《Fuel》：Unveiling compensatory flow in PEM fuel cells assisted by machine learning
编辑推荐：
燃料电池补偿性流动的机器学习优化及多尺度验证，通过建立GFC-GDL流动模型，结合单因素分析与随机森林特征重要性评估，利用遗传算法确定GDL孔隙率为最高优化优先级，实现功率密度提升0.03 W·cm-2，并验证多路集成布局的鲁棒性。
王斌|潘伟同|田新明|唐龙飞|陈雪莉|王福辰
华东理工大学清洁能源技术研究所，中国上海200237
摘要
由于非均匀流动分布引起的补偿流动能够提升扩大规模的质子交换膜（PEM）燃料电池的性能，因此具有很大的潜力。然而，影响这种补偿流动的因素尚未得到全面阐明。本研究旨在借助机器学习技术揭示补偿流动的机制。首先，建立了一个气体流动通道（GFC）- 气体扩散层（GDL）流动模型，并逐一分析关键几何参数和操作参数对流动的影响，确定了增强补偿流动的因素，包括通道间的压力差增大、渗透性提高或传输距离缩短等。其次，采用随机森林方法进行多因素评估，并结合斯皮尔曼（Spearman）和皮尔逊（Pearson）相关系数来分析各因素的重要性。根据高效增强补偿流动同时避免增加流动阻力的原则，发现GDL的孔隙率是最高的设计优先考虑因素，而操作压力则优先级最低。随后利用遗传算法获得最优解，此时补偿流动速度为1.666 m·s?1，压力降为2.967 × 104 Pa，实现了有效的权衡。第三，对流动模型进行额外模拟以验证最优解的准确性。全尺寸燃料电池模型的仿真结果表明，补偿流动提高了电池功率密度，且没有带来额外的寄生损失，使净功率密度从0.875 W·cm?2提升至0.905 W·cm?2，验证了最优解对电池性能的积极效果。最后，将这一设计扩展到集管集成布局中，证明了其在自然流动分布下的鲁棒性。随着集管尺寸的减小，FUI从12.74%增加到72.55%，电流密度也从2.332 A·cm?2提升至2.426 A·cm?2。
引言
全球能源需求的增长和净零排放目标正在推动能源转换和利用的深刻变革[1]，[2]。由于氢能源的清洁属性[3]，[4]，其战略重要性日益凸显。2024年全球氢需求量接近100百万吨[5]。质子交换膜（PEM）燃料电池因其高能量效率、快速动态响应和短加注时间[6]，[7]，[8]而被广泛认为是最具前景的氢能利用技术之一。它们在固定电源生成、便携设备以及交通运输领域[9]，[10]，[11]具有广泛的应用潜力。然而，要实现2030年的目标——即使用寿命达到25,000小时、系统成本为80美元·千瓦（80 $·kW?1）和效率达到68%[12]，[13]，仍需持续的技术进步。
流场板（FFPs）约占燃料电池总体积和重量的80%[14]，[15]，占系统总成本的10%至15%以及堆栈成本的20%至30%[16]，[17]。这些特性凸显了流场板的关键作用。流场板内部包含气体流动通道（GFCs），它们将反应物输送到多孔电极并及时排出产物水，因此优化流场设计至关重要[18]，[19]，[20]。传统的流场架构包括平行结构、蛇形结构、交错结构和针状结构[21]，[22]。最近，仿生结构和金属泡沫结构也出现了[23]，[24]，[25]。其中，平行结构在学术研究和工业实践中最为广泛应用，因为它们具有成本效益、良好的可制造性和较低的压力降[26]，[27]。需要强调的是，其传质能力仍处于较低水平[28]，[29]。这一限制与其架构密切相关，主要由平行通道单元和集管组成，传质的上限主要受通道单元的限制，因为通道单元在向多孔电极输送反应物方面起着关键作用[30]，[31]。
关于平行通道的改进策略，主要参数包括通道长度、高度、宽度、横截面形状以及通道与肋条的比例[32]，[33]，[34]，[35]。从结构优化的角度来看，加入挡板可以在高温高湿条件下改善水管理，而其自适应特性有助于实现最佳电流密度[36]，[37]。在此基础上，结合凹槽结构可以有效降低压力降，实现协同优化[38]。此外，辅助通道有助于形成主流支撑流动框架，增强对流通量，从而提高电池性能[39]。在通道表面引入类似呼吸纤毛的结构可以实现定向和高速的主动排水[40]。尽管取得了显著进展，但实际应用的燃料电池汽车（如丰田MIRAI II和本田CR-V e: FCEV）仍采用波浪形或收敛-发散式改进[41]，[42]。有趣的是，这两种布局都诱导了跨肋条流动，有效减少了肋条下的反应物消耗[43]，[44]。随着活性区域的扩大，这一特性得到进一步增强，从而提高了电流密度，支持了在更高功率需求下的燃料电池应用[45]。
