基于多物理场仿真和混合智能算法的固体氧化物燃料电池多目标优化
《International Journal of Hydrogen Energy》:Multi-objective optimization of solid oxide fuel cells based on multi-physics simulation and hybrid intelligent algorithms
【字体:
大
中
小
】
时间:2026年05月17日
来源:International Journal of Hydrogen Energy 8.3
编辑推荐:
谢文斌|孙英辉|彭创|陈玉清|阿纳斯·穆萨|范丽媛|张玉超|严东|贾立超|张文英
中国地质大学机械工程与电子信息学院,武汉,430074,中国
**摘要**
为了在固体氧化物燃料电池(SOFCs)中实现高功率密度、适当的温度梯度以及在负载波动下最小的电流密度欠调,本
谢文斌|孙英辉|彭创|陈玉清|阿纳斯·穆萨|范丽媛|张玉超|严东|贾立超|张文英
中国地质大学机械工程与电子信息学院,武汉,430074,中国
**摘要**
为了在固体氧化物燃料电池(SOFCs)中实现高功率密度、适当的温度梯度以及在负载波动下最小的电流密度欠调,本研究建立了一个三维多物理场耦合的SOFCs模型,并通过调整工作温度、流速和阳极功能层厚度构建了一个宽范围的操作数据集。提出了一种新方法,利用Hyperband、贝叶斯优化(BOHB)和遗传算法(GA)来优化原始的多层感知器(MLP0)超参数。优化后的MLPB模型在预测性能上优于支持向量机(SVM)和决策树(DT),平均绝对误差(MAE)为0.02729,决定系数(R2)为0.997。训练有素的堆栈模型指导非支配排序遗传算法II(NSGA-II)进行多目标优化,以获得帕累托最优解集,并详细分析了三个典型点。多物理场仿真、MLP和GA的集成为SOFCs的性能预测和优化提供了一种有效方法。
**引言**
近年来,全球对高效和环保的能源转换技术的发展给予了高度重视。这主要归因于两个因素:首先,传统能源储备持续减少;其次,温室气体导致的全球变暖问题日益严重[1]。固体氧化物燃料电池(SOFCs)是一种电化学能量转换装置,能够直接将化学能转换为电能。其运行过程中不涉及燃烧或机械运动,因此可以实现高达70%的发电效率[2],并且具有清洁运行和强燃料适应性的优点[3,4]。
在当前的SOFCs研究中,使用数值仿真来研究电池几何形状、微观结构和操作边界条件对电化学和热机械性能的影响已成为主要研究方向[5],[6],[7],[8],[9]。特别是,三维多物理场耦合模型的开发对于提升电池整体性能至关重要[10],[11],[12]。目前,功率密度是评估SOFCs电化学性能的核心指标,它直接决定了其能量转换效率和应用潜力。影响这一指标的关键因素主要包括材料属性、操作条件和电池的几何结构。就所使用的材料而言,成熟的商用SOFCs通常采用氧化钇稳定的氧化锆(YSZ)作为电解质,镍-YSZ金属陶瓷作为阳极,镧锶锰氧化物(LSM)-YSZ复合材料作为阴极[13],[14],[15]。
在操作条件方面,操作温度的影响尤为显著。提高电池的操作温度可以显著提升电极反应动力学,从而实现高功率密度输出。然而,温度的升高也会对电池的耐久性产生不利影响。除了加剧热管理方面的挑战[16,17]外,还必须考虑电池材料的稳定性和长期运行性能。此外,反应气体流速对电池性能也有显著影响,会改变运行过程中的质量传递和热传递过程。因此,确保足够的反应物供应至关重要,这可以通过增加气体流速来实现,进而提高电流密度和功率密度。同时,这也便于控制堆栈温度和温度梯度(TG)。然而,过高的气体流速会降低燃料利用率并破坏温度分布的均匀性[18],[19],[20]。电极的微观几何结构是优化气体扩散、提高反应活性、减少极化损失从而增加功率密度的有效策略。显然,阳极功能层(AFL)的厚度是这一过程中的关键因素[21]。总之,操作温度(T)、燃料流速(Ua)、空气流速(Uc)和阳极功能层厚度(AFL)是影响SOFC功率密度的四个关键可控参数。
尽管提高电池输出性能是研究人员的共同目标,但将功率密度提高到过高水平可能会导致电池内部局部过热。这会通过显著的温度梯度产生热应力,从而降低长期稳定性,甚至可能引发瞬时结构故障。曾等人[22]将电池密封失效归因于流道内的高温和温度梯度。中条等人[23]提出,温度梯度会导致热应力,进而引发电池分层和热裂纹等严重问题。简等人[24]强调,监测SOFCs中的温度梯度对于防止结构故障至关重要。因此,必须将最大温度梯度限制在10 K/cm以内[25],在保证高功率密度的同时确保高效运行、长期稳定性和可靠性至关重要。
近年来,SOFCs的研究取得了显著进展,从基本的单通道重复单元发展到千瓦级堆栈的开发。这些研究的最终目标是将SOFCs集成到独立的储能系统中。然而,目前大多数研究仍集中在稳态性能优化上。
