[发明专利]燃料电池气体流道优化设计方法、系统、电子设备及介质

说明书

本发明涉及一种燃料电池气体流道优化设计方法、系统、电子设备及介质，属于燃料电池领域，采用中心复合设计确定流道几何参数的取值，样本数据进行人为设计，使数据具有先验性，对比目前机器学习的方法，在保证信息量的同时，减少了所需数据量，从而减少运算量，提高优化效率；根据最优人工神经网络拟合得到目标优化模型，目标优化模型即为几何尺寸与燃料电池性能指标之间的函数关系，对比传统的多项式拟合回归，提升了拟合精度，具有更好的预测性能；采用智能优化算法求解目标优化模型，获得使燃料电池性能达到最优的流道几何参数，相比传统基于经验的试凑或控制变量等方法，不仅能从多角度多目标对燃料电池进行优化，而且大幅提升了优化效率。

技术领域

本发明涉及燃料电池领域，特别是涉及一种燃料电池气体流道优化设计方法、系统、电子设备及介质。

背景技术

燃料电池是氢能利用的关键技术之一，其中的质子交换膜燃料电池具有工作温度低、功率密度高、零污染、应用范围广等优点而备受关注。

以质子交换膜燃料电池为例，其是一个涉及传热传质、工质流动、电化学反应等多过程多尺度多物理场耦合的复杂系统。传热和传质过程是其内部发生的两个重要过程，也是影响其工作性能的两个重要因素。目前质子交换膜燃料电池传热传质领域主要面临的问题是“水淹”现象和阴极侧的传质损失，反应物的分布不均就会进一步导致电流密度不均并产生局部热点，导致浓差极化增大。从另一方面，若燃料电池散热性能差，将有可能导致质子交换膜失水，导致欧姆极化损失增大。由此看出，传热和传质过程中是互相耦合互相联系的。

质子交换膜燃料电池的气体流道结构会对传热和传质过程产生很大的影响，因此流道的优化设计对提升电池性能而言具有重要的意义。对于流道的优化，传统方法大多是基于经验的试凑，通过改变相关结构尺寸并进行多次比较以进行优化，这种方法难以找到最优的流道结构，而相关基于机器学习的优化方法则需要大量数据，运算量大，优化效率不高。综上所述，目前大多数方法无法同时兼顾优化结果和优化的效率。

发明内容

本发明的目的是提供一种燃料电池气体流道优化设计方法、系统、电子设备及介质，基于有限的数据，多角度、精确地对燃料电池气体流道结构进行目标优化，降低了所需数据量，减少运算量，提升了优化效率。

为实现上述目的，本发明提供了如下方案：

一种燃料电池气体流道优化设计方法，包括：

搭建燃料电池的数理模型；

采用中心复合设计确定流道几何参数的多个取值；

将流道几何参数的每个取值代入所述数理模型，获得每个取值对应的燃料电池性能值，并将流道几何参数的所有取值和所有燃料电池性能值构成样本数据集；

利用所述样本数据集训练人工神经网络，获得最优人工神经网络；

根据所述最优人工神经网络拟合得到气体流道的目标优化模型；

采用智能优化算法求解所述目标优化模型，获得使燃料电池性能达到最优的流道几何参数。

可选的，所述燃料电池的数理模型包括：质量守恒方程、动量守恒方程、能量守恒方程、组分守恒方程、电化学反应方程和质子交换膜内的水传输方程；

所述质量守恒方程为式中，ε为孔隙率，在多孔介质区域：ε1，在非多孔介质区域：ε＝1；ρ为流体密度；为流体速度；S_m为质量源项，阳极催化层：阴极催化层：和分别为氢气、水和氧气的摩尔质量，F为法拉第常数，R_a、R_c分别为阳极、阴极交换电流密度；符号为梯度算子；

所述动量守恒方程为式中，μ为流体的动力粘度；p为压强；S_u为动量源项，K为多孔介质的渗透率；