《Energy and AI》:Residual-Based Physics-Informed Neural Network Modelling for Coupled Transport Phenomena in Porous Gas Diffusion Layers
编辑推荐:
质子交换膜燃料电池(PEMFC)是一种有前景的低碳动力解决方案,其中气体扩散层(GDL)对质量传输、电势和电荷传输具有关键影响。准确预测这些耦合物理场对于优化燃料电池性能至关重要,然而传统的计算流体力学(CFD)方法计算成本高昂,限制了其在实时控制和快速设计迭
质子交换膜燃料电池(PEMFC)是一种有前景的低碳动力解决方案,其中气体扩散层(GDL)对质量传输、电势和电荷传输具有关键影响。准确预测这些耦合物理场对于优化燃料电池性能至关重要,然而传统的计算流体力学(CFD)方法计算成本高昂,限制了其在实时控制和快速设计迭代中的应用。在本研究中,研究人员开发了一种基于残差的物理信息神经网络(RPM),用于预测氢侧GDL在稳态下的多物理场。通过将控制方程嵌入损失函数,RPM确保了物理一致性,实现了比标准PINN(PPM)显著更低的PDE损失,并在内插和外推场景下均表现出泛化能力,优于PPM和黑箱模型(BBM)。网格分辨率分析确定12,570个单元的中等网格为最优选择,平衡了预测精度、物理保真度和计算效率。RPM实现了单案例预测时间4.77毫秒,比传统CFD仿真快约1470倍。这些结果表明,RPM为实时、物理一致的GDL性能预测提供了一种可靠且高效的工具。
随着全球能源危机加剧和环境污染恶化,航空业碳排放问题日益突出,质子交换膜燃料电池(PEMFC)因其高能量转换效率、高功率密度和零尾气排放,被视为实现净零排放航空的关键技术。气体扩散层(GDL)作为PEMFC的核心组件,对反应气体和产物水的传输、压力分布及电子传导起关键作用。然而,现有实验方法难以原位实时捕捉GDL在多物理场耦合下的真实状态,而传统计算流体力学(CFD)方法虽能提供高精度预测,但计算成本极高,限制了其在实时控制和大规模参数优化中的应用。数据驱动的黑箱模型(BBM)虽计算高效,但泛化能力差且缺乏物理一致性;物理信息神经网络(PINN)通过嵌入物理方程约束可提升泛化性,但在处理多物理场耦合时存在收敛困难。为此,研究人员提出了一种基于残差的物理信息神经网络(RPM),旨在实现GDL多物理场的高效、物理一致预测。
本研究开发并系统比较了三种模型:RPM、纯物理信息神经网络(PPM)和BBM,并分析了网格分辨率的影响。研究得出RPM在预测精度、物理一致性和泛化能力上均优于对比模型,在中等网格(12,570单元)下达到最优平衡,且单工况预测仅需4.77毫秒(CPU),比传统CFD仿真快约1468倍。该工作为燃料电池的实时性能评估和在线优化提供了可靠工具,论文发表在《Energy and AI》。
为开展研究,主要采用了以下关键技术方法:首先,基于COMSOL建立有限元仿真模型(参考其应用库案例),耦合电荷守恒、质量传输(Maxwell-Stefan扩散)和动量传输(Darcy定律),生成包含700个稳态工况的数据集(变量包括电池电压V
cell、阳极入口压力p
a,in、氢气入口摩尔分数x
H2,in)。数据集按工况维度以70%/30%划分训练/测试集。其次,构建三种预测模型:(1)BBM,仅通过最小化预测与训练数据间的均方误差(数据损失)进行学习;(2)PPM,在BBM基础上加入物理损失,包括控制方程(连续性方程、电导方程、质量传输方程)的PDE残差损失和边界条件损失;(3)RPM,在PPM中引入残差连接(skip connections)和可学习缩放系数α,并采用Dropout正则化,以改善梯度传播和训练稳定性。所有模型共享相同超参数(隐藏层维度64、Dropout率0.1、Tanh激活、Xavier初始化),使用AdamW优化器(学习率5×10
