刘建国/邢磊CEJ: 机器学习+多物理场模拟缓解PEM燃料电池中的氮气渗透

质子交换膜（PEM）燃料电池阳极的氮气渗透（NGC）和积累是不可避免的，它会导致性能下降，甚至对功能部件造成不可逆的损害。为了缓解这个问题，研究人员建立了多物理场数值模型（MNM）来描述NGC行为并进一步指导实验研究。然而，为了获得抑制NGC并保持高性能的优化参数，在MSM上进行的网格搜索将花费无法承受的计算资源和时间。

为此，南京大学刘建国教授、英国牛津大学访问学者邢磊研究员等人创新性地引入了机器学习辅助 MNM（MSM-ML）作为代理模型，其中比较了9种最先进的机器学习算法以极大地提高该工程问题的解决效率。

其中，该模型主要包括4个部分：MNM的建立和验证、数据库构建、机器学习代理建模及多变量优化。首先，作者在商用软件平台COMSOL Multiphysics 5.5a上构建了二维稳态机理模型来描述PEM燃料电池中的NGC，并通过实验验证构建了一个包含6个参数的数据库，这些参数对电池电流密度和NGC有很大影响。

其次，通过超参数自适应网格搜索对机器学习领域广泛使用的9种算法进行训练、优化，并通过SHAP进行解释。然后，通过算法竞争获得电流密度和NGC系数回归的最佳机器学习模型。最后，使用粒子群优化算法搜索6个研究参数的全局最优组合。

图1. 每种算法的电流密度回归参数重要性及权重均值（WM）总结

作者将本研究的主要发现总结如下：

a）N₂的积累大大降低了PEM燃料电池的性能。经测量，最大电池功率密度损失为28.9%；

b）NGC系数在6维参数空间的分布表明各参数对NGC的影响是非单调的。因此，有必要引入一些先进的策略来更快地进行全局优化；

c）创新地分割参数空间以寻找和验证每个参数的局部机制，回归路径比较和参数重要性排序增强了机器学习模型的可靠性；

d）在优化范围内，当相对湿度为100%、流道深度为2.32 mm、膜厚度为10µm、气体扩散层厚度为100 µm、运行压力为3.7 atm及运行温度为323 K时，可获得最佳适应度；

e）经过开发的MNM-ML模型多变量优化后，NGC系数降低了49.5%，电池性能提高了20%。此外，计算时间从几个月减少到几天。总之，这种策略不仅可以用于缓解NGC，还可以扩展到系统级别的其他复杂优化任务。

图2. 传统MNM方法和MNM-ML策略的比较

Comparison of state-of-the-art machine learning algorithms and data-driven optimization methods for mitigating nitrogen crossover in PEM fuel cells, Chemical Engineering Journal 2022. DOI: 10.1016/j.cej.2022.136064

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/14/eb6bc013f0/

刘建国/邢磊CEJ: 机器学习+多物理场模拟缓解PEM燃料电池中的氮气渗透

相关推荐