利用基于OpenFOAM的三维CFD和基于敏感性引导的ANN–GA替代建模方法,对两相PEMFC中的PEM、CL和GDL的复合厚度进行了优化
《Energy Conversion and Management-X》:Coupled thickness optimization of PEM, CL, and GDL in Two-Phase PEMFCs using OpenFOAM-Based 3D CFD and Sensitivity-Guided ANN–GA surrogate modeling
【字体:
大
中
小
】
时间:2026年05月04日
来源:Energy Conversion and Management-X 7.6
编辑推荐:
查亚尼德·塞昂格伦姆勒特(Chayanid Seanglumlert)、阿隆·布克法(Arom Boekfah)、帕尼特·卡玛(Panit Kamma)、基蒂波斯·洛克苏帕帕伊布恩(Kittipos Loksupapaiboon)、韦拉柴·柴沃拉普(Weerachai Chaiw
查亚尼德·塞昂格伦姆勒特(Chayanid Seanglumlert)、阿隆·布克法(Arom Boekfah)、帕尼特·卡玛(Panit Kamma)、基蒂波斯·洛克苏帕帕伊布恩(Kittipos Loksupapaiboon)、韦拉柴·柴沃拉普(Weerachai Chaiworapuek)、沃尼西里·普纳乌莱(Wonsiri Punurai)、马奇蒙托恩·普罗姆通(Machimontorn Promtong)和查克里特·苏万朱姆拉特(Chakrit Suvanjumrat)
泰国那空帕通73170马希隆大学工程学院机械工程系
**摘要**
质子交换膜燃料电池(PEMFC)的性能受到膜电极组件(MEA)内发生的紧密耦合的电化学反应和多相传输过程的共同影响。特别是,质子交换膜(PEM)、催化剂层(CL)和气体扩散层(GDL)的厚度共同控制着质子电阻、催化剂利用率、氧气的可及性以及液态水的排出。然而,尽管实际的PEMFC运行受到电荷传输与两相水动力学之间非线性耦合的支配,但大多数现有研究仍然独立优化MEA各层。在这项工作中,使用openFuelCell2框架在OpenFOAM中开发了一个高保真的三维两相PEMFC模型,以解决所有MEA层中的多物种传输、电化学反应动力学、耦合热传递和多相水传输问题。通过在固定操作条件下同时改变PEM厚度(25–200 μm)、CL厚度(3–20 μm)和GDL厚度(150–350 μm),生成了一个系统的多参数数据集。为了有效探索这个高维设计空间,构建了一个基于替代模型的人工神经网络-遗传算法(ANN–GA)优化框架。ANN替代模型使用CFD生成的极化数据进行了训练,并与实编码的GA结合使用,以最大化功率密度。综合优化确定了最佳MEA配置:tPEM = 25 μm、tCL = 14.0037 μm和tGDL = 167.6356 μm,在0.8733 A/cm2的电流下实现了0.3785 W/cm2的最大预测功率密度。高保真的CFD验证结果为0.3748 W/cm2,偏差低于1.01%,证实了替代模型驱动优化的可靠性。机理分析表明,最佳配置源于质子欧姆损失的降低(薄PEM)、电化学活性反应体积的增强(适中CL)以及阴极侧质量传输阻力的减少(薄至中等GDL)。所提出的CFD–ANN–GA框架为高维MEA结构优化提供了一条计算上可扩展的途径,并为下一代PEMFC在两相操作条件下的开发提供了定量设计指导。
**1. 引言**
质子交换膜燃料电池(PEMFC)因其高功率密度、低工作温度、快速启动特性以及在氢燃料运行时接近零的污染物排放而广受认可[1]。这些优势使PEMFC成为脱碳运输系统、便携式电源设备和分布式能源基础设施的关键候选技术。尽管在堆栈工程和系统集成方面取得了显著进展,但PEMFC技术的进一步发展仍受到性能、耐用性和成本之间权衡的制约,而这从根本上是由膜电极组件(MEA)决定的[2]。MEA由质子交换膜(PEM)、催化剂层(CL)和气体扩散层(GDL)组成,它们构成了电化学活性核心,其中同时发生电荷传输、电化学反应和耦合的多物理传输过程。因此,优化MEA结构参数对于提高能量转换效率、延长使用寿命和实现经济高效的大规模商业化至关重要。
PEM既作为离子导电电解质,又作为防止燃料和氧化剂交叉的屏障。基于全氟磺酸(PFSA)的膜(如Nafion)由于其高质子导电性、化学稳定性和与现有MEA制造工艺的兼容性而得到最广泛的应用[3]。在PEM设计参数中,厚度在控制欧姆电阻和水传输机制方面起着决定性作用,这些机制又影响膜的水合、反应物交叉和机械可靠性。虽然较薄的膜可以降低离子电阻并提高电池电压,但在动态操作条件下可能会加速气体交叉并损害结构完整性。Choi等人[4]通过实验表明,膜厚度显著影响PEMFC和质子交换膜水电解器(PEMWE)的效率,强调厚度优化对于实现高性能电化学设备至关重要。
CL提供了多孔反应区域,其中发生氢氧化反应(HOR)和氧还原反应(ORR)。其厚度影响催化剂利用率、电化学活性表面积的可及性、有效的离子/电子传导路径以及催化剂团聚网络内的质量传输阻力。先前的研究表明,非均匀或分级的催化剂分布可以减轻高电流密度操作下的氧传输限制并提高性能[5]、[6]。同时,GDL作为多功能多孔传输介质,支撑CL、分配反应气体、促进电子传导并调节从阴极侧的水分排出。GDL的厚度和微观结构特性(包括孔隙率和疏水性)显著影响氧扩散、液态水积累和热传输,从而影响极化行为和耐用性[7]、[8]。Fu等人[9]制造了厚度低于60 μm的超平碳纸GDL,显示出更好的结构均匀性,而Green等人[10]利用中红外光谱准确量化了膜厚度和催化剂负载,为MEA制造控制提供了宝贵见解。然而,由于制造复杂性、高材料成本以及在不引入微观结构和催化剂负载混淆变化的情况下难以独立控制PEM、CL和GDL厚度,对多层厚度效应的系统性实验研究仍然有限。
