绿色智汇能源技术研究院 > 咖说 > 聊市场 >

屈治国:质子交换膜热质输送及其对性能的影响


 
      2020年1月10日,中国电动汽车百人会论坛(2020)在北京钓鱼台国宾馆正式拉开帷幕,1月12日上午,西安交通大学教授屈治国出席了论坛,并作了题目为“质子交换膜热质输送及其对性能”的演讲,以下为发言实录:
 
    尊敬的各位领导、各位专家大家早上好,非常荣幸和各位分享一下我们的工作,我是来自西安交通大学热流科学与工程教育部重点实验室的屈治国。

    燃料电池大家很清楚,一个是移动的汽车用,第二是固定的发电装置,我们主要工作主要针对水热管理做性能仿真。目前设计从单电池到电堆到汽车的集成有些问题,主要是设计方面有一些设计工具的缺乏,一些定量精准的设计工具,我们做的事就是要解决设计好用好用多久的问题。我们要开发一些好的设计工具。第一个讲一下燃料电池装配压力的影响,我们把电堆组装时候会产生一些预紧力,通过螺栓连接起来,我们对这种产品,在6兆帕的时候,螺栓预紧以后扩散层出现了断裂、变形等,这对传质扩散有很大的影响。怎么建这样的模型,我们把有限元力学软件ABAQUS和ANSYS结合起来,比如我们以标准的蛇形流场为例,压缩以后进入流道,扩散性和渗透率都发生了改变。不同的预紧力发生了形变,孔隙率发生了改变,导致了空间上严重的不均衡性,所以这个压缩比随着装配增加而增加,形变必然对扩散性产生影响。压缩以后流道的阻力就会增大,第二局部电流密度会发生改变,在这个位置电流密度大。从这里可以看到,1兆帕平均是最高的,所以有一个最优值,这就是两种竞争的倒置管理,压缩以后欧姆极化减少,正和负的相互作为,我们发现在1兆帕的时候,整体的净功率是最高的。

    第二个内容,我们做一些性能开发。我们做了一个面向工程的设计软件,1+1D模型,要想办法从单电池以及到电堆,考虑不同单电池分布的不一致的影响。核心就是在垂直于质子传递方向有一个一维模型,核心是要对水状态的判断。在流道方向我们以气体组分方程作为质子传递的边缘条件,核心是水蒸气模型的判断,我们判断含量的分布。我们要做一个软件,输入操作参数、结构参数和输出,通过调研我们自己建立了数据库,把所有文献能看到的,包括毛细压力、热导率等不同材料做到数据库里,我们做到软件里,用这个预测孔隙率扩大的影响,变大有利于传热传质性增强,但是欧姆极化电阻又增大,这又是此消彼涨的倒置关系,我们可以设置合理的孔隙率。到电堆层面,这几年人工智能发展非常迅速,人工智能的方法在信息处理里有多种多样的方法,对燃料电池多参数也是提供了可能,用的最多的是误差反向的人工智能BPNN方法,有三层,输入层、隐藏层和输出层,可以建立一个系统,通过很多数据训练,经过前期的输入、误差的反向传递进行偏差的调整,最后可以在小情况下获得比较小的关系。有多种结构,这是我们推荐的结构,用传统方法是很好的求解方法,经典的一维、二维、三维,人工智能的优点是建模简单,求解快速,准确度高,缺点就是依赖于数据库,应用性上可以做到快速性能预测。

    算法做好以后,首先就是要训练,我们发现在燃料电池当试验指标小的时候,样本量小的时候,核心的权重,就是神经元的连接关系,依赖于样本的数量大小,后来我们又引入了遗传算法,自动进行优化,我用三重样本数,引进以后学习训练的不一致性变得非常好,在同等样本数条件下,这种方法预测性能更好。结合这种方法,我们把遗传算法做到软件里,比如参数很多,包括阴极的气压和温度等做出不同的参数,再做模块的分析和电堆的水热管理结合起来。

    我们做一个案例,模型误差分析,通过这种方法学习,包括文献里获得,可以训练到误差精度小于0.1%。基于这样的思想,我们把燃料电池的软件和人工智能两个结合起来,开发了一个软件,这是软件的开始界面。我们可以把结构参数都结合起来,操作参数结合起来,可以输出它的性能,比如电池里的单电池的性能都可以输出起来。这是一个案例,10个电池性能输入参数,这是输出参数,我们通过遗传算法的学习,这是10个片,不一致性分布算出来,结果也可以全部输出出来。通过这样我们可以获得10片的不一致性,还有敏感性分析,单工况不同电流密度下电压的不一致性,电流密度增加时不一致更加明显。多工况不一致性,不同工况输出特性不同,使用神经网络预测得到更多组工况电堆输出,可覆盖全工况条件,节省测试时间。敏感性比较结果:阴极计量比>阳极计量比>冷却水量>阴极压力>阳极压力>气体入口温度。

    我的汇报就到这里,感谢各位专家。