基于卷积神经网络图像学习的质子交换膜燃料电池气体扩散层最优二维孔隙率分布预测

本研究针对质子交换膜燃料电池(PEMFC)气体扩散层(GDL)孔隙率分布优化难题，创新性地采用卷积神经网络(CNN)图像学习方法，通过建立三维两相数值模型并引入生物遗传算法，从607种孔隙率分布中筛选出最优二维分布方案。研究实现了R2达0.994的预测精度，优化后的GDL孔隙分布使氧浓度提升、电流密度增加且温度分布更均匀，为PEMFC性能提升提供了新思路。

　　

氢能技术作为实现碳中和的关键路径，质子交换膜燃料电池(PEMFC)因其高效清洁特性备受关注。然而其核心组件气体扩散层(GDL)的孔隙率分布直接影响水热管理效率——过高孔隙率导致膜干燥，过低则引发"水淹"现象。现有研究多局限于一维孔隙率优化，且传统数值模拟方法难以应对多维参数组合的爆炸式增长。中国石油大学（北京）克拉玛依校区的研究团队在《International Journal of Hydrogen Energy》发表的研究，开创性地将机器学习与多物理场模拟相结合，破解了这一复杂优化难题。

研究采用三维两相PEMFC平行流场模型作为基础，创新性地将一维线性孔隙率方程进行图像化转换，通过卷积神经网络(CNN)提取特征。引入类生物遗传算法的组内突变和组间交叉策略，生成607组二维孔隙分布数据集。关键技术包括：1）建立包含集流体(CC)、流道(GC)等组件的1:1比例模型；2）采用体积平均法处理两相流；3）通过图像转换实现孔隙率分布的可视化学习；4）应用R²和RMSE双指标验证模型精度达0.994。

几何模型与假设
构建50mm×21mm的平行流场三维模型，设置1mm流道/肋宽。采用Brinkman方程描述多孔介质流动，通过Maxwell-Stefan方程计算气体扩散，建立包含液态水饱和度、温度场等多物理量的耦合模型。

二维孔隙率分布划分
将76种一维线性孔隙分布（X/Y方向递增/递减）作为初始集合Set P，通过方程杂交生成二维分布。例如Group 1包含孔隙率0.3-0.7的线性变化，创新性地实现从一维到二维的参数空间拓展。

结论
最优孔隙分布使电流密度提升12.7%，氧浓度分布均匀性提高23.5%。温度场分析显示，流道出口区域热积累降低19.8%，有效缓解了局部过热问题。相比固定孔隙率0.5的基准案例，优化方案同时改善了传质与传热效率。

展望
当前研究仅涵盖线性孔隙方程组合，未来需拓展至非线性分布。研究建立的CNN预测框架为复杂多参数优化提供了新范式，其方法论可推广至催化剂层(CL)等其它多孔介质优化领域。该成果不仅为PEMFC设计提供具体优化方案，更开创了机器学习与多物理场耦合模拟的新研究路径。