首頁 > 行業資訊

劉建國/邢磊CEJ: 機器學習+多物理場模擬緩解PEM燃料電池中的氮氣滲透

專題網友投稿2022-05-09A⁺A^-

劉建國/邢磊CEJ: 機器學習+多物理場模擬緩解PEM燃料電池中的氮氣滲透

原創 BAT 催化開天地

催化開天地

微信號 catalysisworld

功能介紹催化開天地（Catalysis Opens New World），分享催化基本知識，關注催化前沿研究動態，我們只專注于催化！

收錄于合集

【做計算找華算】 理論計算助攻頂刊，10000+成功案例，全職海歸技術團隊、正版商業軟件版權！

質子交換膜（PEM）燃料電池陽極的氮氣滲透（NGC）和積累是不可避免的，它會導致性能下降，甚至對功能部件造成不可逆的損害。為了緩解這個問題，研究人員建立了多物理場數值模型（MNM）來描述NGC行為并進一步指導實驗研究。然而，為了獲得抑制NGC并保持高性能的優化參數，在MSM上進行的網格搜索將花費無法承受的計算資源和時間。

為此， 南京大學劉建國教授、英國牛津大學訪問學者邢磊研究員 等人創新性地引入了機器學習輔助 MNM（MSM-ML）作為代理模型，其中比較了9種最先進的機器學習算法以極大地提高該工程問題的解決效率。

其中，該模型主要包括4個部分：MNM的建立和驗證、數據庫構建、機器學習代理建模及多變量優化。首先，作者在商用軟件平臺COMSOL Multiphysics 5.5a上構建了二維穩態機理模型來描述PEM燃料電池中的NGC，并通過實驗驗證構建了一個包含6個參數的數據庫，這些參數對電池電流密度和NGC有很大影響。

其次，通過超參數自適應網格搜索對機器學習領域廣泛使用的9種算法進行訓練、優化，并通過SHAP進行解釋。然后，通過算法競爭獲得電流密度和NGC系數回歸的最佳機器學習模型。最后，使用粒子群優化算法搜索6個研究參數的全局最優組合。

圖1. 每種算法的電流密度回歸參數重要性及權重均值（WM）總結

作者將本研究的主要發現總結如下：

a）N ₂ 的積累大大降低了PEM燃料電池的性能。經測量，最大電池功率密度損失為28.9%；

b）NGC系數在6維參數空間的分布表明各參數對NGC的影響是非單調的。因此，有必要引入一些先進的策略來更快地進行全局優化；

c）創新地分割參數空間以尋找和驗證每個參數的局部機制，回歸路徑比較和參數重要性排序增強了機器學習模型的可靠性；

d）在優化范圍內，當相對濕度為100%、流道深度為2.32 mm、膜厚度為10μm、氣體擴散層厚度為100 μm、運行壓力為3.7 atm及運行溫度為323 K時，可獲得最佳適應度；

e）經過開發的MNM-ML模型多變量優化后，NGC系數降低了49.5%，電池性能提高了20%。此外，計算時間從幾個月減少到幾天?？傊?，這種策略不僅可以用于緩解NGC，還可以擴展到系統級別的其他復雜優化任務。

圖2. 傳統MNM方法和MNM-ML策略的比較

Comparison of state-of-the-art machine learning algorithms and data-driven optimization methods for mitigating nitrogen crossover in PEM fuel cells, Chemical Engineering Journal 2022. DOI: 10.1016/j.cej.2022.136064