-4,权重衰减10
-3),结合预热余弦退火调度,采用两阶段训练策略(先数据损失再逐步引入物理损失)。评估指标为决定系数(R
2)和均方根误差(RMSE)。数据集来源为COMSOL仿真,无实验样本队列。
**3.1 Mesh Resolution Effects**:研究人员比较了四种网格分辨率(1,497、7,042、12,570、39,488单元)下RPM与PPM的预测性能。结果表明,RPM在所有网格尺寸下均优于PPM。中等网格(12,570单元)使三个物理场(电势Φ
s、压力p、浓度c)的R
2均超过0.9(分别为0.900、0.975、0.999),且PDE残差处于可接受水平。最细网格(39,488单元)虽在压力和浓度方程上PDE残差更低,但由于二阶导数对数值误差和自动微分的敏感性,电势方程残差反而增大,且计算成本约为中等网格的三倍。因此,12,570单元的中等网格被确定为最优选择,兼顾了预测精度、物理一致性和计算效率。
**3.2 Performance Comparison**:训练过程中,RPM的PDE残差损失最终为8.96×10
-2,而PPM为4.92×10
-1(降低约五倍),证明残差连接能更有效地施加物理约束。在训练集上,BBM、PPM和RPM均表现出高R
2值(三者均在0.84–0.99范围),表明拟合能力良好。但在测试集(500个未见工况)上,RPM在电势、压力和浓度场的中位R
2分别为0.936、0.964和0.758,显著优于PPM(0.589、0.937、-0.118)和BBM(0.956、0.993、-1.994,压力场虽然高但浓度场失败)。在六个代表性工况(涵盖内插和外推,包括单参数、双参数和三参数变化)的详细验证中,RPM是唯一在所有工况下三个物理场均保持正R
2的模型;BBM在多个工况下浓度场出现负R
2(最低-2.21),PPM也出现严重失败(工况6浓度场R
2=-3.20)。截面预测曲线分析(选取Y=0.2、0.8、1.7 mm和X=0.05、0.10、0.35 mm的六个截面)显示,RPM的预测趋势与真实值高度吻合,且符合物理规律(如浓度沿流动方向递减);而BBM和PPM的曲线出现非物理波动或趋势偏离,尤其在完全外推的工况6中,BBM和PPM完全失效,RPM仍保持合理趋势。计算速度对比(CPU环境)表明,RPM单工况推断中位时间为4.77毫秒,PPM为4.74毫秒,BBM为2.90毫秒,而COMSOL仿真需7000毫秒(7.0秒),RPM加速约1468倍(PPM约1478倍,BBM约2414倍),达到毫秒级推断,适用于实时监控和在线优化。
**讨论与结论总结**:本研究提出的RPM通过残差连接有效克服了标准PINN的收敛困难,并通过嵌入物理方程确保了预测的物理一致性。与BBM相比,RPM在未见工况下具有更强的泛化能力;与PPM相比,训练稳定性和精度显著提升。主要结论如下:(1) 中等网格(12,570单元)为最优选择,在预测精度(Φ
s: R
2=0.90,p: R
2=0.98,c: R
2=0.99)、物理一致性和计算效率间取得最佳平衡。(2) 所有模型在训练集上表现优异,但三种内插和三种外推场景下,RPM是唯一在所有条件下保持正R
2的模型。(3) 截面分析显示,RPM的预测趋势在所有位置均与真实值一致且物理合理,而BBM在多个条件下出现违反物理原理的趋势。(4) RPM、PPM和BBM的单工况计算时间分别为4.77 ms、4.74 ms和2.90 ms,相比COMSOL加速约1000–2400倍。综上,RPM为实时、物理一致的GDL性能预测提供了一种可靠且高效的替代方法,但当前模型仅基于仿真数据训练,未来需经实验验证方能实现从仿真到实际系统的可靠部署。