗传算法的气体扩散层三维重构方法 Download PDFInfo
- Publication number
- CN116796650B CN116796650B CN202310913577.0A CN202310913577A CN116796650B CN 116796650 B CN116796650 B CN 116796650B CN 202310913577 A CN202310913577 A CN 202310913577A CN 116796650 B CN116796650 B CN 116796650B
- Authority
- CN
- China
- Prior art keywords
- gas diffusion
- diffusion layer
- target
- dimensional
- individual
- 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.)
- Active
Links
- 238000009792 diffusion process Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 26
- 230000002068 genetic effect Effects 0.000 title claims abstract description 26
- 238000005457 optimization Methods 0.000 title claims abstract description 16
- 239000011148 porous material Substances 0.000 claims abstract description 53
- 238000009826 distribution Methods 0.000 claims abstract description 47
- 239000000446 fuel Substances 0.000 claims abstract description 25
- 238000004088 simulation Methods 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 230000035772 mutation Effects 0.000 claims abstract description 4
- 239000000835 fiber Substances 0.000 claims description 29
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 19
- 239000007788 liquid Substances 0.000 claims description 14
- 239000000853 adhesive Substances 0.000 claims description 8
- 230000001070 adhesive effect Effects 0.000 claims description 8
- 239000011230 binding agent Substances 0.000 claims description 4
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 claims description 4
- 229910052753 mercury Inorganic materials 0.000 claims description 4
- 230000000149 penetrating effect Effects 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 32
- 230000005540 biological transmission Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000012209 glucono delta-lactone Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002459 porosimetry Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Landscapes
- Inert Electrodes (AREA)
Abstract
