综述：机器学习在多孔传输层中的应用综述：用于燃料电池和电解槽的设计

《Next Research》：REVIEW OF MACHINE LEARNING APPLICATION IN POROUS TRANSPORT LAYERS FOR THE DESIGN OF FUEL CELLS AND ELECTROLYZERS

机器学习（ML）在燃料电池气体扩散层（GDL）和电解水器多孔传输层（PTL）中的应用研究综述。GDL和PTL对质量、热管理和耐久性至关重要，传统模拟方法因多尺度非线性现象难以应用。ML技术如CNN、ANN、PINN和生成模型被用于微结构重建、传输特性预测和性能优化，但存在数据稀缺、模型泛化差、物理约束不足等问题。未来需加强标准化数据集、混合物理-ML模型、可解释AI和数字孪生技术。

　　### 机器学习在质子交换膜燃料电池和电解器多孔层中的应用与挑战

随着全球对低碳能源需求的不断增长，质子交换膜燃料电池（PEMFCs）和质子交换膜水电解器（PEMWEs）作为氢经济的关键技术，正在受到越来越多的关注。这些系统在能量转换效率和模块化扩展方面表现出色，因此非常适合用于固定电源应用和绿色氢气生产。然而，它们的运行和商业可行性高度依赖于其内部多孔结构的性能和特性，尤其是燃料电池中的气体扩散层（GDLs）和电解器中的多孔传输层（PTLs）。这些多孔层在调控质量、热量和电荷传输方面发挥着至关重要的作用，同时影响着系统的整体效率和寿命。

传统的GDL和PTL结构与优化研究主要依赖于确定性模拟技术，如计算流体力学（CFD）、格子玻尔兹曼方法（LBM）和孔隙网络建模（PNM）。虽然这些方法在物理上严谨，但它们计算成本高，通常难以处理多孔材料中固有的大规模设计空间和随机变化。此外，它们在处理耦合、复杂的多物理现象（如多相流、毛细不稳定性和瞬态退化过程）时也存在局限性，这些现象在实际性能评估中是不可避免的。

近年来，机器学习（ML）的发展为解决这些问题提供了新的途径。ML算法，如深度学习架构中的卷积神经网络（CNNs）和自编码器，已显示出在无需显式物理方程的情况下，学习多孔结构与传输特性之间复杂关系的能力。这些数据驱动的方法已被用于从原始断层扫描图像中估计渗透性、饱和度分布和功率输出，同时也能从不完整数据或统计表示中重建多孔结构。新的混合范式，如物理信息神经网络（PINNs）和DeepONets，正在弥合经验学习与第一性原理建模之间的差距，通过在学习过程中显式地嵌入物理规则。

本综述对机器学习在PEMFC和PEMWE中多孔层建模、优化和重建中的应用进行了系统性的评估。我们概述了当前在多孔结构预测、传输特性估计和性能预测方面的最新进展，同时关注每种应用中的方法多样性及领域特定问题。通过比较算法方法、数据行为和物理嵌入技术，我们识别了文献中的总体趋势和知识空白。此外，我们还提出了未来的研究方向，包括用于多孔结构设计的生成式人工智能和用于实时系统监控的数字孪生设计。总体而言，本综述旨在为多孔介质科学、电化学工程和人工智能的交叉学科研究提供一个广泛的基础。

### 多孔层在PEMFCs和PEMWEs系统中的结构与功能

在PEMFCs和PEMWEs系统中，多孔层扮演着至关重要的角色。这些层负责在电流收集器和催化剂层之间进行质量传输、热管理、电子导电和机械支持。在PEMFCs中，GDL通常由碳布或碳纸制成，具有各向异性、纤维状的孔隙结构，能够实现高效的气体传输、水管理和热调节。相比之下，PEMWEs中的PTL通常由耐腐蚀材料如烧结钛制成，具有各向同性、球形孔隙结构，能够在恶劣的阳极条件下保持良好的性能。