为了解决这些挑战,计算流体动力学(CFD)已成为研究PEMFC中耦合的电化学、热学和传输现象的强大工具,能够提供难以通过实验测量的物种浓度、液态水饱和度、温度和电流密度的局部分布[11]、[12]、[13]、[14]、[15]。Li等人[16]通过CFD模拟报告称,较薄的膜可以降低欧姆损失并增强水回流,从而改善阳极水合和整体性能。Mohanty等人[17]通过三维COMSOL建模U形流道扩展了这一分析,并确认膜厚度对电化学特性有关键影响。同样,d’Adamo等人[18]指出,在低化学计量比操作下,较薄的膜可以通过增强耦合的电渗透拖曳和回流机制来提高自湿润效果。除了专注于膜的研究外,先进的数值研究还考察了CL和GDL的厚度依赖行为。Tang等人[19]使用格子玻尔兹曼框架研究了微结构催化剂层中的水分传输与电化学反应的耦合。Aryal等人[20]将团聚体子模型纳入CFD模拟,并证明分级催化剂层比均匀配置提高了约5.5%的PEMFC性能。Feng等人[21]进一步表明,阴极催化剂分布的纵向梯度可以减少电流密度不均匀性并改善氧传输。关于GDL,Gao等人[22]证明,在复合泡沫-肋流场中较薄的层可以持续提高性能,而Taheri和Shakeri[23]报告了厚度、孔隙率、饱和度和有效热导率之间的强耦合。Hamedi等人[24]研究了在不同操作温度下CL和GDL厚度的综合影响,发现增加的阴极侧负载会诱导显著的压力梯度和热应力,可能加速降解。这些结果共同表明,MEA厚度参数不能独立处理,因为它们的效应通过电化学反应动力学、多相传输阻力和水管理行为内在地耦合在一起。
最近的研究通过介观和数据驱动的方法进一步推进了PEMFC建模。Lv等人[25]应用相场玻尔兹曼方法研究了GDL-金属泡沫界面的两相流动行为,捕捉了毛细驱动的液态水传输机制。Mi等人[26]将CFD与卷积神经网络结合,预测了非均匀GDL孔隙率,并将预测的微观结构特性与氧传输增强和电流密度分布的改善联系起来。Zeng等人[27]研究了结合催化剂涂层膜(CCM)和催化剂涂层基底(CCS)结构的混合MEA设计,以提高PEMFC性能。CCM结构增强了质子传输和催化剂-膜接触,而CCS改善了反应物扩散和水分去除的孔隙率。混合MEA的性能优于纯CCM和CCS,在2:1的比例下达到了1.02 W/cm2。机器学习预测了最佳比例为4:1,实验验证的R2 > 0.99。
尽管在PEMFC建模方面取得了显著进展,但大多数已发表的数值研究仍集中在单参数研究上,其中仅改变一个MEA厚度参数,而其他层保持不变。这样的方法无法可靠地确定全局最优的MEA设计,因为PEM、CL和GDL的厚度共同控制着质子电阻、电化学反应利用率、氧扩散路径和两相液态水的排出。在实际操作中,修改一个层的性能影响本质上与其他层的传输限制和水积累耦合。因此,独立优化PEMFCMEA厚度参数可能会导致次优甚至性能恶化,尤其是在考虑所有多物理相互作用时。
此外,尽管基于替代模型的优化框架越来越多地应用于PEMFC设计,但大多数现有的基于ANN的研究强调预测准确性,而没有明确量化参数的主导性或非线性交互效应。这一限制很重要,因为PEMFC性能受到许多结构和材料特性的影响,包括孔隙率、渗透性、曲折度和有效扩散性。如果没有基于敏感性的主导性排名,就无法明确选定的设计变量是否真正代表了主导物理现象,或者优化结果仅仅是有限参数选择下的数值产物。
因此,开发一个能够(i)解决完整的三维两相传输现象,(ii)系统优化耦合MEA厚度参数,以及(iii)通过基于敏感性的主导性排名量化这些参数相对重要性的计算框架仍然存在关键知识缺口。由于电化学反应动力学、电荷传输、热传递和多相水动力学之间的强非线性耦合,以及由层变化引起的的高维设计空间,解决这一缺口在计算上具有挑战性。
在本研究中,使用openFuelCell2框架[28]在OpenFOAM中开发了一个经过验证的三维两相PEMFC模型,以解决所有MEA层中的多物种传输、电化学反应、耦合热传递和液态水传输问题。通过同时改变膜厚度(25–200 μm)、催化剂层厚度(3–20 μm)和气体扩散层厚度(150–350 μm),生成了一个系统的CFD数据集。随后实施了基于替代模型的ANN–GA优化框架,以最大化功率密度,同时避免了耗时的CFD采样的计算成本。重要的是,ANN替代模型还用于进行敏感性分析和主导性排名分析,从而确定主导设计变量并量化厚度参数之间的非线性耦合。
本研究的主要贡献总结如下:
(i)在OpenFOAM中开发了一个高保真的三维两相PEMFC模型,能够在耦合多物理条件下预测极化行为;
(ii)建立了一个基于替代模型的ANN–GA框架,用于非线性两相设计空间中的MEA厚度优化;
(iii)实施了基于敏感性的主导性排名,以量化tPEM、tCL和tGDL的相对重要性,从而提供物理上可解释的MEA设计指导,而不仅仅是纯数值优化结果。
此外,ANN替代模型不仅用于基于GA的优化,还用于通过排列重要性分析进行基于敏感性的主导性排名,定量确定主导MEA层厚度参数,并阐明PEM、CL和GDL之间的非线性耦合效应。
所提出的CFD–ANN–GA框架为MEA结构优化提供了一条计算上可扩展的途径,并提供了关于质子电阻、氧气可及性和液态水排出如何共同决定PEMFC性能的机制洞察。
**2. 数值方法**
**2.1. 控制方程**
质子交换膜燃料电池(PEMFC)由多个耦合层组成,包括双极板、气体通道、GDL、CL和PEM。这种多层结构导致了涉及多物种对流-扩散、电化学反应动力学、电子和离子电荷传输、热生成和传导以及两相水传输的强耦合传输现象。为了在统一的计算框架内高效解决这些机制,数值域被分解为分层的多区域结构。遵循Beale等人[29]提出的方法,计算网格被组织成一个全局主网格和表示各个物理域的嵌入式分支网格。
在这个框架中,定义了三个相互作用的子域:
(i)流体区域,负责两相流动、物种传输和能量传输;
(ii)固体区域,提供热传导和结构材料属性;
