一种质子交换膜燃料电池流道挡板结构的设计方法

本发明涉及燃料电池领域，具体涉及一种质子交换膜燃料电池流道挡板结构的设计方法。

背景技术：

1、燃料电池是一种通过电极反应将燃料中的化学能直接连续地转化为电能的电化学装置，质子交换膜燃料电池(proton exchange membrane fuel cell，pemfc)是目前技术成熟度最高、应用最广泛的燃料电池，它不仅具有能量转换效率高和环境友好等燃料电池一般优势，而且还具有工作温度低和启停响应快等独有优势，未来可用于汽车动力源、分布式发电或无人机等应用场景。

2、双极板是pemfc的重要组成部分，双极板的重量和成本分别占到整个燃料电池的60％和30％；它的主要作用包括：支撑膜电极、传导电流、输运并分配反应气体及排除液态水等；双极板表面包含流场结构，流场结构设计对于双极板性能有着重要的影响。诸多研究已经证明，在流道中加入垂直于气流方向连续阻挡气流挡板结构，能够增加反应气体与气体扩散层的对流传质；在上述的挡板中留有一定的“间断”，则气流流经挡板时，除去一部分会被引流到气体扩散层当中外，还有一部分会从挡板的间断处流过，增加在流动平面内气体的扰动，增加了反应物分布的均匀性，对电池性能提升有积极作用。但是，受制于燃料电池问题的复杂性，以及传统挡板设计方法的局限性，难以真正将对流传质和平面扰动，两个因素处理好，实现电池的单目标乃至多目标性能优化。

3、近年来，随着人工智能和智能优化算法的发展，智能设计在综合考虑多方面的影响得到最优解的问题上，具有突出优势，上述传统设计方法所面临的问题，有望从新技术的发展中得到解决；但是，人工智能所处理的问题，大都是数据问题；如何将挡板结构进行数据化表示，如何将数据化的挡板结构信息使用人工智能耦合多目标优化的方法进行优化，如何将优化结果重新转换成几何结构的形式；这都是制约智能设计方法应用于挡板结构设计的难题，也是本发明所要解决的问题。

技术实现思路

1、针对以上现有技术存在的问题，本发明提出了一种质子交换膜燃料电池流道挡板位置的设计方法，利用人工智能耦合多目标优化算法来优化挡板结构，综合权衡对流传质和平面扰动之间的关系，最终实现对电流密度、气体压降和氧气均匀度系数三个性能指标的优化。

2、本发明的质子交换膜燃料电池流道挡板结构的设计方法，包括以下步骤：

3、1)划分挡板位置：

4、首先，在流道中沿流道方向均匀划分m行挡板位置，行挡板位置垂直于流道方向，将每一行挡板位置进行n等分，获得m行n列挡板位置，挡板位置的数量为m×n个，挡板位置的宽度为流道的宽度n分之一，m和n为自然数；

5、2)设定映射关系：

6、在一个挡板位置设置挡板，此挡板位置赋值为1，在挡板位置不设置挡板，此挡板位置赋值为0，以“1”或“0”表示一个挡板位置是否设置挡板的挡板信息，每一行挡板位置是否设置挡板是一个n位“1”或“0”的排列，对应是一个n位二进制数，表示一行挡板信息，并规定方向，最右侧的挡板位置，为n位二进制数的最低位，记每一行挡板信息对应的二进制数为一组，每一组二进制数的位数与挡板位置的列数一致，二进制数的组数与挡板位置的行数一致，即二进制数的组数为m组，以这m组二进制数表示双极板的流道的m行挡板信息，对应双极板的挡板结构，得到挡板信息与二进制的映射关系；

7、3)数制转换：

8、将代表一行挡板信息的二进制数转换为十进制数，以每一个十进制数代表流道中一行挡板信息，十进制数的个数与挡板位置的行数一致，即十进制数的个数为m个，以多个十进制数表示流道中的多行挡板信息；

