2020年1月10-12日，以"把握形勢聚焦轉型引領創新"為(wei) 主題,由中國電動汽車百人會(hui) 精心策劃第六屆年度論壇--中國電動汽車百人會(hui) 論壇(2020)在北京釣魚台國賓館正式召開，會(hui) 議繼續秉持"傳(chuan) 遞權威信息、廣泛展開討論、促進溝通合作"的目標，試圖幫助業(ye) 界人士梳理分析產(chan) 業(ye) 形勢，探討及回應產(chan) 業(ye) 關(guan) 切的問題，尋找今後3-5年產(chan) 業(ye) 調整的方向及路徑。

　　論壇現場，由西安交通大學教授屈治國就質子交換膜熱質輸送及其對性能的影響發表了主題演講。

　　以下為(wei) 屈治國教授的演講實錄：

西安交通大學教授屈治國

　　尊敬的各位領導、各位專(zhuan) 家大家早上好，非常榮幸和各位分享一下我們(men) 的工作，我是來自西安交通大學熱流科學與(yu) 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(ge) 是移動的汽車用，第二是固定的發電裝置，我們(men) 主要工作主要針對水熱管理做性能仿真。目前設計從(cong) 單電池到電堆到汽車的集成有些問題，主要是設計方麵有一些設計工具的缺乏，一些定量精準的設計工具，我們(men) 做的事就是要解決(jue) 設計好用好用多久的問題。我們(men) 要開發一些好的設計工具。第一個(ge) 講一下燃料電池裝配壓力的影響，我們(men) 把電堆組裝時候會(hui) 產(chan) 生一些預緊力，通過螺栓連接起來，我們(men) 對這種產(chan) 品，在6兆帕的時候，螺栓預緊以後擴散層出現了斷裂、變形等，這對傳(chuan) 質擴散有很大的影響。怎麽(me) 建這樣的模型，我們(men) 把有限元力學軟件ABAQUS和ANSYS結合起來，比如我們(men) 以標準的蛇形流場為(wei) 例，壓縮以後進入流道，擴散性和滲透率都發生了改變。不同的預緊力發生了形變，孔隙率發生了改變，導致了空間上嚴(yan) 重的不均衡性，所以這個(ge) 壓縮比隨著裝配增加而增加，形變必然對擴散性產(chan) 生影響。壓縮以後流道的阻力就會(hui) 增大，第二局部電流密度會(hui) 發生改變，在這個(ge) 位置電流密度大。從(cong) 這裏可以看到，1兆帕平均是最高的，所以有一個(ge) 最優(you) 值，這就是兩(liang) 種競爭(zheng) 的倒置管理，壓縮以後歐姆極化減少，正和負的相互作為(wei) ，我們(men) 發現在1兆帕的時候，整體(ti) 的淨功率是最高的。

　　第二個(ge) 內(nei) 容，我們(men) 做一些性能開發。我們(men) 做了一個(ge) 麵向工程的設計軟件，1+1D模型，要想辦法從(cong) 單電池以及到電堆，考慮不同單電池分布的不一致的影響。核心就是在垂直於(yu) 質子傳(chuan) 遞方向有一個(ge) 一維模型，核心是要對水狀態的判斷。在流道方向我們(men) 以氣體(ti) 組分方程作為(wei) 質子傳(chuan) 遞的邊緣條件，核心是水蒸氣模型的判斷，我們(men) 判斷含量的分布。我們(men) 要做一個(ge) 軟件，輸入操作參數、結構參數和輸出，通過調研我們(men) 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裏，我們(men) 做到軟件裏，用這個(ge) 預測孔隙率擴大的影響，變大有利於(yu) 傳(chuan) 熱傳(chuan) 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(guan) 係，我們(men) 可以設置合理的孔隙率。到電堆層麵，這幾年人工智能發展非常迅速，人工智能的方法在信息處理裏有多種多樣的方法，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(ge) 係統，通過很多數據訓練，經過前期的輸入、誤差的反向傳(chuan) 遞進行偏差的調整，最後可以在小情況下獲得比較小的關(guan) 係。有多種結構，這是我們(men) 推薦的結構，用傳(chuan) 統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(you) 點是建模簡單，求解快速，準確度高，缺點就是依賴於(yu) 數據庫，應用性上可以做到快速性能預測。

　　算法做好以後，首先就是要訓練，我們(men) 發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(guan) 係，依賴於(yu) 樣本的數量大小，後來我們(men) 又引入了遺傳(chuan) 算法，自動進行優(you) 化，我用三重樣本數，引進以後學習(xi) 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(men) 把遺傳(chuan) 算法做到軟件裏，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(men) 做一個(ge) 案例，模型誤差分析，通過這種方法學習(xi) ，包括文獻裏獲得，可以訓練到誤差精度小於(yu) 0.1%。基於(yu) 這樣的思想，我們(men) 把燃料電池的軟件和人工智能兩(liang) 個(ge) 結合起來，開發了一個(ge) 軟件，這是軟件的開始界麵。我們(men) 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，比如電池裏的單電池的性能都可以輸出起來。這是一個(ge) 案例，10個(ge) 電池性能輸入參數，這是輸出參數，我們(men) 通過遺傳(chuan) 算法的學習(xi) ，這是10個(ge) 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(men) 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(ti) 入口溫度。

　　我的匯報就到這裏，感謝各位專(zhuan) 家。