(iii)电区域,其中解决离子和电子势场。在整个主域中评估全局温度场,同时将区域特定的传输属性和源项映射到主网格和分支网格之间,以强制多物理一致性。在质子传导区域,由于溶解水对离子导电性和电渗流阻力的显著影响,膜内部的溶质水传输也被纳入考虑。控制方程是在以下假设下推导出来的:气体和液体流动是层流的;两个相都是不可压缩的;气体混合物遵循理想气体定律;多组分传输由Fickian扩散控制;多孔介质被假设为各向同性和均匀的;忽略了气体通过膜的渗透;并且忽略了液态水中的溶解气体。这些假设的选择是为了在保持物理真实性的同时确保计算的可行性,并与广泛采用的PEMFC建模实践保持一致。在低温PEMFC中,当通道雷诺数处于中等水平(通常低于完全湍流状态)时,层流假设已被广泛应用,并且与实验极化曲线显示出满意的一致性,特别是在流动分布由直通道和相对较小的水力直径控制的情况下[28],[29]。此外,尽管在急转弯处或极高化学计量流速下可能会发生局部湍流,但本研究关注的是具有结构化网格的直流通通道,在这种情况下,层流传输仍然是一个可接受的近似。由于操作压力和温度范围,气相被视为理想气体,而液相被视为不可压缩的,因为在PEMFC的操作条件下水的密度变化可以忽略不计。因此,当前的公式最好解释为弱可压缩气相与不可压缩液相的耦合,这是PEMFC模拟中常见的简化方法[28],[29]。多孔层(GDL和CL)被建模为各向同性和均匀的介质,以便在不引入由各向异性渗透率和曲折度张量引起的额外不确定性的情况下,对层厚度效应进行参数化评估。尽管纤维状GDL可能表现出各向异性,催化剂层可能显示出非均匀的聚集结构,但在缺乏详细的微观结构数据且关注宏观性能趋势时,各向同性-均匀性近似仍然是一种标准且实用的方法[28],[29]。此外,本研究旨在隔离在相同操作条件下PEM、CL和GDL厚度的耦合影响;因此,均质化多孔介质公式为比较分析提供了一个一致的基准。在低温操作下,产物水被视为液体,当局部温度超过100°C且处于常压时,它会转变为蒸汽。气体通道中的分散液态水被建模为球形液滴。在Eulerian-Eulerian框架中,采用球形液滴近似作为分散相动量交换的闭合模型。虽然在实际的PEMFC通道中可能会发生液滴变形、聚合和膜形成,但由于球形液滴假设提供了稳定的界面阻力闭合,并且以合理的计算成本捕获了液体饱和度对气体传输阻力和通道堵塞的主要影响,因此它被广泛用于PEMFC多相求解器中[28]。2.1.1. 流体区域气体通道和多孔电极中的两相传输使用Eulerian-Eulerian公式进行建模,这在PEMFC文献中也被称为两流体或多流体框架[28]。在这种方法中,液相和气相都被视为相互渗透的连续体,每个相都由通过界面动量和热传递项耦合的独立守恒方程控制。通过应用平均处理,相连续性和动量方程表示为:(1)?ρ?α??t+??ρ?α?U?=R? (2)?ρ?α?U??t+??ρ?α?U?U?=-α??p+??α?μ??U?+α?ρ?g+M?+α?SD,?其中下标?表示相(气体或液体),α是相体积分数,ρ是密度,U是速度,R?表示体积质量源/汇项。两个相共享一个共同的压力场p。项SD,?代表多孔阻力,而M?考虑了界面动量交换,包括阻力、升力和虚拟质量贡献[28]。选择Eulerian-Eulerian方法而不是体积流体(VOF)方法,是因为本研究需要一个不仅适用于气体通道也适用于多孔电极的统一多相公式,在多孔电极中液态水以分布饱和的形式存在,而不是一个清晰分辨的自由表面。VOF方法适用于解决明显的气-液界面;然而,当扩展到具有高度复杂毛细驱动饱和场的多孔层时,它变得计算成本高昂且数值上具有挑战性。相比之下,Eulerian-Eulerian框架直接求解相体积分数,并允许与Darcy型多孔阻力和饱和度依赖的传输属性进行一致耦合,这对于PEMFC电极建模至关重要[28],[29]。尽管Eulerian-Eulerian方法通常推荐用于体积分数足够大的分散相,但即使在中等液体饱和度水平下,其在PEMFC建模中的适用性也已得到证明,因为目标不是解析单个液滴,而是捕捉平均水积累、淹没趋势及其对反应物扩散和电流密度分布的影响。此外,在高电流-密度操作下,阴极催化剂层和GDL中的液态水饱和度可能在局部超过10%,特别是在通道-GDL界面附近,这支持使用两流体平均公式[28]。由于液态水溶解的气态物种量可以忽略不计,因此不强调相间质量传递。相反,反应物传输主要由气相中的扩散和对流控制。物种i的传输由以下方程控制:(3)?ρ?α?Yi?t+??ρ?α?U?Yi=??α?ρ?Dieff?Yi+α?Ri其中Yi是质量分数,Dieff是有效扩散系数,Ri表示由于电化学消耗或生成而产生的体积源/汇贡献。能量传输使用两级焓公式求解。在主网格上评估全局能量平衡,而在相应的流体分支域内局部求解分散相焓。分离的相焓方程表示为:(4)?ρ?α?h??t+??ρ?α?U?h?=??α?Γ?eff?h?+α?Q?其中h?是相焓,Γeff是有效热扩散率,Q?包括与相变、界面热传递和电化学热生成相关的热源。在典型的PEMFC操作条件下,水可以同时以液态和气态存在。因此,蒸发和凝结机制在相之间引入了强烈的耦合。相界面的质量和能量守恒如下:(5)-ρ1U1Y1+D1eff?Y1=ρ2U2Y2-D2eff?Y2 (6)-ρ1U1h1+Γ1eff?h1=ρ2U2h-Γ2eff?h2其中下标1和2代表两个相。方程(5)确保了相间质量连续性,而方程(6)确保了相界面的能量守恒。2.1.2. 固体区域在固体区域内不求解单独的动量或物种方程。相反,固体被视为固定的热传导介质,重新分配由电化学反应和欧姆损耗产生的热量。忽略压力功、粘性耗散、Dufour效应和体力贡献,全局能量方程简化为:(7)?ρCpT?t+ρCpU??T=??keff?T+Q其中Cp是比热容,keff是有效热导率,Q代表从电化学和流体域映射的体积热源。对于GDL和CL等多孔介质,有效热导率是基于组成相的体积平均来评估的:(8)keff=εαlkl+εαgkg+1-εks其中ε是孔隙率,αl和αg表示液相和气相的分数,kl、kg和ks分别代表液态水、气体混合物和固体基体的热导率。2.1.3. 电区域PEMFC中的电荷传输通过两个平行路径进行:通过电解质的质子传导和通过电极、双极板和外部电路的电子传导。两者都由Poisson型形式的欧姆传输方程控制:(9)??σE??E=-SE (10)??σI??I=-SI其中?E和?I表示电子和离子电位,σE和σI表示导电率,SE和SI是与电化学反应速率相关的源项。对于基于Nafion的膜,离子导电性强烈依赖于温度和膜的水合程度。本研究中采用的导电性关联式遵循[28]:(11)σI=0.514λ-0.326e12681303-1T,λ≥10.1879λe12681303-1T,λ<1其中λ是膜的水含量,T是绝对温度。尽管PEM块阻止了反应物的交叉,但它允许水在其厚度上穿过。水的交叉主要由扩散和电渗流阻力(EOD)控制,而水力渗透通常可以忽略。非平衡水传输方程表示为:(12)ρmEW?λ?t+??iIFnd=ρmEW??Dmeff?λ+Rλ其中ρm是干膜密度,EW是当量重量,iI是离子电流密度,F是法拉第常数,nd是电渗流阻力系数,Dmeff是有效水扩散系数,Rλ表示吸附/解吸源项。