本发明涉及一种基于多目标优化遗传算法的气体扩散层三维重构方法，包括如下步骤：通过测量获取实际气体扩散层的目标孔隙率以及目标孔径分布；利用遗传算法随机生成包括多个气体扩散层三维模型的初始群体；从当前的群体中选取两个个体作为父代进行交叉与变异，生成一个子代个体，若子代个体的评分大于最低评分，则令子代个体取代最低评分对应的个体，以孔隙率和孔径分布贴近实际测量结果为优化目标进行迭代；选取当前群体中评分最高的个体作为目标模型，完成燃料电池气体扩散层的三维随机重构。与现有技术相比，本发明能在控制孔隙率的基础上控制孔径分布等其他参数，使随机模型更加契合现实，提高仿真的可信度，减少误差。
Description
技术领域
本发明涉及燃料电池技术领域，尤其是涉及一种基于多目标优化遗传算法的气体扩散层三维重构方法。
背景技术
随着科技的进步和工业的快速发展，全球对能源的消耗与日俱增。如今全球绝大部分能源依赖于化石燃料，其造成的环境污染也日趋严重。化石能源枯竭和环境恶化成为威胁人类生存发展的两大难题。为了应对日益紧缺的能源问题和环境污染，各国纷纷开始将新能源车辆的开发放在重要地位。而氢燃料电池汽车因其零污染、能源可再生、噪音低、燃料热值大等优点，被认为是最具有潜力、最理想的新能源汽车，因此其发展受到各国政府的大力推动。但是车用燃料电池的性能、寿命和成本仍然是限制燃料电池汽车进一步大规模产业化的关键问题。
水淹是燃料电池性能衰减的重要因素之一。当气流带走水蒸气的速度低于水的生成速度时，在燃料电池内部会产生大量液态水积累，从而形成严重水淹，造成燃料电池性能下降，甚至损害燃料电池本身，使得其寿命产生衰减。同时，由于气体扩散层(GDL)在膜电极中占有最大的厚度，同时是气液传输的关键位置，因此，研究GDL中水的传输特性，对于缓解水淹，提高燃料电池性能与寿命有着重大意义，其已经成为近年来的一大研究热点。然而，由于GDL在燃料电池内部，需要采取一定手段才能观察。常采用X射线对GDL中的水进行扫描，然而X射线形成的图像是二维，无法准确定位水的三维位置。因此，为了明确分析液态水传输特性，常对燃料电池GDL进行建模，由此分析水传递特性。二维模型是较简单的模型，结构简单，运算速度快，且能一定程度上分析液态水的传递规律，但是与现实差距较大。三维模型虽然结构复杂，但是其包含信息更多，更加接近现实，因此具有最高的参考意义。
为了构建三维GDL模型，通常可以使用以下几种方法：一、通过CT扫描真实GDL三维结构来重建。优点是贴近现实情况，可靠程度较高，缺点在于对设备要求高，且不能调整GDL的参数。二、随机重建GDL三维模型。优点在于对设备要求低，成本低，缺点在于可靠程度低，与现实有一定差距。
燃料电池GDL三维随机模型是研究三维水传输的重要手段之一。
中国专利申请号CN202210567570.3公开了一种质子交换膜燃料电池气体扩散层的孔隙建模方法，包括以下步骤：S1.制定气体扩散层的纤维层的体积参数和纤维层层数；S2.根据各层纤维层的目标孔隙率选择目标孔隙率的概率分布类型，并确定概率分布类型的概率分布参数；S3.利用脚本参数化建模方法，根据目标孔隙率的概率分布特征随机生成各层纤维层的目标孔隙率值；S4.根据目标孔隙率值对纤维层进行设计，纤维层内根据纤维模型生成纤维，并拉伸纤维两端使纤维横向贯穿纤维层；S5.纤维层中进行纤维切除并计算纤维层的孔隙率，通过迭代计算纤维层的孔隙率直至满足目标孔隙率要求；S6.各层纤维层设计完成后对各层纤维层进行合并，直至成为整体的气体扩散层。
上述申请以及目前GDL三维随机模型的重建方法只能控制孔隙率这一参数，在达到孔隙率要求之后难以对其他参数进行调整，且孔隙率的误差较大，因此与现实情况存在一定的差距。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多目标优化遗传算法的气体扩散层三维重构方法，实现以孔隙率和孔径分布为优化目标的气体扩散层三维重构。
本发明的目的可以通过以下技术方案来实现：
本发明的一个方面，提供了一种基于多目标优化遗传算法的气体扩散层三维重构方法，包括如下步骤：
通过测量获取实际气体扩散层的目标孔隙率以及目标孔径分布；
基于所述目标孔隙率以及目标孔径分布，利用遗传算法随机生成包括多个气体扩散层三维模型的初始群体，每个三维模型作为一个个体；
从当前的群体中选取两个个体作为父代进行交叉与变异，生成一个子代个体，基于孔隙率和孔径分布计算子代个体的评分和当前群体中的最低评分，若子代个体的评分大于最低评分，则令子代个体取代最低评分对应的个体，多次重复本步骤，以孔隙率和孔径分布贴近实际测量结果为优化目标进行迭代，直至满足终止条件；
选取当前群体中评分最高的个体作为目标模型，完成燃料电池气体扩散层的三维随机重构。
作为优选的技术方案，生成单个气体扩散层三维模型的过程包括如下步骤：
在长X，宽Y的二维区域Ai上随机摆放宽为D，长度贯穿二维区域的长方形作为纤维，直到长方形覆盖的面积ns与二维区域面积X*Y的比例达到不含粘合剂的孔隙率λp/(1-Pb)，Ai中每个被分割出的孔隙，以概率Pb完全填满粘合剂，重复本步骤L次，将L次结果合并得到单个气体扩散层三维模型，
