基于特征感知逆向映射估计器的质子交换膜燃料电池逆向设计研究

《IEEE Open Journal of the Industrial Electronics Society》：Characteristic-Aware Invertible Neural Networks for Explainable Estimation of Operational Parameters for Proton Exchange Membrane Fuel Cells

　　

摘要：

质子交换膜燃料电池（PEMFC）的实际设计通常采用目标驱动方式，即指定期望的性能，然后确定相应的系统条件。然而，解决这种逆向任务仍然具有挑战性，主要是因为从性能特征映射到相应系统条件高度非线性、非唯一，且计算成本高昂，特别是在需要重复进行多物理场仿真或优化循环时。传统机器学习架构往往以无信息的方式将多个可行解坍缩为单一估计值，因此无法表示同样有效的解族。本工作提出了一种特征感知逆向映射估计器（ChIME），用于PEMFC的逆向设计。该框架首先使用曲线形状分类器拒绝非物理输入特征，然后使用条件可逆神经网络学习性能特征与底层系统参数空间之间的双射映射，为每个输入生成10,000个后验样本。采用聚类和前向一致性评估的知情降选策略，为给定的性能特征推荐最可行的工程决策。因此，在习得代表性且最大前向可重构性的条件下获得估计值。我们的策略提供了更稳定的后验估计，总体R²达到86.02%，相对误差百分比为11.20%，比既定的最大后验方法高出21.82%。进一步的功能重要性分析表明，系统参数的可恢复性与其逆向特征敏感性直接相关。总体而言，ChIME为性能驱动的PEMFC系统参数估计提供了一条可靠、可解释且高效的途径，无需对多物理场数值模型进行穷尽式迭代。