催化剂层中的电化学反应使用Butler–Volmer动力学公式进行建模。氢氧化反应(HOR)假设发生在阳极催化剂层(ACL)中,而氧还原反应(ORR)发生在阴极催化剂层(CCL)中。局部体积传输电流密度表示为[28]:(13)iloc=i01-αlγ∏iCiCrefξeαezFηactRT-e(1-αe)zFηactRT其中i0是交换电流密度,αe是阳极和阴极的电荷转移系数,Ci是反应物浓度,Cref是相应的参考浓度(入口物种浓度),F是法拉第常数,z是转移的电子数,R是通用气体常数,T是温度。活化过电位(ηact)定义为[28]:(14)ηact=?E-?I-ENernst其中ENernst表示Nernst电位。2.2. PEMFC建模图1展示了PEMFC重复单元的示意性计算表示。虽然已经提出了其他架构,包括基于扩展网格结构的无通道设计[28],[30],但本研究考虑了传统的基于通道的低温PEMFC配置。为了捕捉所有组件之间强耦合的多物理行为,计算域被分解为一个层次化的多区域结构,包括一个全局主网格和嵌入式分支网格。遵循Beale等人的方法[29],根据主导传输行为将域划分为流体、固体和电区域。下载:下载高分辨率图像(248KB)下载:下载全尺寸图像图1. PEMFC重复单元的多区域计算表示:(a)完整电池组件组装,(b)分解为流体和固体传输区域,以及(c)用于离子和电子电位计算的电区域定义。控制方程使用有限体积法(FVM)进行离散化,空间精度为二阶。在OpenFOAM中,计算域表示为一组由表面贴片界定的索引控制体积。边界贴片分为常规贴片,它们施加经典边界条件(Dirichlet、Neumann、Robin、对称性、楔形),以及耦合贴片,它们允许相邻区域之间的隐式交互(例如,循环、循环AMI、跳跃和共轭热传递界面)。图1说明了分解为固体-流体和电子子区域的过程。这种多区域处理允许在适当的组件内解决局部物理问题,同时通过迭代场映射和界面条件保持全局耦合。在电化学系统中,通常采用三种主要的数值策略进行多物理耦合[29]。整体方法在单个网格上解决完整的方程组,分区方法在每个区域内独立解决并具有边界耦合,而集成电池概念构建了一个统一的网格并将其分解为子区域,同时保持全局耦合。在这项研究中,求解器采用了集成电池概念,与openFuelCell框架[29]一致。虽然这种方法并不总是最优的——特别是对于涉及重叠或高度复杂组件邻接的几何形状——但它为具有明确定义的层界面的PEMFC配置提供了一种高效且稳健的策略。考虑了一个三维直通道PEMFC配置。图2显示了使用OpenFOAM blockMesh工具生成的计算域和结构化网格。图2. 使用OpenFOAM blockMesh生成的三维直通道PEMFC几何形状和结构化六面体网格。采用结构化六面体网格是为了最小化沿流向的数值扩散,并确保准确解析MEA层中的传输梯度。网格是使用多块策略生成的,其中每个PEMFC组件(通道、GDLs、CLs和膜)都被离散为具有共形界面的独立块。在MEA的贯穿平面上进行了特殊细化,以解决氧浓度、水饱和度和离子电位的陡峭梯度。在通道区域,网格在通道壁附近进行了细化,以确保足够的速度和物种边界层分辨率。在催化剂层和膜中,至少分布了18-24个单元,以捕捉与电化学反应和水合依赖的离子导电性相关的强源项局部化。这种策略与PEMFC CFD建模中的最佳实践一致,在这些应用中,MEA的贯穿平面分辨率比流向分辨率对于准确预测极化行为更为关键。域包括共流阳极和阴极通道以及完整的MEA组件。区域定义通过region对象实现,每个对象都与特定的方程集和场变量相关联。相应的区域和有限体积区域在表1中总结。表1。多区域计算域分解及其对应的有限体积区域在OpenFOAM PEMFC模拟中得到了实现。区域名称、物理域和相关的有限体积区域如下:
| 区域名称 | 物理域 | 相关有限体积区域 |
|--------------|----------------------------|------------------------------------|
| 燃料 | Fluid | 阴极通道、阴极GDL、阴极CL(ACL) |
| 流体 | Air | 阳极通道、阳极GDL、阳极CL(ACL) |
| 电解质 | Solid | 质子交换膜(PEM) |
| 双极板 | Solid | 双极板(BPP) |
| φI | Electric (ionic) | PEM、ACL、CCL |
| φEC_anode | Electric (electronic) | BPP、阳极GDL、ACL |
| φEC_cathode | Electric (electronic) | BPP、阴极GDL、CCL |
注:ACL和CCL分别表示阳极和阴极催化剂层;GDL表示气体扩散层;BPP表示双极板。
MEA(膜电极组件)的厚度参数被系统地变化,以评估它们对PEMFC性能的耦合影响。PEM的厚度从25微米变化到200微米[4]、[10],CL的厚度范围从3微米变化到20微米[31]、[32],GDL的厚度范围从150微米变化到350微米[8]。通道的纵横比固定为1.0,与Chakrit等人报告的优化配置一致[11]。操作条件对应于系统压力2.5巴和操作温度353.15开尔文。湿润的氢气和空气以0.5的相对湿度供应。为了确保在整个极化曲线上的反应物利用条件一致,入口质量流量根据电流密度进行调整,以保持恒定的化学计量比λH2 = 5和λair = 5。在研究的操作范围内,相应的体积流量大约为2.0升/分钟。每个电流密度下的入口流量是根据氢气和氧气的消耗率通过法拉第定律计算得出的,以确保整个数据集中的化学计量边界条件一致。
催化剂层的厚度范围选为3-20微米,以涵盖基于CCM(催化涂层膜)的MEA制造研究中报告的薄层和厚层情况。下限(3微米)代表在低催化剂负载和先进涂层方法下可能实现的极端薄层情况;然而,这也可能受到可制造性和耐用性的限制。包括这个下限是为了确保替代模型能够捕捉到完整的响应趋势,而不是人为排除潜在的高性能薄层行为。
目前的数值框架旨在提供一种计算效率高且物理上一致的方法来进行厚度优化研究。更先进的建模方法,如湍流建模、可压缩多相求解器和微观结构分辨的CL聚集体模型,可能会提高局部精度,但需要显著更高的计算成本和额外的材料参数,而这些参数并不总是可以通过实验获得。由于本研究的目的是在相同操作条件下比较评估层厚度的影响,所采用的公式在计算效率和预测能力之间提供了一个合理的折中。
