活動現場，西安交通大學教授屈治國發表了演講。

 

 

以下為演講實錄：

 

燃料電池大家很清楚，一個是移動的汽車用，第二是固定的發電裝置，我們主要工作主要針對水熱管理做性能仿真。目前設計從單電池到電堆到汽車的集成有些問題，主要是設計方面有一些設計工具的缺乏，一些定量精準的設計工具，我們做的事就是要解決設計好用好用多久的問題。我們要開發一些好的設計工具。第一個講一下燃料電池裝配壓力的影響，我們把電堆組裝時候會產生一些預緊力，通過螺栓連接起來，我們對這種產品，在6兆帕的時候，螺栓預緊以后擴散層出現了斷裂、變形等，這對傳質擴散有很大的影響。怎么建這樣的模型，我們把有限元力學軟件ABAQUS和ANSYS結合起來，比如我們以標準的蛇形流場為例，壓縮以后進入流道，擴散性和滲透率都發生了改變。不同的預緊力發生了形變，孔隙率發生了改變，導致了空間上嚴重的不均衡性，所以這個壓縮比隨著裝配增加而增加，形變必然對擴散性產生影響。壓縮以后流道的阻力就會增大，第二局部電流密度會發生改變，在這個位置電流密度大。從這里可以看到，1兆帕平均是最高的，所以有一個最優值，這就是兩種競爭的倒置管理，壓縮以后歐姆極化減少，正和負的相互作為，我們發現在1兆帕的時候，整體的凈功率是最高的。

 

第二個內容，我們做一些性能開發。我們做了一個面向工程的設計軟件，1+1D模型，要想辦法從單電池以及到電堆，考慮不同單電池分布的不一致的影響。核心就是在垂直于質子傳遞方向有一個一維模型，核心是要對水狀態的判斷。在流道方向我們以氣體組分方程作為質子傳遞的邊緣條件，核心是水蒸氣模型的判斷，我們判斷含量的分布。我們要做一個軟件，輸入操作參數、結構參數和輸出，通過調研我們自己建立了數據庫，把所有文獻能看到的，包括毛細壓力、熱導率等不同材料做到數據庫里，我們做到軟件里，用這個預測孔隙率擴大的影響，變大有利于傳熱傳質性增強，但是歐姆極化電阻又增大，這又是此消彼漲的倒置關系，我們可以設置合理的孔隙率。到電堆層面，這幾年人工智能發展非常迅速，人工智能的方法在信息處理里有多種多樣的方法，對燃料電池多參數也是提供了可能，用的最多的是誤差反向的人工智能BPNN方法，有三層，輸入層、隱藏層和輸出層，可以建立一個系統，通過很多數據訓練，經過前期的輸入、誤差的反向傳遞進行偏差的調整，最后可以在小情況下獲得比較小的關系。有多種結構，這是我們推薦的結構，用傳統方法是很好的求解方法，經典的一維、二維、三維，人工智能的優點是建模簡單，求解快速，準確度高，缺點就是依賴于數據庫，應用性上可以做到快速性能預測。

 

算法做好以后，首先就是要訓練，我們發現在燃料電池當試驗指標小的時候，樣本量小的時候，核心的權重，就是神經元的連接關系，依賴于樣本的數量大小，后來我們又引入了遺傳算法，自動進行優化，我用三重樣本數，引進以后學習訓練的不一致性變得非常好，在同等樣本數條件下，這種方法預測性能更好。結合這種方法，我們把遺傳算法做到軟件里，比如參數很多，包括陰極的氣壓和溫度等做出不同的參數，再做模塊的分析和電堆的水熱管理結合起來。

 

我們做一個案例，模型誤差分析，通過這種方法學習，包括文獻里獲得，可以訓練到誤差精度小于0.1%?；谶@樣的思想，我們把燃料電池的軟件和人工智能兩個結合起來，開發了一個軟件，這是軟件的開始界面。我們可以把結構參數都結合起來，操作參數結合起來，可以輸出它的性能，比如電池里的單電池的性能都可以輸出起來。這是一個案例，10個電池性能輸入參數，這是輸出參數，我們通過遺傳算法的學習，這是10個片，不一致性分布算出來，結果也可以全部輸出出來。通過這樣我們可以獲得10片的不一致性，還有敏感性分析，單工況不同電流密度下電壓的不一致性，電流密度增加時不一致更加明顯。多工況不一致性，不同工況輸出特性不同，使用神經網絡預測得到更多組工況電堆輸出，可覆蓋全工況條件，節省測試時間。敏感性比較結果：陰極計量比>陽極計量比>冷卻水量>陰極壓力>陽極壓力>氣體入口溫度。