集成多物理场建模与ANN–GA优化框架用于高性能质子交换膜水电解槽堆

《Energy Conversion and Management-X》:An integrated multiphysics modeling and ANN–GA optimization framework for high-performance proton exchange membrane water electrolyzer stacks

【字体: 大 中 小 】 时间:2026年03月27日 来源:Energy Conversion and Management-X 8.8

编辑推荐:

  提高质子交换膜水电解槽(PEMWE)堆的性能需要一种能够同时提供高预测保真度、优化鲁棒性和设计灵活性的集成建模与优化框架——而这些能力在现有研究中通常被孤立处理,从而限制了系统层面的适用性。在本研究中,研究人员开发了一个全面的多物理场PEMWE堆模型并在MAT

  
提高质子交换膜水电解槽(PEMWE)堆的性能需要一种能够同时提供高预测保真度、优化鲁棒性和设计灵活性的集成建模与优化框架——而这些能力在现有研究中通常被孤立处理,从而限制了系统层面的适用性。在本研究中,研究人员开发了一个全面的多物理场PEMWE堆模型并在MATLAB 2024a中实现,使其能够准确描述耦合的电化学、热和操作现象。该模型表现出强大的预测性能,在广泛的操作条件和参数组合下,与实验测量的极化曲线验证时,平均绝对偏差低于4.36%。为促进高效可靠的优化,研究人员建立了一个统一的人工神经网络–遗传算法(ANN–GA)框架,将水流量(QH2O)、操作水温(TH2O)、活性面积(A)、电池堆数量(nStack)和电流密度(J)选为关键决策变量,以提升电池电压和功率密度。使用经过验证的多物理场模型生成全面的训练数据集,以确保对设计空间的充分覆盖,而灵敏度分析则识别出电池堆数量是控制整体PEMWE堆性能的主导参数。ANN–GA模型展现出卓越的预测精度,决定系数(R2)为0.99905,均方误差为315.48。使用基于物理的PEMWE模型对优化参数集进行评估,平均预测误差低于10.23%,证实了数据驱动优化结果与第一性原理性能预测之间的强一致性。总体而言,所提出的集成多物理场建模与智能优化框架为稳态PEMWE堆分析与优化提供了一个稳健、可解释且计算高效的平台,为先进系统设计、操作策略开发和下一代制氢技术提供了有价值的指导。
### 论文解读:集成多物理场建模与ANN–GA优化框架用于高性能质子交换膜水电解槽堆

#### 研究背景与问题
氢作为一种高能量密度且零碳的能源载体,在全球向可持续低碳能源系统转型中扮演关键角色。在众多制氢路线中,水电解技术,尤其是质子交换膜水电解槽(PEMWE,一种利用质子交换膜电解水制氢的装置),因其高效率、紧凑结构、快速动态响应以及与太阳能、风能等间歇性可再生能源的优异兼容性而受到广泛关注。PEMWE能够在相对低温下产生高压高纯氢气,减少了下游压缩需求。然而,其大规模部署仍面临效率、耐久性和成本方面的挑战。现有研究在建模与优化方面存在局限:多物理场模型通常侧重于孤立组件或狭窄操作范围,未能完全捕捉活化、欧姆和浓度损失之间的强非线性耦合;经典优化方法对初始条件敏感且易陷入局部最优,难以应对高维非凸优化问题。因此,需要一种能够同时实现高预测保真度、全局优化鲁棒性和系统级灵活性的集成框架。

#### 研究内容与意义
研究人员开发了一个集成多物理场建模与人工神经网络–遗传算法(ANN–GA,一种结合神经网络代理模型与遗传算法全局搜索的优化方法)优化框架,用于高性能PEMWE堆的性能预测和系统级优化。首先建立一个基于物理的一维PEMWE堆模型,通过实验验证其准确性;随后利用该模型生成覆盖广泛操作条件和参数组合的高质量数据集,用于训练ANN代理模型;最后将ANN与GA耦合,以水流量(QH2O)、操作水温(TH2O)、活性面积(A)、电池堆数量(nStack)和电流密度(J)为决策变量,优化堆电压(VSTACK)、氢气产率(QH2)和电能消耗(E)。该框架在《Energy Conversion and Management-X》上发表,提供了一个计算高效且可解释的稳态优化平台,为先进PEMWE系统设计及操作策略开发提供了重要指导。

