基于CFD驱动机器学习方法的质子交换膜电解槽性能预测研究

本文创新性地将计算流体力学(CFD)与机器学习(ML)相结合，开发了全尺度三维两相CFD模型，通过支持向量机(SVM)、多层感知器(MLP)等算法预测PEM电解槽(PEMEL)电流密度，其中SVM模型表现最优（训练集R2=0.9996，测试集a20指数达90.5%），为绿色氢能装备的快速优化设计提供了高效计算工具。

　　

Highlight

质子交换膜电解槽(PEMEL)作为可再生能源制绿氢的核心装置，其性能优化涉及多物理场复杂耦合。本研究通过全尺度三维两相CFD模型，首次系统解析了温度、多孔传输层(PTL)厚度、膜厚度和电池电压四大参数对电流密度的非线性影响机制。

CFD模型开发

PEMEL结构包含阳极集流体(ACC)、阴极集流体(CCC)、流道(AFC/CFC)、多孔传输层(APTL/CPTL)和膜电极组件(MEA)。模型中，去离子水在阳极侧分解产生O₂和H⁺，质子通过聚合物膜迁移至阴极与电子结合生成H₂，气泡动力学行为采用VOF方法精确捕捉。

机器学习方法

采用支持向量机(SVM)、弹性网络(Elastic Net)、M5P树和多层感知器(MLP)四种算法构建预测模型。SVM凭借核技巧在处理高维非线性数据时展现显著优势，MLP通过隐藏层神经元捕捉深层特征，而M5P则提供可解释的分段线性模型。

结果

CFD模拟显示温度升高使电流密度提升23.6%，PTL厚度优化可降低浓差极化。机器学习对比中，SVM以测试集MAE=0.0202、R²=0.9953的优异表现胜出，其预测耗时仅为CFD模拟的0.1%。

结论

该CFD-ML融合框架成功突破传统数值模拟的计算瓶颈，a20指数验证表明90%以上预测值与实际误差小于20%，为PEMEL的智能设计与实时控制提供了创新方法论。