另一方面，传质的下限主要由集管决定。集管的作用是将反应物引导至平行通道单元，确保反应物均匀输送到活性部位，为充分发挥电化学性能提供了前提。集管类型主要包括连续型和分支型[46]。修改集管的形状或进出口布局也是实现均匀流动分布的有效方法[47]，[48]。当燃料电池的活性区域增加到约100平方厘米（100 cm2）时，集管必须相应扩大，以形成分布/收集区（统称为过渡区），防止流动均匀性的下降[49]，[50]。常见的过渡区布局分为通道型和点阵型[51]，[52]。在通道型布局中，反应物被限制在预定义的路径中，表现出受限的流动行为；而在点阵型布局中，气体在障碍物周围流动，形成旁路流动模式。然而，这两种布局分别存在设计灵活性不足和压力降较高的问题，因此出现了基于网格和拓扑优化的过渡区[53]，[54]，[55]。值得注意的是，这些进展基于一个广泛认可的原则：流动均匀性与电池性能呈正相关[56]，[57]。
进一步分析发现，在特定条件下，这两个变量表现出负相关，这一现象主要由之前的跨肋条流动所导致[58]。这种流动模式可以通过气体扩散层（GDL）将高速度通道的反应物输送到低速度通道，逐渐平滑入口速度的差异[56]。因此，这种流动也可以称为补偿流动。有趣的是，即使在未经结构改动的平行直通道流场中，它也能进一步提升性能。因此，这种策略可以在相同的目标电流密度下降低制造难度和结构复杂性。
随着人工智能的快速发展，机器学习已成为燃料电池技术创新的强大工具[59]，[60]。这些数据驱动的方法不仅具有出色的预测能力，还能捕捉多个参数之间的相互作用及其对电池性能的影响[61]，[62]，同时避免了传统逐点数值模拟所需的大量时间和资源[63]，[64]。在此基础上，结合优化算法可以将搜索过程从局部优化扩展到全局探索，从而实现真正的全域最优解[65]，[66]。
总体而言，补偿流动在保持结构简洁性和提升放大尺度性能方面展现出显著潜力。然而，对其起源的研究仍主要局限于通道长度、宽度和高度等几何因素。换句话说，对于燃料电池分层流动框架中这一现象的全面系统理解仍然不足。此外，尚未建立一致的设计原则，阻碍了实际工程应用。本研究旨在借助机器学习揭示补偿流动的机制。首先，建立了一个包含GFC和GDL的流动模型，并逐一分析关键几何参数和操作参数，阐明了补偿流动的增强机制。其次，使用随机森林方法进行多因素评估以确定各因素的重要性，然后利用遗传算法找到最优解。第三，再次进行仿真，并将模型应用于全尺寸PEM燃料电池进行验证。最后，将最优设计扩展到集管集成布局，以证明其鲁棒性。
计算领域
鉴于燃料电池中传输过程与电化学反应之间的复杂耦合，在这一层面解析补偿流动仍然具有挑战性。因此，构建了一个包含双通道（Ch-1和Ch-2）GFC和GDL的流动模型以进行针对性分析。在阐明流动行为后，进一步使用全尺寸模型进行研究。计算领域涵盖了阳极和阴极气体流动通道（AGFC和CGFC）。
结果与讨论
首先，使用流动模型逐一分析GFC和GDL的几何参数以及操作参数。其次，通过应用机器学习和遗传算法研究多因素效应。最后，通过额外仿真和全尺寸模型验证最优解。最后，将设计扩展到集管集成布局，以证明其在自然流动分布下的鲁棒性。
结论
首先，建立了一个包含GFC和GDL的流动模型，并逐一分析关键几何参数和操作参数，阐明了补偿流动的增强机制。其次，采用机器学习方法进行多因素评估并确定各因素的重要性，然后应用遗传算法获得最优解。第三，使用流动模型进行额外仿真以验证结果。
CRediT作者贡献声明
王斌：撰写 – 审稿与编辑，撰写 – 原稿撰写，可视化，验证，软件开发，方法论，研究，形式分析，数据整理，概念构建。潘伟同：撰写 – 审稿与编辑，项目监督，方法论，研究，概念构建。田新明：可视化，研究。唐龙飞：研究。陈雪莉：项目监督，项目管理，研究。王福辰：项目监督，项目管理，资金提供
利益冲突声明
作者声明没有已知的竞争性财务利益或个人关系可能影响本文的研究结果。
致谢
本研究得到了国家重点研发计划（2024YFB4006705）的支持。
