基于人工智能的质子交换膜燃料电池建模

《Results in Engineering》：Artificial Intelligence Based Modeling of Proton Exchange Membrane Fuel Cells

　　

研究人员提出了一种基于人工智能（AI）的框架，即人工神经网络（ANN）结合源差分（SD）方法，命名为SD-ANN，作为数据驱动的工程工具用于提升质子交换膜燃料电池（PEMFC）在多种工况下的性能预测。在该框架中，ANN基于由实验数据和PEMFC解析模型生成的理论数据组成的混合数据集进行训练。电流、温度、压力、PEMFC阳极和阴极侧的化学计量比以及相对湿度作为ANN的输入变量。ANN的输出代表实验端电压与解析端电压之间的差值。ANN的架构通过灰狼优化（GWO）算法进行优化以获得最大精度。所提出的模型获得了0.0016的均方根误差（RMSE），而解析模型的RMSE为0.0221，显示出更高的精度水平。此外，该模型被用于分析不同工况对PEMFC性能的影响。研究发现，最优性能对应于PEMFC的功率为10.154 W，在电流为18 A、温度为60°C、阳极化学计量比为5、阴极化学计量比为2、压力为1 bar、阳极和阴极相对湿度均为90%的条件下达到。

燃料电池作为一种清洁高效的能源转换技术，通过电化学反应将氢气等燃料中的化学能直接转化为电能，相较于传统燃烧发动机可显著减少污染物排放，因而受到广泛关注。质子交换膜燃料电池（PEMFC）因具有高效率、低排放、快速启动及低温运行（70-90°C）等优势，已广泛应用于汽车、固定式发电、便携式电子设备及电厂等领域。PEMFC的核心组件包括聚合物电解质膜、电极、双极板（BP）及集流器等，其中电极结构由气体扩散层（GDL）、微孔层（MPL）和催化层（CL）三部分组成。在氢气氧化反应（HOR）中，氢气分子在阳极失去电子形成质子与电子；质子经质子交换膜（PEM）选择性渗透至阴极，而电子则经外部电路流向用电设备；在阴极，氧气分子与质子、电子结合发生氧气还原反应（ORR），总反应生成水、电能和热能。

尽管PEMFC具有诸多优势，但其大规模应用仍面临成本高、耐久性与寿命不足、催化剂降解、膜稳定性差、材料在多样工况下的适应性以及氢气燃料的妥善维护等挑战。在PEMFC设计中，必须考虑其在多种实际工况下的性能表现，而获取充分的实验数据既耗时又昂贵。因此，开发能够精准预测PEMFC实际工况性能的高精度模型对于降低设计成本、加速设计进程至关重要。解析模型虽已被用于PEMFC研究，但受限于简化假设，其效率和预测精度往往难以满足实际需求。

近年来，将物理知识与机器学习（ML）技术相结合的混合建模方法受到关注。尽管卷积神经网络-长短期记忆网络（CNN-LSTM）、CNN-双向LSTM（CNN-BiLSTM）及基于Transformer的模型在时序退化追踪和剩余使用寿命估计方面展现出潜力，但这类模型通常需要大规模连续的时序数据集且计算复杂度高，在实验数据稀疏、昂贵且不连续的工程实际中应用受限。此外，注意力机制和Transformer类模型在有限PEMFC数据集上训练易出现过拟合，且在不同工况间泛化能力不足。在此背景下，研究人员提出将ANN与SD方法集成的SD-ANN框架，以实现对有限实验数据的高效学习，同时保持鲁棒性和泛化能力。

该研究的核心创新在于：首先，构建了基于源差分的建模框架，ANN训练于解析物理模型电压与实验测量电压之差，从而减少了对大量实验数据的依赖；其次，该框架将验证后的解析模型中嵌入的物理知识与数据驱动学习相结合，在保持物理可解释性的同时提升预测精度；第三，通过GWO算法优化ANN架构以实现最大精度；第四，证明了SD-ANN在电流、温度、压力、阴阳极化学计量比及相对湿度等广泛工况变化下的适用性。研究所用数据集来源于Salva等人提出的1D解析模型及文献[31]中的实验结果，操作范围对应于常规低温PEMFC系统的实际工况。

在技术方法层面，研究人员首先基于Nernst方程、Tafel简化、Springer方程等建立了包含活化过电位、欧姆过电位和浓差过电位的PEMFC解析模型。随后构建了四层ANN，输入层接收电流（I）、操作温度（T）、压力（P°）、阳极化学计量比（λ_a）、阴极化学计量比（λ_c）及相对湿度（RH_a/c>）六个参数，输出层为解析模型与实验数据的电压差ΔV_ANN。网络采用双曲正切（tanh）激活函数，数据集包含1020个样本，其中10%留作最终测试，剩余90%按7:2:1划分为训练、验证和测试子集。通过GWO算法重复60次迭代优化隐藏层神经元数量，最终选定n₁=10、n₂=8的简化架构。SD-ANN的工作原理为：ANN学习解析模型与实验数据间的系统误差，训练完成后将ΔV_ANN作为修正项叠加至解析模型输出，得到最终预测电压V_SD-ANN = ΔV_ANN + V_anal。

研究结果显示，解析模型验证方面，在两个测试条件下RMSE均为0.0144，MARE约为1.07%，与实验数据吻合良好。SD-ANN模型性能方面，训练过程中MSE呈下降趋势，在第49个epoch达到最小验证误差5.4632×10^-5；散点图表明训练和泛化阶段均具有优异精度。与解析模型相比，SD-ANN的RMSE从0.0221降至0.0016，MARE从2.009%降至0.249%，精度提升约一个数量级。相对湿度影响分析表明，随RH增加电池输出电压升高，SD-ANN在RH=35%、60%、90%时的RMSE分别为0.0008、0.0013、0.003，平均0.0017，显著优于解析模型。

工况优化分析揭示了极值性能对应的操作条件。最大性能条件（功率10.154 W@18 A）为：温度60°C、阳极化学计量比5、阴极化学计量比2、压力1 bar、阴阳极RH均90%；低电流时提高温度、RH及化学计量比可改善性能，高电流时则需适当降低温度以减少膜离子电阻。最小性能条件（功率4.697 W@8 A）为：温度50°C、阳极化学计量比1.5、阴极化学计量比5、RH 40%，该组合导致最高的活化损失。与已有AI-PEMFC模型对比，SD-ANN以RMSE 0.0016优于所有先前报道模型。

讨论部分，SD-ANN框架通过利用解析模型的物理约束和实验数据的真实信息，实现了对PEMFC性能的精准预测。该混合方法既克服了纯数据驱动方法对大量实验数据的需求，又弥补了纯物理模型简化假设导致的精度不足。研究证实，SD-ANN可作为PEMFC设计与优化的可靠工具，为有限数据条件下的燃料电池性能预测提供了有效的工程解决方案。

研究结论部分翻译：SD-ANN框架被用于研究不同工况下PEMFC的性能表现。ANN架构通过GWO算法优化以实现最大精度。ANN基于PEMFC解析模型端电压与实验测量值之差进行训练。研究结果表明：（i）SD-ANN模型展现出卓越的预测精度，其RMSE（MARE）为0.0016（0.249%），而解析模型为0.0221（2.009%），精度提升约一个数量级；（ii）与同类AI-PEMFC模型相比，SD-ANN在结果RMSE方面具有优势；（iii）SD-ANN模型用于评估PEMFC在不同工况下的性能，与实验结果高度吻合。该研究表明，所提出的基于AI的SD-ANN框架优于所有先前模型，可作为PEMFC设计与优化的可靠工具。