2020年1月10日,中國電動汽車百人會論壇(2020)在北京釣魚臺國賓館正式拉開帷幕,1月12日上午,西安交通大學教授屈治國出席了論壇,并作了題目為“質子交換膜熱質輸送及其對性能”的演講,以下為發(fā)言實錄:
尊敬的各位領導、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熱流科學與工程教育部重點實驗室的屈治國。
燃料
電池大家很清楚,一個是移動的汽車用,第二是固定的發(fā)電裝置,我們主要工作主要針對水熱管理做性能仿真。目前設計從單
電池到電堆到汽車的集成有些問題,主要是設計方面有一些設計工具的缺乏,一些定量精準的設計工具,我們做的事就是要解決設計好用好用多久的問題。我們要開發(fā)一些好的設計工具。第一個講一下燃料電池裝配壓力的影響,我們把電堆組裝時候會產生一些預緊力,通過螺栓連接起來,我們對這種產品,在6兆帕的時候,螺栓預緊以后擴散層出現了斷裂、變形等,這對傳質擴散有很大的影響。怎么建這樣的模型,我們把有限元力學軟件ABAQUS和ANSYS結合起來,比如我們以標準的蛇形流場為例,壓縮以后進入流道,擴散性和滲透率都發(fā)生了改變。不同的預緊力發(fā)生了形變,孔隙率發(fā)生了改變,導致了空間上嚴重的不均衡性,所以這個壓縮比隨著裝配增加而增加,形變必然對擴散性產生影響。壓縮以后流道的阻力就會增大,第二局部電流密度會發(fā)生改變,在這個位置電流密度大。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,正和負的相互作為,我們發(fā)現在1兆帕的時候,整體的凈功率是最高的。
第二個內容,我們做一些性能開發(fā)。我們做了一個面向工程的設計軟件,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子傳遞方向有一個一維模型,核心是要對水狀態(tài)的判斷。在流道方向我們以氣體組分方程作為質子傳遞的邊緣條件,核心是水蒸氣模型的判斷,我們判斷含量的分布。我們要做一個軟件,輸入操作參數、結構參數和輸出,通過調研我們自己建立了數據庫,把所有文獻能看到的,包括毛細壓力、熱導率等不同材料做到數據庫里,我們做到軟件里,用這個預測孔隙率擴大的影響,變大有利于傳熱傳質性增強,但是歐姆極化電阻又增大,這又是此消彼漲的倒置關系,我們可以設置合理的孔隙率。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,對燃料電池多參數也是提供了可能,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,可以建立一個系統(tǒng),通過很多數據訓練,經過前期的輸入、誤差的反向傳遞進行偏差的調整,最后可以在小情況下獲得比較小的關系。有多種結構,這是我們推薦的結構,用傳統(tǒng)方法是很好的求解方法,經典的一維、二維、三維,人工智能的優(yōu)點是建模簡單,求解快速,準確度高,缺點就是依賴于數據庫,應用性上可以做到快速性能預測。
算法做好以后,首先就是要訓練,我們發(fā)現在燃料電池當試驗指標小的時候,樣本量小的時候,核心的權重,就是神經元的連接關系,依賴于樣本的數量大小,后來我們又引入了遺傳算法,自動進行優(yōu)化,我用三重樣本數,引進以后學習訓練的不一致性變得非常好,在同等樣本數條件下,這種方法預測性能更好。結合這種方法,我們把遺傳算法做到軟件里,比如參數很多,包括陰極的氣壓和溫度等做出不同的參數,再做模塊的分析和電堆的水熱管理結合起來。
我們做一個案例,模型誤差分析,通過這種方法學習,包括文獻里獲得,可以訓練到誤差精度小于0.1%�;谶@樣的思想,我們把燃料電池的軟件和人工智能兩個結合起來,開發(fā)了一個軟件,這是軟件的開始界面。我們可以把結構參數都結合起來,操作參數結合起來,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。這是一個案例,10個電池性能輸入參數,這是輸出參數,我們通過遺傳算法的學習,這是10個片,不一致性分布算出來,結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,使用神經網絡預測得到更多組工況電堆輸出,可覆蓋全工況條件,節(jié)省測試時間。敏感性比較結果:陰極計量比>陽極計量比>冷卻水量>陰極壓力>陽極壓力>氣體入口溫度。
我的匯報就到這里,感謝各位專家。