9、4)获取试验点：

10、试验点是指代表m行挡板信息的十进制数据排列；采用抽样算法在0到7之间(包含0、7)的十进制数中每次抽取m个十进制数，分别给每一行挡板位置，赋予一个十进制数，m行挡板信息构成了m维十进制数据向量，每次抽取的一个m维十进制数据向量作为一个试验点；对试验点进行多次随机抽样，得到多个试验点；

11、5)模拟试验点：

12、先将每一个试验点的每一维十进制数转换为n位二进制数；再根据步骤2)中定义的映射关系，将二进制数中的“0”或“1”，分别逐行逐列的对应于流道中不同行和列的挡板位置处挡板的有无，从而建立试验点和所对应的真实流道的挡板结构之间的联系；将试验点所对应的具有不同流道的挡板信息，分别送入到三维单相非等温稳态pemfc模型中进行模拟，得到将要进行优化的多个燃料电池性能指标；三维单相非等温稳态pemfc模型的输入为不同试验点所对应的不同挡板结构的双极板几何模型及统一的模型边界条件，模拟结果为不同挡板结构下所对应的燃料电池性能指标，将试验点作为输入，其所对应的模拟结果作为输出，组成输入输出一一映射的原始数据集，用于后续代理模型的训练和精度验证；

13、6)构建并训练代理模型：

14、构建人工神经网络(artificial neural network，ann)作为三维单相非等温稳态质子交换膜燃料电池(pemfc)模型的代理模型，针对每一个燃料电池性能指标分别建立相应的代理模型，每一个代理模型基于人工神经网络构建；将原始数据集分为训练数据集和测试数据集，采用训练数据集训练人工神经网络的连接权重和阀值，使人工神经网络能够更加准确的得到预测结果，然后采用测试数据集验证人工神经网络对于未知数据的预测能力，从而评估训练的误差；通过代理模型，建立了试验点与燃料电池性能指标之间的映射关系，得到训练好的代理模型；

15、7)获得帕累托最优解集：

16、针对所要优化的燃料电池性能指标，分别设置所对应的目标函数，采用多目标优化算法，同时对多个目标函数进行优化，得到帕累托最优解集；

17、8)确定唯一最优解及所对应的几何结构：

18、采用熵值法确定权重的优劣解距离法，对帕累托最优解集中的解，进行综合评价，将综合评价得分最高的解，确定为唯一最优解；此时的唯一最优解，是m维十进制数据向量，先将m维十进制数据向量逐行经过数制转换，转换成m组二进制数，再根据步骤2)中二进制数与流道中的挡板信息的映射关系，获得最优的流道的挡板信息，对应于流道中最优的挡板结构。

19、其中，在步骤1)流道的宽度为0.4～4mm，挡板位置的宽度为0.13～1.33mm。相邻的两个挡板之间的间距为2～5mm；n≤3。

20、在步骤4)中，抽样算法采用拉丁超立方抽样(latin hypercube sampling,lhs)。试验点的个数为大于1000，试验点的个数越多，训练数据量越大，训练的代理模型精度越高，权衡精度和经济性，一般选用1000～3000个试验点。

21、在步骤5)中，燃料电池性能指标包括：电流密度、阴极流道气体压降以及阴极侧气体扩散层与催化层交界面氧气均匀程度系数中的多种。

22、在步骤6)中，对电流密度建立第一代理模型，对阴极流道气体压降建立第二代理模型，对阴极侧气体扩散层与催化层交界面氧气均匀程度系数建立第三代理模型；训练完成的代理模型(surrogate model)，通过下式表示：

23、

24、其中：第一代理模型的输出为模型拟合的电流密度i；第二代理模型的输出为模型拟合的阴极流道的气体压降δdrop；第三代理模型的输出为模型拟合的阴极侧气体扩散层与催化层交界面氧气均匀程度系数γ；x1,x2…,xm，分别表示代表挡板信息的m个十进制数字；sm1～sm3代表第一至第三代理模型。

