通过多物理场分析和人工智能建模技术推动下一代质子交换膜燃料电池设计的发展

《Energy & Environmental Science》：Advancing next-generation proton exchange membrane fuel cell design through multi-physics and AI modeling

针对传统3D全尺寸CFD建模在质子交换膜燃料电池设计中存在的理论缺口、结构简化及验证不足等问题，本文提出结合多物理场与人工智能建模，通过数据驱动子模型整合和物理信息增强的深度学习（如PI-DeepONet）生成数据，以构建数字孪生系统，实现电池全生命周期健康监测与退化分析，推动高功率密度、长寿命PEMFC发展。

　　

下一代高功率密度和耐用性的质子交换膜（PEM）燃料电池是未来可持续能源系统的核心技术。虽然传统的三维（3D）全尺寸计算流体动力学（CFD）建模在通过数值方法解决电化学耦合的多物理过程传输方面发挥了关键作用，但它仍面临诸多挑战，包括通道内两相流物理学的重大理论空白、对催化剂层（CL）微观结构的过度简化表示、过时的膜相关模型、验证不足以及对材料降解问题的忽视。这篇综述文章指出了通过多物理场和人工智能（AI）建模在燃料电池设计中面临的关键挑战和机遇。描述特定物理过程的数据驱动子模型（例如，催化剂层内的多物理过程传输）可以与传统建模框架相结合，以平衡计算效率和准确性之间的权衡。此外，通过利用基于物理信息的运算符学习方法（例如PI-DeepONet）来演化多物理场分布，并通过结合平衡系统组件（BOP）的瞬态3D模型生成数据集，有望最终实现预测性数字孪生技术的开发，从而在整个生命周期内实现对燃料电池健康状况的监测和降解分析，这对于开发下一代高功率密度和耐用的PEM燃料电池至关重要。