2020年1月10日，中國電動(dòng)汽車百人會(huì)論壇(2020)在北京釣魚臺(tái)國賓館正式拉開帷幕，1月12日上午，西安交通大學(xué)教授屈治國出席了論壇，并作了題目為“質(zhì)子交換膜熱質(zhì)輸送及其對(duì)性能”的演講，以下為發(fā)言實(shí)錄：
 

    尊敬的各位領(lǐng)導(dǎo)、各位專家大家早上好，非常榮幸和各位分享一下我們的工作，我是來自西安交通大學(xué)熱流科學(xué)與工程教育部重點(diǎn)實(shí)驗(yàn)室的屈治國。

    燃料電池大家很清楚，一個(gè)是移動(dòng)的汽車用，第二是固定的發(fā)電裝置，我們主要工作主要針對(duì)水熱管理做性能仿真。目前設(shè)計(jì)從單電池到電堆到汽車的集成有些問題，主要是設(shè)計(jì)方面有一些設(shè)計(jì)工具的缺乏，一些定量精準(zhǔn)的設(shè)計(jì)工具，我們做的事就是要解決設(shè)計(jì)好用好用多久的問題。我們要開發(fā)一些好的設(shè)計(jì)工具。第一個(gè)講一下燃料電池裝配壓力的影響，我們把電堆組裝時(shí)候會(huì)產(chǎn)生一些預(yù)緊力，通過螺栓連接起來，我們對(duì)這種產(chǎn)品，在6兆帕的時(shí)候，螺栓預(yù)緊以后擴(kuò)散層出現(xiàn)了斷裂、變形等，這對(duì)傳質(zhì)擴(kuò)散有很大的影響。怎么建這樣的模型，我們把有限元力學(xué)軟件ABAQUS和ANSYS結(jié)合起來，比如我們以標(biāo)準(zhǔn)的蛇形流場為例，壓縮以后進(jìn)入流道，擴(kuò)散性和滲透率都發(fā)生了改變。不同的預(yù)緊力發(fā)生了形變，孔隙率發(fā)生了改變，導(dǎo)致了空間上嚴(yán)重的不均衡性，所以這個(gè)壓縮比隨著裝配增加而增加，形變必然對(duì)擴(kuò)散性產(chǎn)生影響。壓縮以后流道的阻力就會(huì)增大，第二局部電流密度會(huì)發(fā)生改變，在這個(gè)位置電流密度大。從這里可以看到，1兆帕平均是最高的，所以有一個(gè)最優(yōu)值，這就是兩種競爭的倒置管理，壓縮以后歐姆極化減少，正和負(fù)的相互作為，我們發(fā)現(xiàn)在1兆帕的時(shí)候，整體的凈功率是最高的。

    第二個(gè)內(nèi)容，我們做一些性能開發(fā)。我們做了一個(gè)面向工程的設(shè)計(jì)軟件，1+1D模型，要想辦法從單電池以及到電堆，考慮不同單電池分布的不一致的影響。核心就是在垂直于質(zhì)子傳遞方向有一個(gè)一維模型，核心是要對(duì)水狀態(tài)的判斷。在流道方向我們以氣體組分方程作為質(zhì)子傳遞的邊緣條件，核心是水蒸氣模型的判斷，我們判斷含量的分布。我們要做一個(gè)軟件，輸入操作參數(shù)、結(jié)構(gòu)參數(shù)和輸出，通過調(diào)研我們自己建立了數(shù)據(jù)庫，把所有文獻(xiàn)能看到的，包括毛細(xì)壓力、熱導(dǎo)率等不同材料做到數(shù)據(jù)庫里，我們做到軟件里，用這個(gè)預(yù)測孔隙率擴(kuò)大的影響，變大有利于傳熱傳質(zhì)性增強(qiáng)，但是歐姆極化電阻又增大，這又是此消彼漲的倒置關(guān)系，我們可以設(shè)置合理的孔隙率。到電堆層面，這幾年人工智能發(fā)展非常迅速，人工智能的方法在信息處理里有多種多樣的方法，對(duì)燃料電池多參數(shù)也是提供了可能，用的最多的是誤差反向的人工智能BPNN方法，有三層，輸入層、隱藏層和輸出層，可以建立一個(gè)系統(tǒng)，通過很多數(shù)據(jù)訓(xùn)練，經(jīng)過前期的輸入、誤差的反向傳遞進(jìn)行偏差的調(diào)整，最后可以在小情況下獲得比較小的關(guān)系。有多種結(jié)構(gòu)，這是我們推薦的結(jié)構(gòu)，用傳統(tǒng)方法是很好的求解方法，經(jīng)典的一維、二維、三維，人工智能的優(yōu)點(diǎn)是建模簡單，求解快速，準(zhǔn)確度高，缺點(diǎn)就是依賴于數(shù)據(jù)庫，應(yīng)用性上可以做到快速性能預(yù)測。

    算法做好以后，首先就是要訓(xùn)練，我們發(fā)現(xiàn)在燃料電池當(dāng)試驗(yàn)指標(biāo)小的時(shí)候，樣本量小的時(shí)候，核心的權(quán)重，就是神經(jīng)元的連接關(guān)系，依賴于樣本的數(shù)量大小，后來我們又引入了遺傳算法，自動(dòng)進(jìn)行優(yōu)化，我用三重樣本數(shù)，引進(jìn)以后學(xué)習(xí)訓(xùn)練的不一致性變得非常好，在同等樣本數(shù)條件下，這種方法預(yù)測性能更好。結(jié)合這種方法，我們把遺傳算法做到軟件里，比如參數(shù)很多，包括陰極的氣壓和溫度等做出不同的參數(shù)，再做模塊的分析和電堆的水熱管理結(jié)合起來。

    我們做一個(gè)案例，模型誤差分析，通過這種方法學(xué)習(xí)，包括文獻(xiàn)里獲得，可以訓(xùn)練到誤差精度小于0.1%�；�于這樣的思想，我們把燃料電池的軟件和人工智能兩個(gè)結(jié)合起來，開發(fā)了一個(gè)軟件，這是軟件的開始界面。我們可以把結(jié)構(gòu)參數(shù)都結(jié)合起來，操作參數(shù)結(jié)合起來，可以輸出它的性能，比如電池里的單電池的性能都可以輸出起來。這是一個(gè)案例，10個(gè)電池性能輸入?yún)��?shù)，這是輸出參數(shù)，我們通過遺傳算法的學(xué)習(xí)，這是10個(gè)片，不一致性分布算出來，結(jié)果也可以全部輸出出來。通過這樣我們可以獲得10片的不一致性，還有敏感性分析，單工況不同電流密度下電壓的不一致性，電流密度增加時(shí)不一致更加明顯。多工況不一致性，不同工況輸出特性不同，使用神經(jīng)網(wǎng)絡(luò)預(yù)測得到更多組工況電堆輸出，可覆蓋全工況條件，節(jié)省測試時(shí)間。敏感性比較結(jié)果：陰極計(jì)量比>陽極計(jì)量比>冷卻水量>陰極壓力>陽極壓力>氣體入口溫度。

    我的匯報(bào)就到這里，感謝各位專家。