25、在步骤7)中，由于燃料电池本身问题的复杂性，往往优化一个性能指标，就要以降低其它方面的电池性能为代价，所以使用传统的挡板结构设计方法，很难全面的提升电池多方面的性能指标，而使用智能优化算法进行多目标优化，是这一难题的很好解决方法；将第一代理模型输出的负值作为第一目标函数，第二代理模型输出作为第二目标函数，第三代理模型输出的负值作为第三目标函数，同时对第一至第三目标函数进行优化，得到帕累托最优解集；使用的多目标优化算法为第二代非支配排序遗传算法(non-dominatedsorting genetic algorithms-ⅱ，nsga-ⅱ)，进行综合寻优，获得帕累托最优解，得到代表挡板信息的最优十进制数据排列。

26、具体而言，本发明所进行最优的挡板结构优化的目的是在提升电流密度和氧气均匀程度的同时，降低阴极流道的气体压降；所述的多目标优化的目标函数构建过程：

27、多目标优化的目的，如下式所示：

28、min[f1(x),f2(x),f3(x),…,]

29、

30、式中fi(x)(i＝1,2,3,…)为所使用的第i个目标函数，其中x表示变量；其中a、b表示变量x的上下限；c×x＝d是x的线性等式约束；e×x≤f是x的线性不等式约束。

31、在目标函数之间，可能存在一定的矛盾，一个解在某个目标上是最好的，在其他的目标上可能是最差的。这些在改进任何目标函数的同时，必然会削弱至少一个其他目标函数的解称为非支配解或帕累托解。一组目标函数最优解的集合称为帕累托最优解集。

32、本发明中的三个目标函数，分别是由代理模型的预测输出构建的电流密度的负值、由代理模型的预测输出构建的阴极流道的气体压降以及由代理模型的预测输出构建的阴极气体扩散层与气体催化层交界面的氧气均匀度系数的负值。为了保证优化得到的代表挡板信息的十进制数据，能够正常的转译为对应的几何结构，应当在目标函数的输入变量中，加入约束条件，加入约束条件后的目标函数可用下式表示：

33、

34、则多目标优化的优化目的表示为：

35、min[f1,f2,f3]

36、s.t.x1,x2,…,xm∈[0,7]

37、x1,x2,…,xm∈n

38、通过采用多目标优化算法(nsga_2)，来解决上述的多目标优化问题。算法从种群的初始化开始。五个输入变量，即试验点中的每个十进制数据，构成了种群中的一个个体。设置最大的迭代轮数，达到最大迭代轮数，优化停止。这里设置的种群大小为500，最大遗传代数为200，停止代数为200，适应度函数偏差为1e-100。迭代结束后，输出满足优化目的的帕累托最优解集。

39、在步骤8)中，通过多目标优化算法获得的最优解，是以解集的形式出现，根据算法的定义，解集中的解，都是帕累托最优；但是在算法寻优的过程中，没有考虑各个优化指标重要性不同的影响，在实际的问题中，需要结合指标的重要性关系，从多组解中确定最合适的唯一解；本发明采用“熵值topsis”方法来确定唯一解，将熵值法与逼近理想解排序法或优劣解距离法(topsis，technique for order preference by similarity to idealsolution)进行了结合，是一种比topsis更精确的综合评价方法。首先利用“熵值法”确定所提出的性能指标对于电池最终性能提升的重要性权重；之后结合指标的权重，利用topsis方法确定解集中各解的综合得分，得分最高者，确定为最优解。

40、本发明的优点：

41、本发明首先划分挡板位置；之后，采用二进制映射和数制转换，将流道中挡板结构进行数据化处理得到挡板信息；利用数据化的挡板信息和对应的模拟结果，训练神经网络作为代理模型，将代理模型与多目标优化算法进行结合，得出最优的挡板信息，进而得到最优的挡板结构；本发明成功的利用人工智能结合多目标优化算法的方法，设计得到各行各列挡板位置上有无挡板的最优的排列，最终得到最优的挡板结构，克服传统设计方法所设计的挡板，难以综合对流传质和流动平面内气体扰动的影响，来实现对多个相互牵制的电池性能指标同时优化的局限性，全面优化燃料电池双极板的性能。