2.3. 解决方案过程
OpenFOAM中实现的耦合多物理场解决方案策略总结在图3[28]中。该过程从网格生成、场变量初始化和离散化方案选择开始。然后采用分层映射方法,其中热属性和传输属性在主网格和代表流体、固体和电子子域的分支网格之间进行交换。
在流体域中,求解器动态识别局部条件是单相流还是两相流。在两相操作下,首先评估界面传递系数,然后求解相饱和度和分散相焓方程。接着迭代求解物种传输、动量守恒和能量传输。在单相条件下,公式简化为动量、物种和能量方程的耦合解,无需额外的界面相互作用项。此外,边界条件被分配给PEMFC计算域,如表2所总结。
表2. OpenFOAM多区域PEMFC模型中应用的边界条件总结。
| 区域 | 边界变量 | 边界条件 |
|-----------------|----------------------------|------------------------------------|
| 阳极通道(燃料) | 进口 | 固定质量流量/固定速度 |
| | | |
| | 物种质量分数 | 固定值(H2, H2O蒸汽) |
| | | |
| | 温度 | 固定值(353.15开尔文) |
| | | |
| | 出口 | 固定值(2.5巴) |
| | | |
| | 速度/物种 | 零梯度 |
| 阴极通道(空气) | 进口 | 固定质量流量/固定速度 |
| | | |
| | 物种质量分数 | 固定值(O2, N2, H2O蒸汽) |
| | | |
| | 温度 | 固定值(353.15开尔文) |
| | | |
| | 出口 | 固定值(2.5巴) |
| | 速度/物种 | 零梯度 |
| 通道壁 | | 无滑移 |
| | | |
| | 物种 | 零通量 |
| | | |
| 电解质 | | 耦合(共轭热传递) |
| | | |
| 界面 | | 温度 |
| | 耦合到相邻层 | |
| 离子区域(φI) | 阴极电流收集器 | φI | 零梯度 |
| | | |
| 电子区域(φE) | 阳极电流收集器 | φE | 固定电位(电池电压) |
| | | |
| | 阳极板 | φE | 地面参考(0伏特) |
| | | |
表3. 进行的网络拓扑分析以确定最佳的ANN配置。
2.4. 网格生成和网格独立性测试
进行了网格独立性研究,以确保从开发的多物理场PEMFC模型获得的数值预测不受空间离散化的影响。图4显示了九种不同结构化六面体网格配置的预测功率密度(左轴)和计算时间(右轴)的变化,这些网格包含70,000、103,000、175,000、200,000、236,250、325,000、420,000、500,000和800,000个元素。
如图4所示,随着网格细化程度的提高,功率密度逐渐增加,并趋近于一个渐近极限,表明解决方案趋于网格独立。200,000个元素网格和236,250个元素网格之间的预测功率密度差异为3.56%,而236,250个元素和325,000个元素之间的差异进一步减小到2.37%。这证实了超过236,250个元素后的进一步细化仅对预测的电化学输出有边际改进。相比之下,计算时间随着网格分辨率的提高而显著增加。325,000个元素的网格相对于236,250个元素网格大约需要额外15.55小时,但性能改进很小。此外,对于超过420,000个元素的网格,计算成本急剧上升,在800,000个元素时达到最大运行时间。
因此,选择了包含236,250个结构化六面体元素的网格进行所有后续模拟,因为它在数值精度和计算效率之间提供了最佳的折中,确保了可靠的预测能力,并且计算成本实际可行。除了总单元数外,细化策略还强调了MEA(膜电极组件)平面方向的高分辨率,因为电化学反应源项和水合梯度在CL和膜内高度局部化。这种网格策略确保了厚度变化(PEM、CL和GDL)的准确表示,并且性能差异是由物理原因引起的,而不是数值伪影。
3. 集成ANN–GA方法
本研究开发的人工神经网络(ANN)使用Levenberg–Marquardt反向传播(LMBP)算法进行训练。可用数据集被系统地划分为训练、验证和测试子集,以确保学习的稳健性,防止过拟合,并提供对预测性能的无偏评估。这种结构化的数据分割策略被广泛认为是建立机器学习模型可靠性和泛化能力所必需的。
LMBP算法结合了高斯-牛顿优化方案和梯度下降,能够在保持数值稳定性的同时实现快速收敛。这种混合特性使得LMBP特别适用于训练前馈神经网络,因为它可以克服传统反向传播技术中经常遇到的收敛缓慢和局部停滞问题[33]。此外,使用了Sigmoid传递函数作为激活函数,以捕捉系统中固有的非线性关系,从而增强了ANN近似复杂输入-输出映射的能力。
3.1. 人工神经网络建模
开发并使用Levenberg–Marquardt反向传播(LMBP)算法训练了一个前馈多层感知器(MLP)。该算法结合了高斯-牛顿方法的快速收敛特性和梯度下降的稳定性,使其特别适合于数据集规模适中的非线性回归问题[33]。为了提高泛化能力和降低过拟合风险,数据集被随机划分为三个子集:70%用于训练,15%用于验证,15%用于测试。验证子集用于提前停止以防止过训练,而测试子集提供了对预测性能的无偏评估。在训练之前,所有输入和输出变量都使用min-max缩放标准化到[-1, 1]的范围。这一步预处理步骤提高了数值稳定性并加速了训练过程中的收敛。
ANN架构包括一个输入层、两个隐藏层和一个输出层。隐藏层使用双曲正切Sigmoid(tansig)激活函数,而输出层使用线性(purelin)函数以确保连续值的准确回归。这种组合使网络能够有效近似高度非线性的映射,同时保持输出保真度。神经元的数学公式可以表示为[33]、[34]、[35]:
(15) x = ∑i=1n wi xi + bi
(16) y = φ(x)
其中wi表示突触权重,b是偏置项,φ表示激活函数。在本研究中,tansig函数定义为[33]、[34]、[35]:
(17) φ(x) = 2 / (1 + e^(-2x))
图5展示了本研究中使用的ANN架构。输入向量包括膜厚度(tPEM)、催化剂层厚度(tCL)、气体扩散层厚度(tGDL)和电流密度(J),而ANN输出对应于预测的功率密度(Pd)。
