《Energy Conversion and Management-X》：Leveraging machine learning for advanced flow field design in PEMFCs
编辑推荐：
本刊推荐：为解决PEMFC流场设计中氧传输受限和性能不均问题，研究人员开展了融合锥度渐变与周期性波动的复合平行流场设计及机器学习加速优化研究。通过构建三维两相CFD模型生成数据集，训练七种代理模型（CatBoost表现最优），结合NSGA-II多目标优化获得最佳几何参数（锥度比3.8、波幅0.57 mm、8周期）。该设计显著提升了氧浓度（达0.020 kmol·m?3）和均匀性指数（0.93），为高性能燃料电池堆的快速优化提供了新范式。
质子交换膜燃料电池（PEMFC）因其高效率和零排放特性，被视为交通和固定式发电领域最具潜力的清洁能源技术之一。然而，其商业化进程仍面临诸多挑战，其中，流场设计是影响电池性能、寿命和成本的关键因素之一。流场，即分布在双极板上的沟槽网络，负责将反应物（氢气和空气/氧气）输送至电极反应区域，并同时排出生成的水和热量。一个理想的流场设计需要在确保反应物均匀分布、有效的水管理和可接受的压降（与泵送功耗相关）之间取得精细的平衡。传统的流场设计，如平行流场、蛇形流场等，各有优劣。平行流场压降低，但容易因各通道流动阻力不均导致反应物分配不匀，造成局部“氧饥饿”或水淹，严重影响性能均匀性和耐久性。虽然已有研究尝试通过引入锥度（Tapering）或波形（Cycling，收敛-发散模式）等几何特征来改善流场性能，但如何将这两种创新设计有机结合，并系统优化其关键参数以协同提升氧传输的“量”（浓度大小）和“质”（分布均匀性），仍是一个待深入探索的课题。此外，基于计算流体动力学（CFD）的流场优化虽然精确，但计算成本高昂，难以进行大规模参数扫描。近年来，人工智能（AI）特别是机器学习（ML）代理模型与优化算法的结合，为快速、高效的流场设计开辟了新途径。
在此背景下，由Mehrdad Ghasabehi和Mehrzad Shams组成的研究团队在《Energy Conversion and Management-X》上发表了一项研究，提出了一种名为“循环锥形平行流场”的创新设计，并开发了一套结合CFD、机器学习和多目标优化的集成框架，旨在显著提升PEMFC的氧传输能力和整体性能。该研究的核心在于将平行流场的主通道进行锥度化设计（通道宽度沿流动方向线性减小），同时在子通道引入周期性收敛-发散（波形）结构。锥度设计旨在改善平行通道间的流量分配，减少流动不均；而波形结构则通过诱导二次涡流，增强通道内的混合和面向气体扩散层（GDL）的穿面质量传递。为了高效优化这一复杂几何结构的关键参数（锥度比TR、波幅a、周期数NOC）和操作条件（电压、压力、化学计量比），研究人员建立了一个严谨的数值流程。首先，他们利用经过实验验证的三维、非等温、两相CFD模型，通过全因子设计和中心复合设计（CCD）方法，系统生成了包含184个案例的高保真数据集，用于模拟不同几何和操作组合下燃料电池的性能，重点关注通道-GDL界面处的氧浓度大小和均匀性指数（UI）。随后，他们利用该数据集训练并比较了七种不同的数据驱动代理模型，包括自适应神经模糊推理系统（ANFIS）、人工神经网络（ANN）、响应面法（RSM）、随机森林（RF）、CatBoost、XGBoost和LightGBM。通过遗传算法（GA）对各模型进行超参数调优后，评估结果表明，CatBoost模型在预测氧浓度和均匀性指数方面均表现最优（测试集R2分别达0.9611和0.9569）。因此，研究选用CatBoost作为高效的代理模型，将其与多目标遗传算法NSGA-II相结合，以同时最大化氧浓度和均匀性指数为目标进行优化搜索，生成帕累托前沿（Pareto front），最后利用逼近理想解排序法（TOPSIS）从帕累托解中选出最优设计方案。
