2024过程工程大数据与智能化前沿论坛圆满结束

初心不改共成长，凝心聚力谱新篇

2024年7月26-28日，过程工程大数据与智能化前沿论坛在陕西省榆林市圆满召开。会议由中国颗粒学会、中国科学院过程工程研究所、中国科学院大连化学物理研究所主办，榆林中科洁净能源创新研究院承办，国际介科学组织、南京工业大学材料化学工程国家重点实验室、苏州实验室前沿材料研究部、中国科学院山西煤炭化学研究所、昆明理工大学共同协力。

北京合工仿真技术总监龚明博士在本次会议上展示了基于人工神经网络模型与流动机理模型耦合的低温质子交换膜燃料电池性能研究的特邀报告。

此研究内容主要依托国家碳氢资源清洁利用国际科技合作基地成熟的试验场地、用氢配套条件及深厚的科研基础，以及北京合工仿真技术有限公司在氢燃料电池测试-仿真方面的技术方案与技术贮备。

燃料电池系统复杂性导致建立准确的数值模型具有挑战性，克服这一瓶颈问题的关键在于进一步研究和开发更准确和可靠的预测方法，结合物理模型、实验数据和机器学习等技术，提高预测的精度和可靠性。神经网络作为机器学习算法的典型代表，可以弥补传统模型的不足，通过学习数据集映射关系快速提供输出参数，加速燃料电池性能预测与优化，支持可再生能源技术的推广和环境可持续发展。因此，本研究的方法包括结合单电池极化曲线实验、氢燃料电池机理模型以及人工神经网络模型，来深入研究质子交换膜燃料电池的性能。

传统上使用人工神经网络模型训练氢燃料电池模型，主要面临三方面的困难：一、膜电极或单电池的测试数据不可直接外推至电堆，而电堆测试获取数据的成本很高；二、实验测量手段有限，电池内部数据难以测量，数据之间的相关性偏弱；三、测量数据精度差，尤其是气体湿度测量，常常出现反物理规律的数据结果。本研究设计了结合高精度燃料电池机理模型的方法来解决以上问题。

为了使模型的准确性和可靠性更高，使用同种结构的神经网络模型训练6个不同关键输出结果。

耦合模型中，流道和GDL分别采用流动方向和厚度方向的流动机理模型，膜电极MEA部分采用人工神经网络模型，两者在GDL和催化层的界面上进行耦合，通过GDL中的控制方程提供MEA人工神经网络模型的输入参数，并获取MEA人工神经网络模型得到的电压/电流和水通量等结果作为控制方程的相关源项。

用此耦合模型和机理模型进行稳态和动态的工况拉载，对比两个模型在不同拉载工况下电流、电压、包括阴极流道和GDL侧的水分布情况。

研究工作总结：

1.通过单电池实验数据获得可以预测电堆运行状态的高精度模型，减少对高成本电堆实验的依赖和实验测量数据的依赖。

2.解决了单纯采用实验测试数据训练人工神经网络模型的缺陷，通过高精度机理模型在短时间内获得大量高质量的训练数据集。

3.将流动机理模型与人工神经网络模型相耦合，在不显著损失关键结果精度的前提下，即大大提高模型计算速度，达到“超实时”计算，又能够对电堆内水含量和分布进行较为准确的预测，为系统控制策略设计提供重要数据支撑。

本次会议面向过程工程大数据与智能化领域前沿、热点发展方向，吸引了四百多位来自全国各高校、科研院所及相关领军企业院士专家学者齐聚榆林，分享最新科研成果，探讨技术前沿，推进相关学科发展。会议共设有9场大会报告，41个主旨报告，54个特邀报告、27个青年报告及20张墙报。

精彩纷呈的报告与主题讨论为所有参与活动的团队提供了一个高水平互动合作和交流的平台，通过聆听学习与会专家学者的最新研究进展和未来发展方向，以及未来发展的挑战及应对策略，为合工仿真发展与提升过程工程领域内大数据和智能化技术研究与应用水平提供了可靠方向与思路。

在此衷心感谢会议主办方对本次会议的精心组织和安排，也感谢与会各位专家和学者的精彩演讲！