其中，i为当前层数，D为纤维直径，L为单个模型的层数，λp为目标孔隙率，Pb为粘合剂生成概率，ns为长方形覆盖的面积。
作为优选的技术方案，所述的评分采用下式计算：
其中，E(i)为群体中第i个个体的评分，Pij为第i个个体直径在(j-1)*Δd～j*Δd，j＝k时为(k-1)*Δd～∞范围内的孔径分布率，Pj为直径在(j-1)*Δd～j*Δd，j＝k时为(k-1)*Δd～∞范围内的目标孔径分布率，λi、λp分别为第i个个体的孔隙率以及目标孔隙率。
作为优选的技术方案，从当前的群体中选取两个个体作为父代的过程包括：
计算当前群体内所有个体的评分，以个体的评分与全部个体的评分的比值作为个体被选中的概率，选取两个个体。
作为优选的技术方案，通过交叉与变异生成一个子代个体的过程包括如下步骤：
通过令一个父代的每层以预设的交叉概率与另一个父代的随机一层交换随机数量的纤维，生成一个新的子代个体，并以预设的粘合剂生成概率生成粘合剂。
作为优选的技术方案，所述的终止条件为迭代次数大于预设次数或当前群体内的最高评分大于预设的目标误差的倒数。
作为优选的技术方案，所述的目标孔径分布为孔径落在基于预设的孔径分布直径增量Δd形成的多个区间内的孔径分布率。
作为优选的技术方案，通过压汞法测量所述实际气体扩散层的目标孔隙率以及目标孔径分布。
本发明的另一个方面，提供了一种上述基于多目标优化遗传算法的气体扩散层三维重构方法的应用，使用所述目标模型进行燃料电池气体扩散层液态水传输的仿真。
本发明的另一个方面，提供了一种电子设备，包括：一个或多个处理器以及存储器，所述存储器内储存有一个或多个程序，所述一个或多个程序包括用于执行上述基于多目标优化遗传算法的气体扩散层三维重构方法的指令。
与现有技术相比，本发明具有以下优点：
(1)提高建模的速度：不同于已有的通过CT扫描真实GDL三维结构来建模的方案，本发明基于多目标优化遗传算法对燃料电池的气体扩散层进行三维随机重构，首先生成包括多个三维模型的初始种群，然后进行多轮次的交叉与变异，利用基于孔隙率和孔径分布的评分，由于孔径率和孔径分布这两个对模型性质影响较大的参数，通过以贴近实际测量结果为优化目标进行迭代，能够快速得到目标模型；
(2)建模准确度高：已有的随机构建方法大多仅将孔隙率作为优化目标进行迭代，液态水传输的仿真中，气体扩散层孔径对于液态水的传输至关重要，因为液态水往往只能通过一定孔径以上的孔隙，仅对孔隙率进行控制容易出现通过随机模型进行的仿真与现实实验有较大误差的问题，本方法能在控制孔隙率的基础上控制孔径分布，使随机模型更加契合现实，提高仿真的可信度，减少误差，同时能够实现对于孔隙率更精确的控制，误差能够稳定在极小的范围。
附图说明
图1为实施例中基于多目标优化遗传算法的气体扩散层三维重构方法的流程图；
图2为压汞法测得的两种GDL中孔径分布示意图；
图3为误差达标后的三维图像示意图，
图4为误差达标后的孔径分布图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
实施例1
本实施例提出一种通过遗传算法优化的燃料电池气体扩散层三维随机模型的建立方法，以同时控制孔隙率以及孔径分布。
参见图1，本方法包括如下步骤：
S1.通过压汞法测得实际气体扩散层的孔隙率以及孔径分布情况，得到目标孔隙率λp和目标孔径分布。
S2.根据所得参数，使用遗传算法得到模型。
S2.1设置初始变量，包括最大迭代步数Tmax，迭代步数计数T＝0，目标误差ΔE，群体大小M，交叉概率Pc，变异概率Pm，纤维直径D，模型层数L，模型长度X，宽度Y，目标孔隙率λp，粘合剂生成概率Pb，孔径分布直径增量Δd，目标孔径分布P1,P2,…,Pk分别为直径0～Δd,Δd～2*Δd,…,(k-2)*Δd～(k-1)*Δd,(k-1)*Δd～∞范围的孔径分布率。
S2.2随机生成M个气体扩散层三维模型作为初始群体。
S2.2.1在长X，宽Y的二维区域Ai(i为当前层数)上随机摆放宽为D，长度贯穿区域的长方形作为纤维，直到长方形覆盖的面积站二维区域面积的比例ns/(X*Y)达到不含粘合剂的孔隙率λp/(1-Pb)。
S2.2.2Ai中每个被分割出的孔隙，都有概率Pb被粘合剂完全填满。
S2.2.3重复2.2.1-2.2.2L次，把L次结果合并为完整的气体扩散层模型。
S2.2.4重复2.2.1-2.2.3M次，生成初始群体。
S2.3选择两个个体作为父代，并进行交叉与变异。
S2.3.1以个体评分E(i)在所有个体评分之和S中的占比为被选中的概率，随机选出两个个体。
E(i)表达式为：
其中Pij为第i个个体直径在(j-1)*Δd～j*Δd(j＝k时，为(k-1)*Δd～∞)范围内的孔径分布率，λi为此个体的孔隙率。
S的表达式为：
S2.3.2一个父代的每一层都有Pc概率与另一个父代的随机一层交换随机数量的纤维，生成一个新个体作为子代。
