基于特斯拉阀的无膜电解槽效率的机器学习辅助多目标优化研究

《Fuel》：Machine learning-aided multi-objective optimization of Tesla valve-based membraneless electrolyzer efficiency

本文提出了一种创新的机器学习（ML）引导框架，用于优化基于特斯拉阀（TV）的无膜电解槽（ME）设计。研究通过将整流度（Di）直接纳入几何搜索，利用多层感知器（MLP）代理模型（R2 > 0.95）关联四个设计参数（We, Wc, Wd, Di）与压降（Δp）和欧姆损耗，并采用遗传算法（GA）进行多目标优化（MOO），获得了60个帕累托最优设计。TOPSIS多准则决策最终选出平衡几何（We = 1.708 mm, Wc = 0.200 mm, Wd = 1.012 mm, Di = 1.618），其欧姆损耗为4.069 V，Δp为6.169 Pa。该方法为可持续氢能生产的可扩展、可解释优化提供了高效路径。

　　

亮点

方法学

本节描述了用于设计、模拟、建模和优化基于特斯拉阀的无膜电解槽的分步方法。研究按照实际工作顺序进行。

计算流体动力学模型验证

在训练多层感知器（MLP）模型之前，验证COMSOL模拟设置与实验数据的一致性至关重要。此验证步骤确保了用于训练的模拟输出能准确反映真实系统行为。

在开发的COMSOL模型中，采用了三级电流分布（Nernst–Planck界面）以考虑离子传输机制中的对流效应。该界面中的动力学表达式同时包含...

结论

本工作中，开发了一个基于机器学习的框架来优化特斯拉阀无膜电解槽。训练了三个多层感知器人工神经网络模型，用于根据几何输入预测存储容量、压降和欧姆损耗。这些模型基于COMSOL模拟数据构建，并显示出良好的预测准确性。还创建了一个逆向MLP-遗传算法（MLP-GA）工具，用于寻找能达到目标整流度（Di）的特斯拉几何结构，这有助于避免设计空间中的重复，并促进输入多样性。