(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210595253.2 (22)申请日 2022.05.28 (71)申请人 西北工业大 学 地址 710072 陕西省西安市友谊西路127号 (72)发明人 汪辉　王泽林　明平文　屈治国　 朱继宏　张卫红　 (74)专利代理 机构 西安匠星互智知识产权代理 有限公司 612 91 专利代理师 陈星 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/23(2020.01) G06N 3/04(2006.01) (54)发明名称 燃料电池堆多孔结构内热质阻力局部及全 局定向调控设计方法 (57)摘要 本发明提出一种燃料电池堆多孔结构内热 质阻力局部及全局定向调控设计方法， 基于深度 学习与拓 扑优化相结合的思想， 将深度卷积神经 网络模型与多尺度模型及拓扑优化方法相结合， 避免了在拓扑优化过程中反复大规模有 限容积 的求解带来高昂计算代价的问题， 可以快速实现 多维度大变量下约束下的燃料电池堆多孔结构 内热质阻力局部任意区域及全局定向调控， 实现 燃料电池堆体积小、 质轻， 并且综合性能得到大 幅度提升 。 权利要求书2页 说明书6页 附图4页 CN 115017803 A 2022.09.06 CN 115017803 A 1.一种燃料电池堆多孔结构内热质阻力局部及全局定向调控设计方法， 其特征在于： 包括以下步骤： 步骤1： 建立燃料电池堆多尺度模型， 模型中结构包括聚合物电解质膜， 催化剂层， 多孔 层， 气体扩散层以及冷却流道， 其中多孔层和气体扩散层均采用多孔介质骨架结构； 步骤2： 获取真实燃料电池堆内部多尺度多孔结构信息， 基于步骤1中的多尺度模型进 行数值仿真， 得到相应的热质输运特性的数值仿真结果； 步骤3： 针对不同型号的燃料电池堆， 重复步骤2， 获得样本数据； 利用样本数据训练深 度卷积神经网络模型， 其中模型输入为多尺度多孔结构信息， 模型输出相应的热质输运特 性数据； 步骤4： 设定燃料电池堆中各部件材料物理性质参数， 并进行物理场初始化， 所述物理 场包括速度、 温度、 压力、 物质浓度； 步骤5： 利用步骤3训练得到的深度卷积神经网络模型， 采用各向正交惩罚材料密度方 法对所选取的燃料电池堆多孔结构进 行完整的优化分析， 获得并输出优化过程中每一迭代 步的结构材料密度分布图和密度梯度分布图， 并且在优化过程中采用训练好的卷积神经网 络替代流动传热传质问题的常规 求解器， 对所述物理场进行 快速预测并计算代价 函数； 步骤6： 基于步骤5的结果， 采用伴随方法在拓扑优化中对敏感度进行分析， 将预测出的 物理场信息输入至伴随求解器中， 在伴随求解器中对伴随变量进 行预测， 进行敏感度分析， 求解敏感度， 计算优化目标对材 料伪密度的导数； 步骤7： 将步骤6得到的导数输入至移动渐近线法中进行优化， 以最大传质和传热性能 及最小的压降为优化目标， 在设定的孔隙率和结构刚度的约束条件下对结构拓扑进行优 化， 对优化得到的密度场采用亥姆霍兹滤波器进 行过滤处理， 过滤前后的密度场均为0 ‑1的 数值， 得到最终的优化后构型。 2.根据权利要求1所述一种燃料电池堆多孔结构内热质阻力局部及全局定向调控设计 方法， 其特 征在于： 步骤2中， 获取真实燃料电池堆内部多尺度多孔结构信息的过程 为： 通过微米X射线三维CT成像系统对燃料电池堆双极板、 气体扩散层及催化层多尺度多 孔结构进行一体化扫描成一系列二维图层结构， 采用Mimics  Research和ImageJ软件相结 合对一系列二 维图层结构进 行重构， 形成包括多孔骨架结构信息的St l格式文件， 然后在通 过Cinema  4D软件对多孔骨架结构进 行局部修整， 最 终获得真实的燃料电池堆双极板、 气体 扩散层及催化层多尺度多孔结构信息 。 