S2.3.3子代每层有概率Pm去除随机数量的纤维并重新随机生成此数量的纤维。
S2.3.4子代重新在所有孔隙中以概率Pb生成粘合剂。
S2.4计算子代评分Eson和群体中最低评分Emin，如果Eson>Emin，则令子代取代此评分最低个体加入群体。此时无论如何，令迭代步数T加一。
S2.5重复2.3～2.4直到T>Tmax或者群体最高评分Emax>1/ΔE。
S3模型生成结束，此时群体中评分最高的个体即为目标模型。
下面将通过一个具体实施例对本发明提出的燃料电池气体扩散层随机重建方法进行详细描述。本例选取孔隙率λp＝0.8，孔径分布直径增量Δd＝2，孔径分布P1,P2,…,P35由图2曲线GDL141得到，粘合剂生成概率Pb＝0.059。
最大迭代步数Tmax＝100000，迭代步数计数T＝0，目标误差ΔE＝0.01，群体大小M＝20，交叉概率Pc＝0.5，变异概率Pm＝0.05，纤维直径D＝3，模型层数L＝20，模型长度X＝200，宽度Y＝200。
采用本实施例的三维重构方法在误差达标后的三维图像参见图3，左右两侧的图像为同一模型的不同视角。
最终误差达标后的孔径分布图见图4。可以看出，经过遗传算法，虽然局部存在波动，但是模型的孔径分布与目标在总体趋势上相差较小，可以满足仿真要求。
液态水传输的仿真中，气体扩散层孔径对于液态水的传输至关重要，因为液态水往往只能通过一定孔径以上的孔隙。以往使用的随机重建方法并不会控制孔径分布，因而容易出现通过随机模型进行的仿真与现实实验有较大误差的问题。相比于一般随机重建方法，本方法能在控制孔隙率的基础上控制孔径分布等其他参数，使随机模型更加契合现实，提高仿真的可信度，减少误差。同时本方法能够实现对于孔隙率更精确的控制，误差能够稳定在极小的范围。
实施例2
与实施例1相比，本实施例重构目标不限定于燃料电池的气体扩散层，也可以是有相似的具有气液传输功能的材料。
实施例3
本实施例提供了一种上述基于多目标优化遗传算法的气体扩散层三维重构方法的应用，使用所述目标模型进行燃料电池气体扩散层液态水传输的仿真。
实施例4
本实施例提供了一种电子设备，包括：一个或多个处理器以及存储器，所述存储器内储存有一个或多个程序，所述一个或多个程序包括用于执行如实施例1-2任一的基于多目标优化遗传算法的气体扩散层三维重构方法的指令。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种基于多目标优化遗传算法的气体扩散层三维重构方法，其特征在于，包括如下步骤：
通过测量获取实际气体扩散层的目标孔隙率以及目标孔径分布；
基于所述目标孔隙率以及目标孔径分布，利用遗传算法随机生成包括多个气体扩散层三维模型的初始群体，每个三维模型作为一个个体；
从当前的群体中选取两个个体作为父代进行交叉与变异，生成一个子代个体，基于孔隙率和孔径分布计算子代个体的评分和当前群体中的最低评分，若子代个体的评分大于最低评分，则令子代个体取代最低评分对应的个体，多次重复本步骤，以孔隙率和孔径分布贴近实际测量结果为优化目标进行迭代，直至满足终止条件；
选取当前群体中评分最高的个体作为目标模型，完成燃料电池气体扩散层的三维随机重构，
生成单个气体扩散层三维模型的过程包括如下步骤：
在长X，宽Y的二维区域Ai上随机摆放宽为D，长度贯穿二维区域的长方形作为纤维，直到长方形覆盖的面积ns与二维区域面积X*Y的比例达到不含粘合剂的孔隙率λp/(1-Pb)，Ai中每个被分割出的孔隙，以概率Pb完全填满粘合剂，重复本步骤L次，将L次结果合并得到单个气体扩散层三维模型，
其中，i为当前层数，D为纤维直径，即二维区域中长方形的宽，L为单个模型的层数，λp为目标孔隙率，Pb为粘合剂生成概率，ns为长方形覆盖的面积，
所述的评分采用下式计算：
，
其中，为群体中第/>个个体的评分，/>为第/>个个体直径在/>，时为/>范围内的孔径分布率，/>为直径在/>，/>时为/>范围内的目标孔径分布率，/>、/>分别为第/>个个体的孔隙率以及目标孔隙率，/>为孔径分布直径增量。
2.根据权利要求1所述的一种基于多目标优化遗传算法的气体扩散层三维重构方法，其特征在于，从当前的群体中选取两个个体作为父代的过程包括：
计算当前群体内所有个体的评分，以个体的评分与全部个体的评分的比值作为个体被选中的概率，选取两个个体。
3.根据权利要求1所述的一种基于多目标优化遗传算法的气体扩散层三维重构方法，其特征在于，通过交叉与变异生成一个子代个体的过程包括如下步骤：
通过令一个父代的每层以预设的交叉概率与另一个父代的随机一层交换随机数量的纤维，生成一个新的子代个体，并以预设的粘合剂生成概率生成粘合剂。
4.根据权利要求1所述的一种基于多目标优化遗传算法的气体扩散层三维重构方法，其特征在于，所述的终止条件为迭代次数大于预设次数或当前群体内的最高评分大于预设的目标误差的倒数。