GDL和PTL的结构组成各有不同，这些差异显著影响了它们的功能表现。例如，GDL通常包括碳纸或碳布基底，这些基底常被微孔层（MPL）和疏水处理（如聚四氟乙烯（PTFE））增强，以改善水管理，通过控制饱和度和提升排水性能。多孔层的结构特征，如孔隙率、曲折度、各向异性和厚度，对质量和热传输的有效性以及设备的整体耐久性具有直接影响。

另一方面，PTL在PEMWEs中必须应对腐蚀、气体堵塞和脱层等主要失效模式。它们的设计需要在孔隙率、厚度和导电性之间取得平衡，以确保在高氧化性阳极条件下有效传输液体水并去除生成的氧气。这些不同的功能需求决定了多孔层在不同应用场景下的ML建模重点。

### 机器学习在多孔介质中的应用

机器学习在多孔介质研究中的应用迅速发展，特别是在建模、预测和优化复杂系统方面，这些系统具有非线性、异质性和高维交互特征。与传统数值方法不同，ML方法不需要显式的本构模型，而是通过数据驱动的近似来学习经验趋势、图像数据和多物理场模拟输出。这种灵活性对于多孔介质尤为重要，因为其微观结构往往难以理解或用分析方法表示。

监督学习方法，如人工神经网络（ANNs）、支持向量机（SVMs）、决策树和集成方法（如梯度提升和随机森林），在GDL研究中被广泛用于将结构输入（如曲折度、渗透性、孔隙率）映射到功能输出（如功率输出、电流密度、饱和度分布）。这些模型在回归问题中表现尤为出色，尤其是在有良好标注的模拟或实验数据集可用时。例如，基于ANN的模型已被证明在毛细压力预测和电化学输出预测方面具有最佳的预测精度。

无监督学习技术，如聚类模型和降维方法，也被用于对GDL数据集进行探索性分析。主成分分析（PCA）和t-分布随机邻域嵌入（t-SNE）等降维技术已被用于提取潜在特征并修剪数据集，特别是在高维图像衍生数据集中。这些方法帮助研究人员更好地理解数据的内在结构，同时提高模型的泛化能力。

深度学习方法，特别是CNNs，已经在图像数据解释方面取得了显著进展，如微计算机断层扫描（micro-CT）图像的分析。CNNs特别擅长学习空间层次结构和局部纹理特征，因此在孔隙结构重建、渗透性映射和异质GDL形态的自动分割方面非常有效。专门的卷积网络，如U-Net和三维（3D）CNN架构，也使得体积建模和无标签特征检测成为可能。

混合ML框架正在不断涌现，它们结合了传统模拟方法和ML技术。例如，物理信息神经网络（PINNs）通过将控制方程直接纳入其损失函数，使得物理约束能够被直接嵌入到ML模型中。这些方法通常与有限元求解器或CFD结合，以提供物理上正确的替代模型，用于电化学响应、渗透性和质量传输的预测。代理建模，尤其是与生成设计工具结合，使得ML能够替代昂贵的求解器，从而在设计优化流程中实现更高的效率。

生成模型，如生成对抗网络（GANs）和变分自编码器（VAEs），是当前最先进的逆向设计流程。这些模型能够设计具有目标性能分布的合成多孔结构，从而用于训练稳健的预测器并探索超出经验数据库范围的设计空间。基于GAN的重建流程已在实际碳基GDL样本中成功应用，用于重建微结构统计关系。

然而，ML模型的成功依赖于数据类型、质量和数量。虽然模拟生成的数据集提供了高分辨率的地面真实数据，但它们并不一定反映现实世界中的不完美或材料缺陷。微CT衍生的数据集虽然包含现实空间外观，但通常稀疏且标注有限，同样存在局限性。实验数据集虽然有价值，但通常稀疏且噪声较大。因此，预处理阶段如图像归一化、噪声去除和特征缩放是必要的，同时还需要高级的数据增强技术以避免过拟合。

模型的可解释性和稳定性也是持续的研究主题。特别是在高压力和高温的PEMWEs等安全关键系统中，黑箱模型是不被接受的。可解释AI（XAI）框架、敏感性分析和不确定性量化正在努力打开“黑箱”，以建立对ML建议的信任。