#### 关键技术方法
1. **基于物理的一维PEMWE堆模型**:在MATLAB 2024a中开发,考虑活化、欧姆和浓度过电位,使用Butler–Volmer方程、Nafion膜质子导电性经验相关式及Fick扩散定律,假设等温、稳态和理想气体行为,通过单电池与10电池堆实验验证。
2. **实验验证数据集**:使用单电池(活性面积27.04 cm2)和10电池堆(SZPE-150和SZPE-3000,SENZA)进行极化曲线与产氢率测试,温度60–80°C,水流量185 mL/min,电流密度5–20 A。
3. **ANN代理模型**:多层前馈网络,5输入(QH2O、TH2O、A、nStack、J)3输出(VSTACK、QH2、E),最优结构5-6-6-3,使用Levenberg–Marquardt算法训练,数据集243个来自物理模型。
4. **GA全局优化**:适应度函数综合最小化堆电压、最大化产氢率并约束能耗接近氢气高热值(39.4 kWh/kg),权重系数β=50,采用随机均匀选择、分散交叉和可行变异,精英保留策略。

#### 研究结果
**7.1 验证PEMWE堆模型**
通过单电池和10电池堆实验验证模型。在185 mL/min水流量、60–80°C下,单电池电压平均绝对误差1.2692%,堆电压误差1.4611%;单电池产氢率误差2.6006%,10电池堆产氢率误差9.5786%(低温和低电流密度下偏差较大)。在80°C下改变水流量(83–185 mL/min),单电池电压误差2.1106%,产氢率误差12.3930%。此外,独立验证了文献中4 cm2和25 cm2活性面积的PEMWE堆(文献[31],[32]),电压平均相对误差分别为2.4054%和3.0508%,证实模型对多活性面积和多电池堆配置的鲁棒性。

**7.2 参数对PEMWE性能的灵敏度**
采用Pearson和Spearman相关系数分析。nStack与堆电压强正相关(Pearson +0.8027, Spearman +0.8921),与产氢率中等正相关(+0.5167)。电流密度与产氢率弱正相关(+0.4276)。水流量与能耗强正相关(Spearman +0.8161),表明水管理主导系统效率。温度和活性面积线性相关性弱(|r|<0.3),受饱和效应和模型假设影响。结果表明堆电压由结构参数(电池数)主导,能耗由操作条件(水管理)主导,需多目标优化。

**7.3 ANN-GA优化与多点验证**
ANN模型表现优异:训练和验证集决定系数R2=0.99999,测试集R=0.98296,总R2=0.99905,MSE=315.48,误差集中在零附近。GA收敛迅速,最优适应度稳定。优化结果:QH2O=200 mL/min,TH2O=89.999°C,A=27.04 cm2,nStack=10,J=750 mA/cm2;ANN预测VSTACK=37.46 V,QH2=1594.79 mL/min,E=73.23 kWh/kg。物理模型验证显示产氢率偏差仅0.37%,能耗偏差-10.45%,电压偏差19.87%(归因于ANN对极化曲线局部曲率的平滑)。框架保持了全局相对排序和权衡结构,为可靠优化提供指导。

#### 讨论与结论
优化结果与物理模型的一致性确认了ANN–GA框架的可靠性,尽管电压存在系统性偏差,但产氢率和能耗趋势准确。未来可引入混合校正或物理信息神经网络提升局部精度。研究结论翻译如下:
本研究提出了一个集成框架,将基于物理的PEMWE堆模型与ANN–GA优化相结合,实现高效性能预测和系统级优化。开发的多物理场模型准确捕捉了主导电化学损失机制,并在受控操作条件下与实验测量结果高度吻合。随后使用验证后的模型生成高质量数据集用于ANN训练,实现了对堆电压、氢气产率和电能消耗的准确预测。灵敏度分析识别出电池堆数量和电流密度为影响PEMWE性能的最主要参数,强调了它们在系统设计和操作控制中的关键作用。ANN–GA框架实现了高预测精度和鲁棒收敛,得到了一个有效平衡氢气产率和能量效率的优化操作配置。与基于物理的模型预测比较进一步证实了优化结果的可靠性和可迁移性。总体而言,所提出的混合建模与优化方法为稳态PEMWE分析与优化提供了一个计算高效且可解释的平台,在指导PEMWE堆设计和操作策略方面具有显著潜力,未来工作将引入瞬态和非等温效应以支持动态和大规模应用。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号