5.根据权利要求1所述的一种基于多目标优化遗传算法的气体扩散层三维重构方法，其特征在于，所述的目标孔径分布为孔径落在基于预设的孔径分布直径增量Δd形成的多个区间内的孔径分布率。
6.根据权利要求1所述的一种基于多目标优化遗传算法的气体扩散层三维重构方法，其特征在于，通过压汞法测量所述实际气体扩散层的目标孔隙率以及目标孔径分布。
7.根据权利要求1-6任一所述的一种基于多目标优化遗传算法的气体扩散层三维重构方法，其特征在于，使用所述目标模型进行燃料电池气体扩散层液态水传输的仿真。
8.一种电子设备，其特征在于，包括：一个或多个处理器以及存储器，所述存储器内储存有一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-6任一所述基于多目标优化遗传算法的气体扩散层三维重构方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310913577.0A CN116796650B (zh) | 2023-07-24 | 2023-07-24 | 基于多目标优化遗传算法的气体扩散层三维重构方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310913577.0A CN116796650B (zh) | 2023-07-24 | 2023-07-24 | 基于多目标优化遗传算法的气体扩散层三维重构方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116796650A CN116796650A (zh) | 2023-09-22 |
| CN116796650B true CN116796650B (zh) | 2024-03-26 |
Family
ID=88048113
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310913577.0A Active CN116796650B (zh) | 2023-07-24 | 2023-07-24 | 基于多目标优化遗传算法的气体扩散层三维重构方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116796650B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108846472A (zh) * | 2018-06-05 | 2018-11-20 | 北京航空航天大学 | 一种自适应遗传粒子群混合算法的优化方法 |
| CN114267850A (zh) * | 2021-12-21 | 2022-04-01 | 中国科学院山西煤炭化学研究所 | 一种新型燃料电池用气体扩散层及其制备方法和应用 |
| CN114841042A (zh) * | 2022-05-24 | 2022-08-02 | 华南理工大学 | 质子交换膜燃料电池气体扩散层的孔隙建模方法 |
| 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 |
| CN114863028A (zh) * | 2022-05-19 | 2022-08-05 | 武汉理工大学 | 质子交换膜燃料电池气体扩散层的三维重构方法 |
| CN115017741A (zh) * | 2022-08-05 | 2022-09-06 | 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的重构方法、装置和电子设备 |
| CN116190685A (zh) * | 2023-03-20 | 2023-05-30 | 东南大学 | 一种梯度化扩散层及其制备方法 |
-
2023
- 2023-07-24 CN CN202310913577.0A patent/CN116796650B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108846472A (zh) * | 2018-06-05 | 2018-11-20 | 北京航空航天大学 | 一种自适应遗传粒子群混合算法的优化方法 |
| CN114267850A (zh) * | 2021-12-21 | 2022-04-01 | 中国科学院山西煤炭化学研究所 | 一种新型燃料电池用气体扩散层及其制备方法和应用 |
| 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 |
| CN114863028A (zh) * | 2022-05-19 | 2022-08-05 | 武汉理工大学 | 质子交换膜燃料电池气体扩散层的三维重构方法 |