3.2. 性能评估指标
使用标准统计指标评估了ANN的预测能力,包括平均绝对误差(MAE)、均方误差(MSE)和决定系数(R2)[34]、[35]。这些指标量化了预测值和观测值之间的绝对和基于方差的差异。
(18) MAE = 1/n ∑i=1n | Ypred,i - Yexp,i |
(19) MSE = 1/n ∑i=1n | (Ypred,i - Yexp,i)^2 |
(20) R2 = 1 - ∑i=1n | (Ypred,i - Yexp,i)^2 / ∑i=1n | Yexp,i - Yˉexp|^2
其中Ypred和Yexp分别表示预测值和实验值,Yˉexp是实验观测值的平均值。随着MAE和MSE的减小以及R2接近1,模型性能得到提高。
为了进一步提高对随机初始化的鲁棒性,进行了多次训练试验,并选择了R2最高的模型作为最终的预测替代模型。
3.3. 遗传算法优化
采用实编码遗传算法来识别最大化系统性能的PEMFC输入参数的最佳组合。GA在候选解的群体上操作,通过选择、交叉和变异过程迭代演化它们。优化问题表述为:
(21) min f(x) = -Pdx
其中ANN替代模型用于评估Pd,负号将最大化问题转换为与GA兼容的最小化框架。算法从实验数据派生的预定义变量范围内随机生成的群体开始。在每一代中,使用ANN模型评估个体,并应用锦标赛选择机制以确保向高质量解决方案的选择压力。后代通过线性交叉和自适应高斯变异产生,变异强度在连续几代中逐渐减小,以平衡探索和利用。通过保留表现最佳的个体来保持收敛稳定性。优化过程持续进行,直到达到最大代数或满足收敛标准。
图6显示了集成ANN–GA框架的工作流程。尽管电流密度不是一个结构设计变量,但它被包含在ANN输入空间中,以表示完整的极化和功率密度响应。由于MEA厚度变化会改变最大功率点的位置,GA同时搜索(tPEM, tCL, tGDL, J)以确定在固定操作条件下的最大可实现功率密度。
3.4. 网络拓扑选择
进行了系统的参数研究,通过改变隐藏层中的神经元数量来确定最佳的ANN架构。结果总结在表2中,表明网络性能对拓扑选择非常敏感。虽然较简单的配置降低了计算成本,但具有两个隐藏层的更深层次架构显著提高了模型捕捉非线性行为的能力。基于准确性和泛化之间的平衡,选择了4–6–10–1架构作为最终模型,显示出优异的预测性能和低MSE值。
3.5. 使用排列重要性进行敏感性和优势排名
为了量化选定设计变量对两相操作下PEMFC功率密度的相对影响,使用训练有素的ANN替代模型进行了优势排名分析。由于人工神经网络(ANN)在输入变量(tPEM、tCL、tGDL、J)和预测响应Pd之间提供了连续的非线性映射,因此可以在不需要额外计算流体动力学(CFD)模拟的情况下高效地进行全局敏感性评估。在本研究中,使用排列特征重要性分析来量化优势排名。该方法评估当一个输入参数被随机排列而其他参数保持不变时,预测准确性的降低程度。第k个变量的重要性得分定义为相对于基线ANN预测的均方误差(MSE)的增加量:(22) Ik = MSEperm,k - MSEbase,其中MSEbase是使用原始数据集获得的ANN预测误差,MSEperm,k是排列第k个输入变量后的MSE。Ik的值越高,表示该参数对ANN预测准确性的影响越大,因此在控制质子交换膜燃料电池(PEMFC)功率密度方面的优势也越大。为了减少由于随机排列引起的统计不确定性,每个特征排列使用了不同的随机种子重复了30次,报告的重要性值对应于平均重要性得分。由于所有ANN输入都被规范化到[-1,1]的范围,计算出的重要性值为比较不同参数之间的优势提供了统一的基础。为了更清晰地解释,还计算了归一化的重要性贡献:(23) Ik* = Σj=1n Ij,其中Ik*表示第k个变量的相对优势贡献。
4. 结果与讨论
4.1 PEMFC CFD模型的验证
通过将开发的二维两相CFD模型对质子交换膜燃料电池(PEMFC)的预测极化行为与Zhang等人[28]和Wang等人[36]报告的两个独立实验数据集进行比较,评估了其可靠性。这些数据集对应于不同的实验配置和操作条件,从而能够超越单一极化曲线进行验证,并减少对随机实验不确定性的敏感性。图7将预测的极化曲线与Zhang等人[28]和Wang等人[36]的实验测量结果进行了比较,涵盖了激活、欧姆和浓度损失范围。
应当强调的是,验证的目的不仅仅是再现单一实验曲线,而是展示数值框架在多种已发表的操作条件下预测极化行为的能力。这种验证方法与PEMFC CFD实践一致,因为通常无法直接比较两相饱和度、膜水合和电流密度分布的局部实验测量结果。
如图7所示,CFD模型成功捕捉到了两个数据集的整体极化趋势,显示出随着电流密度的增加,电池电压呈单调下降。在低电流密度区域,数值结果与Zhang等人[28]的实验曲线相比显示出略微更陡的电压下降。这种偏差主要是由于激活损失对催化剂层动力学、交换电流密度以及Butler-Volmer公式中使用的经验参数的敏感性较强。此外,实验参考中的催化剂层微观结构、铂负载和界面接触电阻的不确定性也可能导致开路电压附近的偏差。在中等电流密度范围内,CFD预测与两个实验数据集都非常吻合,表明模型准确表示了与质子通过膜的传输和电子通过气体扩散层(GDLs)及双极板传导相关的欧姆损失。在高电流密度下,数值模型预测了电压的持续下降,这与由于氧气耗尽和阴极多孔层中液态水积累导致的浓度损失增加是一致的。计算出的曲线与Wang等人[36]的结果在大约2.8 A/cm2处非常接近。在最高电流密度处的轻微偏差是由于简化了两相传输的处理,包括使用了有效的扩散率相关性和毛细压力-饱和关系。
关于计算出的极化曲线的单调下降,需要澄清的是,PEMFC电压在高电流密度下并不一定收敛到一个恒定值。相反,由于氧气传输电阻和液态水淹没的增加,电池电压通常会继续下降,因此数值结果中观察到的单调下降趋势在物理上与PEMFC的极化行为是一致的。数值预测与实验结果之间的平均绝对误差分别为Zhang等人[28]的10.15%和Wang等人[36]的2.16%。尽管Zhang等人[28]的误差相对较高,但偏差主要集中在低电流密度和高电流密度区域,这些区域的激活动力学和两相传输闭合参数具有很强的敏感性,并受到报告的实验材料属性不确定性的影响。相比之下,与Wang等人[36]的一致性证实了该模型在替代的已发表操作条件下的高准确性。