### 综述方法论与论文分类方法

本综述采用系统性、文献计量和主题综合的方法，评估了机器学习在PEMFCs和PEMWEs中GDL和PTL应用的最新进展。主要目标是批判性地分析ML技术在多孔介质结构、传输特性和性能建模、预测和优化中的应用。为了达到这一目的，我们采用了综合搜索策略，从三个主要学术数据库（ScienceDirect、SpringerLink和Wiley Online Library）中检索了大量文献，这些数据库因其在材料科学、电化学和人工智能领域的广泛使用而被选择。

我们设计了一个布尔搜索查询，以捕捉广泛应用于GDL和PTL的ML技术，包括“气体扩散层”或“多孔传输层”以及“机器学习”、“深度学习”、“人工神经网络”、“生成对抗网络”、“强化学习”或“神经网络”。该查询共捕捉到112篇论文：37篇来自ScienceDirect，40篇来自SpringerLink，35篇来自Wiley。随后，我们对每篇论文进行了严格的审查，包括摘要、方法、结果和结论，以确保只有那些明确使用机器学习来建模、表征或优化GDL或PTL的论文被纳入。

论文被分类为基于其主要研究重点，包括孔隙结构和曲折度的模拟、传输特性的预测（如渗透性或饱和度）、ML在GDL性能指标（如耐久性或热导率）中的应用，以及结合机器学习的系统级建模研究。此外，我们还区分了GDL和PTL特定的研究，以识别主题上的差距。每篇论文还被标记为使用了哪种机器学习方法，包括CNNs、ANNs、GANs、PINNs等。

除了定性综合，我们还进行了文献计量分析，以追踪研究在时间上的发展趋势。如图3所示，从2008年到2025年，相关论文的发表数量呈现明显增长趋势。2008年和2010年仅有一篇论文，2011-2016年基本持平。2017-2020年发表数量有所增加，每年约两篇，2021年增至四篇。此后，该领域迅速发展，2022年和2023年各有11篇论文，2024年达到22篇，2025年已有11篇被记录。这一趋势反映了机器学习在多孔介质问题上的日益重要性，尤其是在PEMFC建模方面的应用。

然而，主题分析显示，目前主要的文献集中在PEMFC的GDL上，而PEMWE的PTL研究相对较少，这表明在电解器专用多孔层建模方面存在明显的研究空白。此外，研究主要集中在CNNs和ANNs上，这些方法主要用于回归和图像分割。尽管PINNs和GANs等更高级的方法具有潜在优势，如物理约束的引入或逆向设计的实现，但它们的使用仍较为有限。同样，不确定性量化和可解释AI在几乎所有的文献中都不存在，这限制了ML模型在操作或安全相关情境中的可信度和可解释性。

文献计量的趋势不仅表明了研究的快速扩展，还揭示了主题和方法上的不平衡，如PTL研究的代表性不足、生成和物理感知建模方法的缺乏，以及在数字孪生环境中对实时闭环部署的探索不足。更详细的比较可在表2中找到，该表（见第6节）解释了文献中的不平衡和潜在机会。

### 机器学习在气体扩散层和多孔传输层中的主题性文献综述

机器学习在多孔介质研究中的应用已经显著改变了燃料电池GDL和电解器PTL的设计优化和性能提升。本节将这些新兴的文献按照两个主要应用领域（PEMFCs和PEMWEs）进行分类，并讨论机器学习如何用于建模微观结构、预测传输现象和优化性能，以及实现多物理场耦合。我们还将识别现有文献中的不足之处，以提供未来研究的方向。

#### 5.1.1 气体扩散层的机器学习应用

在GDL建模中，机器学习的首要应用之一是微观结构重建和分割。2D和3D CNNs已被证明在分割和分析断层扫描数据方面具有高精度。Cawte和Bazylak构建了一个3D CNN，能够从二进制图像中预测渗透性，R2值达到0.9885，且仅需小幅调整。这种方法为计算成本高昂的孔隙网络模型提供了一个快速的数据驱动替代方案。