在实际应用中,SOFCs在动态操作条件下面临严峻挑战。负载波动会直接导致电池内部温度、反应物浓度和电流密度的重新分布,可能引起高温波动和电流密度超调,从而严重影响电池的安全性和耐久性。Gemmen等人[26]研究了电池在电压负载变化下的瞬态行为。他们的结果表明,随着负载的降低,电池内的温度分布变得不均匀,导致出口处的Nernst电压降低。朱等人[27]发现,阴极气体流速是引发电流密度超调的关键参数,超调的幅度由时间常数决定。相比之下,阳极流速、入口温度和燃料成分的变化不会导致超调。Shimpalee等人[28]证明,较高的气体流速和较慢的负载电压变化组合可以减少电流密度超调的幅度。王等人[29]进行了瞬态仿真,发现电流超调和响应时间都随着操作电压变化率的降低而减小。还发现电流超调和欠调与氧浓度分布密切相关。现有研究主要集中在SOFCs的电流密度超调或欠调现象上,但对电流密度欠调(CDU)的关注较少,CDU定义为阶跃响应期间的最小电流密度与阶跃响应完成后稳态电流密度之间的差异[30]。该参数反映了电池在负载变化下的动态稳定性,较小的值更为理想。因此,在评估SOFCs的瞬态性能时必须考虑这一指标。
在过去十年中,人工神经网络(ANN)在包括风扇故障诊断、太阳能系统建模[31]和燃料电池研究在内的众多领域得到了广泛应用。显然,神经网络和SOFCs的研究兴趣日益融合。郭等人[32]研究了一种多目标优化方法,该方法在质子交换膜燃料电池(PEMFCs)框架内采用了体积流量(VOF)方法,并结合了ANN替代模型。该方法同时优化了脱水时间和压降,电池的长度、宽度和高度作为设计参数。刘等人[33]提出了一种基于理想解相似性排序(TOPSIS)方法和多目标遗传算法(MOGA-TOPSIS)协同优化框架的技术,实现了PEMFCs操作参数和锥形流道结构的首次耦合优化。这一突破代表了相对于单独优化流道设计和操作条件的传统方法的重大进步。巴等人[34]提出了一种结合转子霍普菲尔德神经网络(RHNN)和灰狼优化(GWO)算法的混合建模方法。这项开创性工作将GWO的全局优化能力与RHNN的动态特性相结合,构建了SOFCs瞬态建模的关键性能指标系统,实现了电压预测的较低均方误差(MSE)。
显然,在各种优化算法中,遗传算法(GA)是一种受生物进化启发的方法,具有广泛的应用范围,适用于单目标和多目标优化问题。研究表明,将ANN与GA结合使用已成为模拟SOFCs多物理场现象的高效实用方法[35],[36],[37],[38],[39]。雷等人[40]提出了一种智能优化框架,结合了ANN和NSGA-II,实现了三维网格梯形流场(RTFF)结构参数的多目标协同优化设计。夏等人[41]提出了一种针对逆流SOFCs系统的动态协同控制策略,结合了ANN代理模型和NSGA-II优化框架。该方法实现了99.92%的氢气回收率和61.97%的效率,同时揭示了电流/气体流速阶跃扰动下电压和效率之间的瞬态差异机制。总之,神经网络在SOFCs优化中得到了广泛应用。然而,现有研究大多局限于单一场景,关注稳态或瞬态性能。很少有研究全面探讨操作变量和几何参数对SOFCs稳态和瞬态特性的耦合效应。在上述研究中,在使用ANN和GA进行SOFCs多目标优化之前,缺乏对神经网络参数本身的优化,这可能导致神经网络在训练过程中容易过拟合或欠拟合。因此,在构建替代模型并进行多目标优化之前,首先需要使用多种算法优化ANN超参数。
单一神经网络方法在泛化能力和特征提取能力方面存在固有局限性。本研究提出将有限元数值仿真与机器学习相结合,建立了一个“仿真–数据–优化–决策”的闭环框架。该工作重点关注SOFCs的稳态和瞬态特性。输入变量包括Ua、Uc、T和AFL,输出变量包括TG、CDU和P。采用多物理场仿真构建数据集,采用三种算法对MLP进行超参数优化,并选择最优模型。同时,训练SVM和DT模型进行比较,以确定全局最优的MLP模型。最后,将选定的最优模型与GA结合进行多目标优化,得到关键设计参数的帕累托前沿。
**部分摘录**
**SOFCs的多目标优化框架**
如图1所示,流程图展示了SOFCs的多目标优化过程。首先,开发一个多物理场耦合模型以获取神经网络训练的数据集。通过比较R2和MAE指标选择最优的MLP,并进一步与基于SVM和DT的模型进行比较,以确定最终的预测模型。后续过程侧重于多目标优化。首先从最优模型的隐藏层提取特征。
**全局敏感性分析**
全局敏感性分析是一种量化所有输入对模型输出影响程度的方法。本研究探讨了特定参数对结果的影响,同时考察了不同输入变量之间的相互作用。一阶Sobol’指数主要量化了单个输入变量对输出的独立贡献。
**结论**
本文提出了一种将COMSOL多物理场仿真与机器学习技术相结合的闭环系统,用于SOFCs。该系统包括仿真、数据采集、优化和决策制定。建立了一个COMSOL多物理场模型以获取数据集,并使用三种算法(Hyperband、BOHB、GA)优化MLP0。经过与SVM和DT的比较后,选择MLPB作为最优模型。基于MLPB的多目标优化确定了帕累托最优解。
**作者贡献声明**
谢文斌:撰写–原始草稿、方法论、研究、数据整理。
孙英辉:研究。
彭创:研究。
陈玉清:研究。
阿纳斯·穆萨:研究。
范丽媛:研究。
张玉超:研究。
严东:监督、软件。
贾立超:监督、资金获取。张文英:负责写作、审稿与编辑工作,以及资金筹集。
利益冲突声明:作者声明不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。
致谢:本研究得到了中国国家重点研发计划(2024YFB4106400)、国家自然科学基金(52272245、52572271)以及湖北省科技计划(2024EHA045、2024BCB073)的财政支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号