| CN114841042A (zh) * | 2022-05-24 | 2022-08-02 | 华南理工大学 | 质子交换膜燃料电池气体扩散层的孔隙建模方法 |
| CN115017741A (zh) * | 2022-08-05 | 2022-09-06 | 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的重构方法、装置和电子设备 |
| CN116190685A (zh) * | 2023-03-20 | 2023-05-30 | 东南大学 | 一种梯度化扩散层及其制备方法 |
Non-Patent Citations (2)
| Title |
|---|
| 新型随机重构微孔隙介质模型与扩散特性;高源 等;《同济大学学报(自然科学版)》;20170115;第45卷(第1期);第113-122页 * |
| 气体扩散层内多物理耦合模型开发及水平热质传输研究;焦道宽;《中国博士学位论文全文数据库》;20211201;第4、17-19、23-24、28-29页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116796650A (zh) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lee et al. | Grooved electrodes for high-power-density fuel cells | |
| Zhang et al. | Pore-scale and multiscale study of effects of Pt degradation on reactive transport processes in proton exchange membrane fuel cells | |
| CN103353923B (zh) | 基于空间特征分析的自适应空间插值方法及其系统 | |
| CN108898667B (zh) | 一种基于X-ray CT三维重构的碳纸形态参数提取方法 | |
| JP4774523B2 (ja) | 量子状態推定方法、量子状態推定装置及びコンピュータプログラム | |
| CN110598367A (zh) | 一种足迹引导的高效航空电磁法数值模拟方法 | |
| JP2015135790A (ja) | 燃料電池のシミュレーション方法およびシミュレーション装置とこれを用いた製造方法 | |
| 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 | |
| CN108665546B (zh) | 一种结合深度学习的多点地质统计三维建模方法 | |
| CN107862170A (zh) | 一种基于动态缩聚的有限元模型修正方法 | |
| JP2019186133A (ja) | 燃料電池の発電性能を予測するシミュレーション方法 | |
| CN105868443A (zh) | 一种微地形微气象要素场的构建方法 | |
| CN116796650B (zh) | 基于多目标优化遗传算法的气体扩散层三维重构方法 | |
| CN106570936A (zh) | 一种基于栅格dem数据的等距离权重内插加密方法 | |
| CN113555588B (zh) | 一种燃料电池性能预测方法、装置、电子设备及存储介质 | |
| CN108207005B (zh) | 一种lte无线网络的评估方法及服务器 | |
| JP2017130306A (ja) | 燃料電池のシミュレーション方法 | |
| CN111505205A (zh) | 一种气体泄漏源强反算改进型搜索算法 | |
| WO2019198447A1 (ja) | パラメータ決定方法および細孔内のガスまたはイオンの輸送性を求めるシミュレーション方法 | |
| CN104156539B (zh) | 固体氧化物燃料电池电极气体传输曲率因子预测方法 | |
| CN115618611A (zh) | 空间多尺度梯度提升树模型建立方法和电子设备 | |
| CN112017273B (zh) | 基于模式密度函数模拟算法的多分辨率岩心孔隙融合方法 | |
| CN112101664A (zh) | 基于堆叠lstm-gru的多参数大气环境数据生成方法 | |
| CN115966731B (zh) | 质子交换膜燃料电池催化层局部氧气传输过程仿真方法 | |
| Achar et al. | Fast proton transport on graphanol: Mechanistic insights from machine learning and lattice models |
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 |