图4展示了使用深度学习分割模型（如U-Net）的典型工作流程，特别是在分割湿态微CT图像中的GDL应用。Mahdaviara等人比较了2D和3D U-Net架构，用于分割来自微CT数据的盐水注入GDL图像。深度学习在分割精度和后续预测建模方面显著优于传统分割算法，如可训练Weka分类器和分水岭方法。Tang等人进一步扩展了这一方法，使用U-ResNet模型对X射线断层扫描图像中的多种材料进行分类，取得了区分碳纤维和粘合剂的优异成果。

Grie?er等人则专注于复杂内部形态的碳布与碳粉（CCCP）GDL，使用合成FiberGeo数据集训练其ML算法，实现了高分辨率的体素级分类，以允许后续模拟所需的可信空间量化。尽管CNNs和U-Nets在这一领域占据主导地位，因为它们在识别空间模式方面表现出色，但生成模型如GANs仍处于探索阶段，尽管它们在合成数据生成和逆向设计方面具有潜力，尤其是在PTL结构中，由于标签数据有限，这种潜力尚未被充分利用。这一方法上的不足限制了GDL和PTL之间的跨领域迁移。

#### 5.1.2 传输特性预测

除了微观结构表征，一些研究还应用了机器学习来预测关键的传输特性，如气体渗透性、毛细压力和热导率。Omongos等人构建了一个模型，可以预测七个GDL特性，准确率超过90%，并将模拟时间从数小时缩短到几秒钟。Yu等人则展示了如何利用2D横截面图像来估计3D饱和度分布，这为在精度和计算成本之间提供了便利的折衷。

Kumbur等人进行了具有里程碑意义的研究，通过在不同PTFE含量和压缩条件下的毛细压力-饱和度数据来训练ANNs。该模型的平均预测误差为±5.1%，证明了机器学习在捕捉耦合水力-机械行为方面的可行性。Cawte和Bazylak构建了一个包含超过2000个合成GDL几何结构和相关传输特性的数据集。ANNs和梯度提升回归在预测绝对和相对渗透性和扩散性方面表现最佳，优于支持向量机和随机森林。这表明深度学习和集成方法在处理异质多孔介质方面具有更好的可扩展性。

Pourrahmani等人通过优化热性能设计GDL，并发现增加GDL厚度可以提高热传导，同时对压力影响较小。Shi等人则通过将通道几何和机械压缩纳入多模型优化策略，使用ANNs进行建模，拓宽了操作范围。Liu等人研究了双流场条件下的排水性能，通过基于ANN的代理模型，展示了挡板直径和通道间距在高电流负荷下对水去除的重要作用。Yu等人验证了2D横截面能够正确预测流体流动行为，为轻量诊断设备打开了大门。

这些研究表明，尽管ANNs和CNNs在标记数据集上表现优异，但在PTL建模等资源较少的领域，缺乏标记输入和对合成数据的依赖限制了模型的泛化能力。这再次将注意力引向生成或迁移学习范式，可能是获取有用见解的来源。

#### 5.1.3 性能预测与设计优化

另一个核心主题是使用机器学习代理模型进行单元级性能预测和多目标优化。Pan等人提出了一种3D+1D混合燃料电池模型，其中1D电化学子模型被替换为ANN。他们的模型在减少计算成本的同时，将RMSE保持在0.2%以下。

Tian等人利用CFD、ANN和粒子群优化，同时设计辅助通道几何和GDL孔隙率梯度，实现了16.7%的功率提升，并将操作范围拓宽了20.6%。Lei等人构建了一个RNN代理模型，用于预测电流密度，准确率超过97.9%。最重要的是，他们发现GDL的孔隙率对燃料电池性能的影响大于催化剂上的铂含量，为低成本设计提供了新的思路。

Zhang等人结合ANNs与多目标进化算法，以优化条件下的高温度PEMFCs的热力学效率，提升了50%以上。Mao等人研究了孔隙率梯度和流场设计，确定了最优GDL结构对水去除和氧气传输的双重提升。Liu等人应用机器学习代理模型，以减少铂含量的同时保持功率密度。Wang等人通过优化提高了氧气分布的均匀性，使其提升了74%，这是高负载操作的关键因素。