为开展研究，作者主要应用了以下几项关键技术方法：首先，基于有限体积法建立了三维、两相、非等态的多物理场CFD模型，用于精确模拟PEMFC内部的复杂传输和电化学反应过程，并通过网格无关性验证和与公开实验数据的对比确保了模型的可靠性。其次，采用实验设计（DoE）方法，结合全因子设计和中心复合设计，系统性地生成了覆盖广泛设计空间的184个CFD模拟样本数据集。第三，利用遗传算法对七种不同类型的机器学习代理模型进行超参数优化，并基于独立的测试集评估其预测精度，最终选定CatBoost作为快速优化工具。第四，将最优代理模型（CatBoost）与多目标优化算法（NSGA-II）和决策方法（TOPSIS）集成，构建了高效的CFD-AI优化工作流，用于快速探索设计空间并确定最佳流场配置。
案例研究
通过对比简单平行流场和结合了4个周期波形（波幅0.6 mm）及锥度比（TR=2）的复合流场在苛刻条件（电压0.3 V）下的性能，研究揭示了新设计的优势。CFD模拟结果显示，复合流场通过锥度设计显著改善了通道间的流速分布均匀性，将压降降低了93%。同时，波形结构诱导产生高强度涡流（涡量峰值约18,000 s-1，远高于简单流场的<500 s-1），增强了流动混合和穿面氧传输，使氧传输阻力降低了38%。内部现象分析表明，新流场有效消除了简单平行流场中出现的氧浓度“死区”，将局部氧浓度从约0.001 kmol·m?3提升至0.01 kmol·m?3，并改善了水管理和膜水合均匀性，从而提升了整体性能。
代理模型性能
对七种代理模型的全面评估显示，CatBoost在预测氧浓度大小和均匀性指数方面均表现最佳，其训练和测试集的R2值高，误差指标（MAE, RMSE, MAPE）低，且过拟合程度最小。XGBoost紧随其后，表现同样优异。而RSM和ANFIS等模型在处理高度非线性关系时精度相对较低。泰勒图（Taylor diagram）进一步证实了CatBoost和XGBoost的预测结果与CFD模拟数据在标准差、相关性和均方根误差方面最为接近。因此，研究选择CatBoost作为后续优化研究的可靠且高效的代理模型。
循环参数的交互作用
研究分析了周期数（NOC）和波幅（a）两个关键几何参数对氧浓度和均匀性的交互影响。结果表明，氧浓度大小通常随周期数增加而提高，且在较低至中等波幅下效果更明显；而均匀性指数则呈现非单调变化，在某些中等周期数和低波幅组合下可能出现均匀性暂时下降，但在周期数增至8时得以恢复并提升，这反映了锥度改善全局分布和波形增强局部传质之间需要平衡优化。最佳氧浓度出现在8周期、0.1 mm波幅附近，而最佳均匀性则在1周期、0.6 mm波幅时获得。
优化结果
多目标优化产生了针对两种工况的帕累托前沿：一是固定电压0.3 V（突出传质限制），二是电压可变（追求整体性能）。通过TOPSIS方法选出的最优解显示，在固定电压0.3 V下，最优几何参数为TR=3.7, a=0.33 mm, NOC=8，此时氧浓度和均匀性指数分别为0.01 kmol·m?3和0.77。在可变电压工况下，最优解为TR=3.8, a=0.57 mm, NOC=8，操作电压0.694 V，对应的氧浓度高达0.020 kmol·m?3，均匀性指数达0.93。与简单的平行流场基线相比，优化后的复合流场在0.3 V电压下将极限电流密度提高了96.9%，最大输出功率密度提升了45%。性能对比曲线清晰表明，优化设计在整个电流密度范围内均具有更高的功率输出。
本研究成功提出并优化了一种新型的循环锥形平行流场，通过结合锥度化和波形化的几何创新，协同改善了PEMFC的氧传输和水管理。研究证实，CatBoost机器学习模型能够高精度、高效率地预测复杂的流场性能指标。所建立的CFD-AI多目标优化框架，能够快速识别出能同时显著提升氧浓度水平和分布均匀性的最优设计参数。该研究不仅为开发高性能、长寿命PEMFC提供了具体的流场设计指南，也展示了一种将高保真仿真、数据科学和智能优化相结合的有效研发范式，对于加速燃料电池乃至其他能源转换装置的创新设计具有重要的方法论意义。研究成果为解决PEMFC中的关键质量传递限制问题提供了切实可行的方案，推动了清洁能源技术向更高效率和应用可行性迈进。