为了提高透明度并解决模型可靠性问题,主要简化假设及其可能的影响总结如下:
(i) 均质多孔电极假设:GDL和催化剂层被视为具有平均传输特性的各向同性多孔介质,这可能会影响预测的氧气扩散率和饱和场。
(ii) 有效传输相关性:有效扩散率、渗透率和曲折度是根据经验相关性获得的,而不是基于微观结构重建的,这在严重淹没条件下可能会引入不确定性。
(iii) 忽略了界面接触电阻和降解:没有明确考虑接触电阻损失和催化剂老化,这可能会影响低电流密度下的激活行为和电压降。
(iv) 两相闭合关系:采用了文献中的毛细压力-饱和关系,GDL/PTL表面处理的差异可能导致不同的水传输特性。
这些假设代表了在PEMFC CFD建模中计算可行性和物理完整性之间的广泛采用的折中。因此,开发的模型适用于比较分析和参数优化,而不是微观结构解析的绝对预测。
总体而言,验证结果证实,开发的CFD框架能够以可接受的准确性再现PEMFC在多种实验条件下的关键极化特性。因此,该模型被认为足够可靠,可以用于后续的MEA厚度分析和优化。
4.2 MEA厚度参数的敏感性和优势排名
为了量化膜厚度(tPEM)、催化剂层厚度(tCL)和气体扩散层厚度(tGDL)在两相操作下对PEMFC性能的相对重要性,进行了敏感性和优势排名分析。由于PEMFC的行为受到强耦合的电化学动力学、电荷传输和多相质量传输的控制,因此采用了基于相关性的敏感性和非线性优势排名技术来确保对参数影响的稳健解释。图8展示了皮尔逊相关矩阵,该矩阵评估了输入参数与功率密度之间的线性依赖性。结果显示,膜厚度与功率密度之间存在最强的负相关(-0.75),证实tPEM是控制PEMFC性能的主要几何参数。这种行为在物理上是预期的,因为增加膜厚度会延长质子传导路径,增加离子电阻,并放大欧姆极化损失。因此,电池电压下降,功率密度在操作范围内恶化。
电流密度(J)与功率密度之间存在中等的负皮尔逊相关性(-0.34),反映了随着操作负载的增加,电压损失的贡献增加。相比之下,tCL和tGDL显示出弱的皮尔逊相关性,表明它们的影响不能通过简单的线性缩放来捕捉。这表明多孔层厚度效应主要由非线性多相传输耦合控制,包括氧气扩散限制、毛细驱动的液态水积累以及多孔电极结构内反应区的重新分布。为了进一步评估超出线性依赖性的单调关系,计算了斯皮尔曼相关矩阵,如图9所示。膜厚度再次显示出最强的负单调相关性(-0.82),表明随着tPEM的增加,其不利影响在整个设计空间中始终存在。同时,tCL和tGDL的相关性仍然较弱,进一步证实了这些参数主要通过耦合相互作用效应而不是直接的单调趋势来影响PEMFC性能。
尽管基于相关性的指标提供了有用的初步见解,但由于PEMFC性能受到高度耦合的多物理相互作用的控制,它们可能会低估非线性参数的优势。因此,还使用训练有素的ANN替代模型进行了排列特征重要性分析。在这种方法中,每个输入变量被随机排列,而其他变量保持不变,然后量化ANN预测准确性的降低作为重要性得分。为了减少与随机排列相关的统计不确定性,该过程对每个变量使用不同的随机种子重复了30次,报告的重要性值对应于平均得分。由于所有ANN输入都被规范化到[-1,1]的范围,因此得到的重要性值为比较参数之间的优势提供了统一的基础。排列重要性结果确认膜厚度是最具影响力的设计变量,具有最高的重要性得分(ItPEM = 1.1884)。这表明PEMFC功率密度主要受质子电阻和水合依赖的离子导电机制的控制。电流密度被排在第二位最具影响力的变量(IJ = 0.5747),反映了其对极化行为的强烈控制以及激活、欧姆和浓度损失的累积效应。相比之下,催化剂层厚度和气体扩散层厚度的重要性得分显著较低(ItCL = 0.0576和ItGDL = 0.0211)。这些结果表明,在整个数据集的平均情况下,tCL和tGDL的全球影响在当前操作条件下比膜厚度弱。然而,tCL和tGDL较低的优势指数并不意味着它们的物理相关性可以忽略。相反,它们的影响是强烈非线性的并且依赖于条件,在高电流密度操作下最为显著,此时氧气传输电阻和液态水淹没占主导地位。增加催化剂层厚度可以扩大电化学活性反应体积并提高催化剂利用率,但同时也会增加氧气扩散阻力,并可能在多孔电极内促进液态水的积累。同样,增加GDL厚度可以增强机械支撑并提供额外的液态水储存能力,但也会增加反应物扩散距离和质量传输阻力。因此,tCL和tGDL的性能影响受到反应增强和传输限制之间的耦合权衡的控制,这不能仅通过线性相关分析来捕捉。
总体而言,结合皮尔逊-斯皮尔曼敏感性分析和基于ANN的排列重要性排名确认,膜厚度是影响PEMFC功率密度的主要控制参数。结果表明,tPEM主要通过质子欧姆损失和水合依赖的离子导电性机制来控制性能,而催化剂层和气体扩散层厚度主要通过氧气扩散和两相水管理之间的非线性耦合来影响性能。这些发现强调,MEA厚度优化必须被视为一个多参数问题,而不仅仅是单独调整各个层。
4.3 PEM厚度的效应
图10展示了质子交换膜(PEM)厚度对PEMFC传输行为和电化学性能的影响。随着膜厚度从25 μm增加到200 μm,观察到电池性能明显恶化,这表现为功率密度的降低。这种趋势主要归因于质子通过较厚电解质层的传输过程中欧姆极化的增加。特别是,质子传导路径变长,从而增加了离子电阻并降低了有效电池电压。
图10(a)表明,随着PEM厚度的增加,膜温度升高,其中tPEM = 200 μm时的温度分布最高。这种行为可以通过增强的焦耳热解释,这是由升高的膜电阻产生的。由于局部热生成项与电流密度和欧姆损失的乘积成正比,较厚的膜加剧了内部热产生,导致膜区域内的操作温度升高。这种温度的升高可能会进一步影响膜的水合平衡并加速局部干燥行为。此外,图10(b)显示,随着PEM厚度的增加,膜内的相对湿度降低。当tPEM厚度为200微米时,湿度分布最为均匀,这表明在所考虑的操作条件下膜的水合程度不足。这种行为与水分重新分布机制的有效性减弱有关,尤其是从阴极到阳极的水分反向扩散。随着膜厚度的增加,水分在膜中的传输效率降低,导致水合不均匀,并增加了膜干燥的可能性。图10(c)进一步证实了电阻增加和水合程度降低的共同影响,其中质子导电性随着PEM厚度的增加而显著下降。最厚的膜层具有最低的导电性,反映了离子导电性对水分含量的强烈依赖性。水合程度的降低抑制了质子的移动性,并减少了聚合物电解质结构中导电路径的可用性。因此,较厚的膜不仅增加了传输距离,还通过水合程度的损失间接降低了导电性,从而加剧了电阻性能的恶化。尽管较薄的膜由于质子电阻的降低和导电性的提高而显著改善了电化学性能,但过薄的膜可能会增加氢气的交叉渗透并影响机械耐久性。因此,实际的PEM设计必须在高功率密度性能与长期结构可靠性和气体交叉渗透限制之间找到平衡。在探索的范围内,结果证实,在满足耐久性要求的前提下,减小膜厚度是提高PEMFC性能的有效策略。
