基于人工神经网络的Nafion 112质子交换膜燃料电池电压预测模型研究

《Journal of Computational Science》：Machine learning in proton exchange membrane fuel cell studies: Nafion 112 membrane

本综述创新性地将人工神经网络（ANN）应用于质子交换膜燃料电池（PEMFC）研究，通过输入电流密度、膜相对湿度等参数，成功构建了可快速预测电池电压与离聚物含量的机器学习模型。该模型采用Swish激活函数，仅需10秒即可生成误差（RMSE）低至3%的极化曲线，相比传统计算流体动力学（CFD）方法效率提升显著，为燃料电池优化设计提供了高效新范式。

　　

章节精选

激活函数概览

激活函数的选择取决于所要解决的问题。大多数激活函数是非线性的，不过线性函数也确实存在，并且常被用于回归问题中以加速训练。线性函数定义为 f(z) = cz，它输出一个按常数缩放的输入值。

恒等函数，I(z) = z，是线性的，原样输出输入值。这通常用于回归模型的输出层。

S型函数（Sigmoid），Sig(z) = 1/(1+e^-z)，将输入映射到一个概率值。

燃料电池中多相流的机器学习

多相流建模用于分析和优化聚合物电解质膜燃料电池（PEMFC）的性能，这类电池常受水管理问题的困扰。

Nafion 112膜的数值结果

Nafion膜被广泛应用于汽车燃料电池领域。Nafion 112是杜邦公司生产的商用膜，是Nafion 117的更薄版本。Nafion的独特结构在于，它由一个疏水的聚四氟乙烯（PTFE）主链（由碳原子和氟原子构成）和亲水的侧链（包含磺酸基团-SO₃H）组成。这种组成使得该材料在水合时能形成分离的亲水区和疏水区。这种相分离的...

结论

本研究开发了一个基于人工神经网络（ANN）的机器学习模型，该模型使用电流密度、Nafion 112膜相对湿度和膜压缩等输入变量，来预测不同操作条件下的燃料电池电压和所需离聚物百分比。

从在15 psi压力下记录的实验数据集中，80%用于训练模型，20%留作测试。Swish激活函数因其平滑的梯度行为而成为优选。