三维非等温分支蛇形流场质子交换膜燃料电池的CFD校正神经网络代理模型与NSGA-II多目标优化

《Next Energy》：CFD-informed neural-network surrogate and NSGA-II multi-objective optimization of a 3D non-isothermal branched-serpentine PEM fuel cell

　　

本研究将经过实验验证的三维非等温计算流体动力学（CFD）模型与校准的降阶模型、神经网络代理模型及多目标优化相结合，研究对象为分支蛇形流场质子交换膜燃料电池（PEMFC）。CFD基线在0.5 V下给出1.03 A/cm2与0.515 W/cm2，与实验极化曲线及功率密度数据最大偏差低于4%。基于重新校准至该基线的半经验模型生成3000点拉丁超立方设计，训练128–128–64–32多层感知机；在保留测试集上电流密度、功率密度与电压效率的R2分别为0.99994、0.99997与0.99997，独立1024点Sobol设计精度相当。NSGA-II在Vcell=0.550 V、Top=333.15 K、xO?=0.205、RH=1.0、vcathode=1.40 m/s、vanode=0.197 m/s处给出折衷解，预测功率密度0.526 W/cm2、电压效率44.70%、校准热梯度代理值4.48 °C。局部扰动与残差自助分析显示效率与热均匀性改善稳健，功率增益稳健性较弱。同预算下MODE超体积最大。该框架提供透明的CFD校正筛选层，最终Pareto候选仍需直接三维CFD与实验确认。

研究背景方面，质子交换膜燃料电池（PEMFC）因高功率密度、快速启动与低排放广泛用于交通、固定电源及航天能源系统，NASA在Gemini、Apollo及航天飞机中已采用该类技术。PEMFC性能受水热管理、膜态、氧可达性与质子电导耦合控制，三维非等温CFD可解析局部物种、电流密度与温度分布，但直接CFD多目标优化计算成本过高。现有研究已证实流场构型与操作条件需协同优化，机器学习代理模型可加速筛选，但多数工作未严格区分“CFD验证量”与“代理预测值”。研究人员针对分支蛇形流场单电池，建立实验验证的三维非等温CFD基线，构造CFD校正的降阶数据库与神经网络代理，再用NSGA-II做三目标优化，并做鲁棒性与跨优化器基准，论文发表于《Next Energy》。

关键技术方法上，研究人员以Barati等实验条件为基准，在COMSOL类环境中求解质量、动量、组分、液水、膜水、能量与电荷七场耦合方程，网格收敛至274620单元，验证偏差<4%；以此基线校准半经验极化模型，用真正拉丁超立方抽样3000点生成六入三出数据库（V_cell、T_op、x_O?、RH、v_cathode、v_anode→电流密度、功率密度、电压效率），训练StandardScaler归一化、tanh激活、Adam优化、L2正则的128–128–64–32多层感知机；另用1024点Sobol与758边界点独立校验；NSGA-II（种群100×代数100）最大化功率密度与电压效率、最小化基线校准MEA热梯度代理ΔT_MEA,proxy=7.4·[i(1.48?V_cell)/(1.03(1.48?0.50))]·(0.82/v_cathode)^0.70，折衷点按0.5/0.25/0.25距理想点选取；鲁棒性用2%变量范围高斯扰动5000次加Sobol残差自助，优化器基准在同等1240次评估下比较NSGA-II、MODE、MOPSO超体积。

研究结果各节要点如下。模型建立与验证节：几何含阴极/阳极分支蛇形流道、GDL、CL、PEM与冷却区；七场方程在稳态层流理想气体假设下求解，Springer关系λ=0.043+17.81a_p?39.85a_p²+36.0a_p³耦膜水；七套网格中274620单元后平均电流密度变化<0.03%，选为基线；0.5 V下CFD给1.03 A/cm2、0.515 W/cm2、电压效率40.65%、MEA温差7.4 °C、压降约125 Pa、阴极O?摩尔分数降约44%、轴向电流0.94–1.44 A/cm2，与实验偏差<4%。CFD校正神经网络与NSGA-II节：半经验模型精确校准至基线工作点（V_cell=0.5 V、T_op=343.15 K、x_O?=0.146、RH=1.0、v_cathode=0.82 m/s、v_anode=0.103 m/s）使返回值吻合；MLP在保留LHS集上三输出R2>0.99994，独立Sobol集R2>0.99995，边界子集R2≥0.999955；NSGA-II折衷点为V_cell=0.550 V、T_op=333.15 K、x_O?=0.205、RH=1.0、v_cathode=1.40 m/s、v_anode=0.197 m/s，代理预测i=0.955 A/cm2、P=0.526 W/cm2、η_V=44.70%、ΔT_proxy=4.48 °C，较基线功率+2.17%、效率+4.05 pp、热梯度?39.5%。结果与讨论节：极化曲线由电压扫描主导，高阴极流速主要在浓差区获益；One-at-a-time敏感分析中V_cell为效率直接控制项；鲁棒扰动下功率均值0.522 W/cm2（95%区间0.476–0.567），效率44.73%（43.36–46.11%），热代理4.46 °C（3.87–5.09 °C），效率与热均匀性100%优于基线、功率仅62.2%概率优于基线；同预算20种子下MODE超体积0.633±0.007最高，MOPSO 0.594±0.014次之，NSGA-II 0.555±0.015再次。设计启示节给出五条准则：阴极流速需权衡泵功、操作电压取0.55 V附近兼顾效率与耐久、全湿改善膜导但需防淹、分支蛇形压降约125 Pa但优化点压降须重算CFD、代理仅限域内快速筛选且堆级需补歧管/接触电阻/瞬态水管理。

讨论与结论翻译浓缩：研究人员指出该框架贡献在于修正抽样与校准实现、分离CFD证据与降阶预测、加入独立数值校验与局部鲁棒性、跨优化器基准；CFD基线0.5 V下1.03 A/cm2与0.515 W/cm2、MEA温差7.4 °C、压降约125 Pa、实验偏差<4%；神经网络在LHS与Sobol集R2均>0.99994属域内数值泛化而非独立实验验证；NSGA-II折衷点代理预测功率0.526 W/cm2、效率44.70%、热代理4.48 °C，较基线功率仅+2.17%而效率+4.05 pp、热梯度?39.5%；鲁棒分析显示效率与热指标全面占优、功率仅62.2%扰动样本占优，MODE超体积最大故不宣称NSGA-II最优；局限为数据库来自CFD校准半经验模型而非数千独立三维CFD、热目标为校准代理、优化点压降未重算、缺原始CFD时钟与离域实验集；未来应对Pareto候选做全三维CFD重算与多湿度温度流量实验，并向瞬态两相、退化感知、堆级歧管与夹紧电阻扩展。该研究意义是为分支蛇形PEMFC提供透明可复现的“CFD校正—代理筛选—Pareto排序”链路，把物理验证量与数据驱动预测量边界显式化，最终确认仍回归全CFD与实验。