4.4 MEA厚度的优化
PEMFC的性能是使用基于CFD生成的数据集训练的ANN替代模型来预测的。模型选择是通过最小化均方误差(MSE)同时最大化回归系数(R)来进行的。图11展示了ANN在训练、验证和测试数据集上的训练性能。最佳验证性能在第15个周期时达到,MSE为0.0092874,表明ANN在此阶段达到了最佳的一般化能力。最终的ANN结构包括四个输入神经元,两个隐藏层分别有六个和十个神经元,以及一个输出神经元,对应于功率密度(图5)。
图11. ANN训练性能显示了训练、验证和测试数据集的均方误差(MSE)的变化情况。
回归性能如图12所示。回归系数分别为R = 0.99935(训练)、R = 0.98192(验证)和R = 0.84562(测试),而整体回归系数为R = 0.96977。测试相关性的降低主要是由于数据集规模有限(81个样本)以及两相传输和电化学反应行为之间的强非线性耦合。尽管如此,整体回归性能仍表明ANN具有足够的预测能力用于优化。
图12. ANN替代模型预测PEMFC功率密度的回归性能。
图13显示的预测误差分布表明,大多数误差集中在接近零的值附近,证实了ANN性能的稳定性。只有少数分散的案例显示出较大的误差,这可能是由于在设计空间的局部非线性区域采样稀疏所致。
在开发了ANN之后,采用了遗传算法(GA)来通过最大化预测的功率密度来优化MEA配置。这种ANN–GA策略遵循了Arom等人[34]和Chakrit等人[37]报告的相同优化理念,其中ANN作为替代模型来降低计算成本,而GA执行全局搜索。GA过程通过选择、交叉和变异迭代更新种群,并根据适应度值的演变来评估收敛性。图14展示了连续几代中最佳适应度和平均适应度的变化情况。在早期几代中观察到了快速改进,随后逐渐稳定,表明优化过程已经收敛。最佳适应度达到了-0.37853,而平均适应度收敛到了-0.37618,显示出种群的一致改进和稳定的优化行为。经过60代后,GA确定了最佳的MEA厚度配置为tGDL = 167.6356微米、tCL = 14.0037微米和tPEM = 25.00微米。在这些优化参数下,ANN–GA框架预测的最大功率密度为0.3785瓦/平方厘米,对应的电流密度为0.8733安培/平方厘米。
关于优化后的催化剂层厚度(tCL = 14.0037微米)的可制造性,需要说明的是,GA输出的是连续的数值,因为厚度参数被视为连续的优化变量。在工程实践中,这样的结果应该被解释为目标厚度水平或可制造范围,而不是一个精确值。因此,优化的催化剂层厚度可以实际表示为大约14微米(或根据制造公差四舍五入到14-15微米),这保持了优化结果的工程适用性。进一步注意到,优化的催化剂层厚度大约为14微米,完全在可行的制造范围内,并没有趋近于极低的极限。所获得的最优值并不是一个简单的最小厚度解,而是由两相传输相互作用决定的多物理场平衡。最优的薄膜最小化了质子电阻,而适中的催化剂层厚度提供了足够的电化学活性体积,同时不会过度限制氧气的扩散。同时,优化的GDL厚度减少了质量传输阻力,同时保持了液态水的排出能力。
值得注意的是,GA选定的最优值使得tPEM厚度为25微米,这是研究范围内最小的值。这表明在考虑的实际设计空间(25-200微米)内,较薄的膜一致地减少了质子电阻并提高了功率密度。然而,在实际应用中,由于氢气的交叉渗透、针孔形成的风险以及机械耐久性的限制,膜厚度不能无限减小。由于这些退化和交叉渗透机制超出了当前两相CFD模型的范围,所确定的最优值应被视为在文献支持的可行范围内的最佳解决方案,而不是所有可能膜厚度下的普遍最优解。
为了验证基于替代模型的优化的可靠性,在相同的操作电流密度下,将最优MEA配置应用于基于CFD的PEMFC模型中。CFD模拟产生的功率密度为0.3748瓦/平方厘米,与ANN–GA预测的结果相比相对偏差小于1.00672%。最后,需要指出的是,当前的模拟是使用单通道计算域进行的,而不是全多通道堆栈几何结构。这种简化是有意采用的,以降低计算成本并实现对多种MEA厚度组合的系统性参数优化。在PEMFC CFD研究中,单通道模型被广泛采用作为代表性的单元格方法,因为它能够捕捉电化学反应、氧气传输、质子传导和两相水行为的主要耦合物理现象,前提是堆栈规模的分布不为主要关注点。因此,当前的结果旨在提供关于MEA厚度优化趋势的基本指导,而堆栈规模的效应,如通道间的分布不均和流道压力损失将在未来的工作中进行探讨。
5. 结论
在OpenFOAM中使用openFuelCell2框架开发了一个高保真的三维两相PEMFC模型,以研究MEA层厚度对电化学性能的耦合影响。系统的参数分析表明,PEM厚度是控制功率密度的主导结构参数。增加tPEM厚度显著提高了质子电阻,加剧了焦耳热效应,减少了膜的水合程度,并抑制了质子导电性,导致性能明显下降。为了在强耦合的非线性两相传输行为下实现计算效率高的多参数优化,建立了一个基于替代模型的ANN–GA框架。ANN替代模型具有很强的预测能力,整体回归系数为R = 0.96977,最小验证MSE为0.0092874。GA优化确定了最佳的MEA厚度组合为tPEM = 25微米、tCL = 14.0037微米和tGDL = 167.6356微米,预测的最大功率密度为0.3785瓦/平方厘米,对应的电流密度为0.8733安培/平方厘米。CFD验证确认了优化结果,实际功率密度为0.3748瓦/平方厘米,偏差低于1.01%,从而验证了基于替代模型的优化框架的可靠性。
除了确定最佳的MEA配置外,敏感性和主导性排名分析还表明,膜厚度是通过依赖水合的质子电阻机制控制功率密度的主要参数。相比之下,催化剂层和气体扩散层的厚度主要通过与非线性耦合的传输权衡来影响性能,这些权衡与氧气扩散和两相液态水的排出有关。这些发现强调了MEA结构优化必须被视为一个相互作用的多参数设计问题,而不仅仅是独立层的调整。因此,提出的CFD–ANN–GA框架不仅提供了优化的设计,还为下一代PEMFCMEA工程在现实的两相操作条件下的物理可解释性提供了指导。