这些研究表明，尽管ANNs和RNNs在优化问题中具有最大效用，但当它们与物理模型和搜索算法结合时，可以创建非常强大的混合平台。生成式方法尚未在性能优化中得到广泛应用，仍是一个开放的前沿领域，用于实时设计自动化。

#### 5.1.4 混合物理-ML集成与数字孪生

越来越多的研究正在将机器学习代理模型与多物理模型结合，以实现高保真度的实时燃料电池模拟。Pan等人（2024）在3D+1D框架中使用了ANN，模拟了电化学活动而无需直接求解偏微分方程。Wang等人则将机器学习与物理模型结合，用于优化电流密度和氧气分布。

Lei等人提出了用RNN代理模型替代复杂的物理模型，以加速多孔结构和催化剂优化的计算。Chen等人利用Pearson相关、ANN和进化算法的结合范式，对PEMWE和PEMFC组件进行了优化，以提升单位化再生燃料电池（URFCs）的性能。Liu等人则通过开发CNN-Transformer混合模型，预测冰形成和故障时间，从而提升了系统的耐久性。

这些研究共同表明，机器学习的未来在于可扩展的、物理感知的设计，而代理建模是实现数字孪生系统的关键，使得实时模拟和控制电化学系统成为可能。

#### 5.1.5 分析洞察与挑战

尽管机器学习在PEMFC GDLs中的应用取得了显著进展，但仍然面临诸多挑战。大多数模型依赖于模拟数据或低分辨率断层扫描，使得实际应用难以实现。跨不同材料类别的泛化研究尚未充分展开，如碳布与碳纸之间的比较。此外，很少有模型考虑不确定性量化或可解释性，这对于部署在安全关键应用（如运输或航空航天）中至关重要。

迁移学习、生成模型和XAI仍处于探索阶段，尤其是在PTL研究中，这些方法的使用相对较少。问题复杂性的选择往往缺乏充分的理论依据，这是显著的不足，因为物理约束方法（如PINNs）可能更适合受约束的传输模拟，而CNNs则更适合模式识别。

此外，该领域缺乏标准化的基准和评估实践，这阻碍了可重复性和进展。未来，应更加重视可解释性、实时推理、跨域适应（GDL→PTL）以及合作数据集的创建，以支持更强、更广泛的应用。

### 机器学习策略的比较分析与研究空白

本节对第5节中涵盖的机器学习研究进行了批判性分析，提取了在燃料电池GDLs和电解器PTLs中的交叉性见解。通过比较算法选择、数据来源、评估指标和泛化能力，我们识别了该领域的方法模式、技术障碍和系统性空白。

在PTL研究中，研究人员主要使用传统的神经网络架构（如简单的ANNs和CNNs）进行属性预测和设计优化，而更先进的ML框架（如PINNs或GANs）仍然较为罕见。一个重要原因是监督深度学习方法已被证明有效且易于访问：例如，使用合成微结构数据和Lattice-Boltzmann模拟训练3D CNNs，可以准确预测PTL材料的渗透性。这类ANN/CNN模型能够在足够训练数据的情况下捕捉PTL形态与性能之间的复杂关系，并在该领域占据主导地位。

相比之下，PINNs和GANs需要专门的知识和计算资源，这在一定程度上阻碍了它们的采用。PINNs通过将控制方程嵌入网络的损失函数，可能减少对标注数据的依赖，但代价是高度复杂的模型（通常有数百万个参数）和具有挑战性的训练过程。例如，在多相传输的多孔电极中实现PINN，需要仔细整合耦合的物理定律，并且如果未适当调整，可能会遇到收敛困难或过拟合的问题。许多PTL研究人员可能对这些技术不够熟悉，或者被其计算复杂性所阻碍，尤其是当传统的模拟（如Lattice-Boltzmann）结合简单的代理模型已经能够提供良好的结果时。