3.根据权利要求2所述一种燃料电池堆多孔结构内热质阻力局部及全局定向调控设计 方法， 其特征在于： 步骤2中， 进 行数值仿 真， 得到相应的热质输运特性的数值仿 真结果的过 程为： 将最终获得真实的燃料电池堆双 极板、 气体扩散层及催化层多尺度多孔结构导入 网格 划分软件， 进 行网格划分， 后针对燃料电池堆双极板、 气 体扩散层及催化层多尺度多孔结构 真实理化反应热质输运过程建立多尺度模型， 并施加 边界条件和约束条件， 进行详细数值 仿真， 并获得相应的热质输运特性的数值仿真结果。 4.根据权利要求1所述一种燃料电池堆多孔结构内热质阻力局部及全局定向调控设计 方法， 其特征在于： 步骤3中， 所述深度卷积神经网络模型 由四个卷积层和四个池化层交替 连接， 最后连接一个全连接层； 其中卷积层核尺寸为5 ×5×5， 卷积步长为1， 池化采用最大权　利　要　求　书 1/2 页 2 CN 115017803 A 2池化方法， 池化层核尺寸为2 ×2×2， 池化步长为2， 填充参数为2， 激活函数采用ReLU， 全连 接层为包 含21600个元素的一维变量， 均方误差函数被设定为损失函数。 5.根据权利要求1或4所述一种燃料电池堆多孔结构内热质阻力局部及全局定向调控 设计方法， 其特征在于： 步骤3中， 对获得的燃料电池堆多尺度多孔结构信息以及热质输运 特性数据进行预处理得到样本数据； 所述燃料电池堆多尺度多孔结构信息包括设计域尺 寸、 边界条件、 多孔结构孔隙率以及多孔结构物理模型结构数据； 所述预处理过程为： 在保 证所包含的特征信息不变的原则下， 将扫描而来的多孔介质截面图系 列转换成100 ×100× 100的三维张量， 并进一步改变训练数据的结构， 将100 ×100×100的三维张量转换为 1000000×1×1的格式输入至卷积神经网络中， 张量中每个点具体表征每个坐标下的伪密 度。 6.根据权利要求1所述一种燃料电池堆多孔结构内热质阻力局部及全局定向调控设计 方法， 其特征在于： 步骤3中， 所述深度卷积神经网络模型将燃料电池堆内的传热传质性能 进行学习并替换为多孔介质微观结构的函数， 并以燃料电池堆模块内微孔层和气体扩散层 多孔介质局部和电堆内全局的最大传质和传热性能及最小的压降为优化目标进行优化。 7.根据权利要求6所述一种燃料电池堆多孔结构内热质阻力局部及全局定向调控设计 方法， 其特征在于： 采用自定向在线 学习优化算法加速非梯度拓扑优化， 将获得的每一步迭 代的多孔结构材料密度分布图和密度梯度分布图作为参考， 指导动态生成深度学习网络的 新训练数据， 并对旧深度学习网络进一步训练， 获得训练后的深度神经网络模型， 使神经网 络在更逼近最优解的区域 提供更好的预测， 直到收敛。 8.根据权利要求1所述一种燃料电池堆多孔结构内热质阻力局部及全局定向调控设计 方法， 其特征在于： 得到优化后的构型后， 进 行模型处理， 将三 维模型使用网格表示， 并进 行 正则化处理， 进而对其采用3D打印技术， 在打印切片时， 将模型切成一组平行的平面形状， 且在完成切片分层后， 对得到的截面轮廓信息进行路径规划； 针对催化层而言在上述3D打 印的结构基础上， 将催化层结构采用微 孔烧结技 术实现孔的定向合成。权　利　要　求　书 2/2 页 3 CN 115017803 A 3