同样，基于GAN的生成方法，尽管能够生成真实的孔隙结构或增强图像分辨率，但在GDL/PTL研究中几乎未被使用。这是因为它们需要大量高质量的微结构图像数据和仔细的对抗训练，而实验数据在PTL微结构方面则较为有限。在实践中，使用物理基础的随机模型生成合成多孔介质（如PTL研究中所做的）往往比训练GANs更为容易。事实上，只有少数开创性研究在相关电化学领域（如使用深度卷积生成对抗网络（DCGAN）重建3D燃料电池催化剂层）中应用了GANs。尽管这些研究展示了GANs的潜力，但也突显了将此类工具整合到研究中的巨大努力。

### 研究的局限性、空白与前景

尽管在应用机器学习到PEMFC和电解器的多孔电极方面取得了快速进展，但基础性挑战仍然存在。数据集的稀缺性、跨基材的泛化能力不足以及黑箱模型的不透明性是阻碍进展的主要因素。这些限制使得实验室测试的外推难以转化为可靠的工程工具。此外，系统性偏差，如燃料电池的丰富数据集和长期资金支持，与电解器的昂贵、专有数据集形成对比，进一步加剧了GDL和PTL研究之间的不平衡。

展望未来，该领域必须优先考虑社区基准、开放的多模态数据集和混合ML-物理框架，以确保可靠和可重复的结果。生成模型和数字孪生系统为逆向设计和实时诊断提供了激动人心的机会，而可解释AI和不确定性量化对于在安全关键情境中的部署至关重要。通过绘制这些路径，本综述将机器学习不仅定位为传统建模的替代工具，而且作为在氢能经济中工程多孔材料的变革性工具。

### 未来研究建议

未来在机器学习应用于燃料电池和电解器多孔介质方面的进展将依赖于向开放数据、物理感知模型和跨学科合作的协调转变。一个关键优先事项是开发大规模、标准化和公开可用的数据集，这些数据集应整合断层扫描图像、模拟输出和实验测量。这些数据集应附带一致的元数据，描述材料组成、加工条件和运行环境，以确保研究小组之间的基准测试和可重复性。如果没有这些集体资源，方法上的比较将保持碎片化，进展也将缓慢。

另一个重要的方向是改进模型的可迁移性和泛化能力。当前的ML框架往往针对特定案例，通常只能在训练材料或形态上表现良好。因此，需要更广泛地使用迁移学习和域适应技术，以将GDL训练的模型扩展到PTL，反之亦然。这种跨设备泛化将显著提高ML工具的实用性，并减少模型开发的冗余。

在方法论层面，将物理嵌入到ML工作流程中是至关重要的。混合模型，即物理信息神经网络（PINNs）或残差校正代理模型，为直接将守恒定律和传输方程嵌入训练过程提供了一种方法。这些技术将有助于缓解过拟合，提高鲁棒性，并产生符合物理规律的预测，从而增强对ML引导设计建议的信心。

此外，必须解决ML输出的可解释性和可靠性。可解释AI方法（如SHAP、LIME或Grad-CAM）的常规使用将有助于揭开模型预测背后的驱动力，减少黑箱模型的不透明性。同时，不确定性量化方法（如贝叶斯集成或基于dropout的置信区间）必须被整合到工作流程中，以提供对安全关键部署至关重要的可靠性边界。

生成式和逆向设计技术的探索也提供了令人兴奋的机会。生成对抗网络（GANs）、变分自编码器（VAEs）和扩散模型可以用于创建合成数据集，以克服数据稀缺问题，以及设计具有目标性能指标（如渗透性、耐腐蚀性或毛细作用）的多孔微结构。与优化流程结合，这些方法可以加速虚拟原型设计，减少实验成本。

最后，开发实时数字孪生平台是一个长期目标。通过将轻量级代理模型与实时传感器信息相结合，数字孪生可以实现燃料电池和电解器在运行中的自适应控制、诊断和预测性维护。要实现这一目标，需要电化学家、材料科学家、成像专家和AI研究者之间的紧密合作。跨学科的努力对于确保ML模型不仅在技术上合适，而且在实验上验证和在工业上应用是至关重要的。