背景和概述

燃料電池是一種直接將燃料的化學能轉化為電能的裝置。已被譽為是繼水力、火力、核電之后的第四代發電技術。這種電化學能可提供外部負載所需要的直流電能，并且燃料電池不排放任何氮氧化物和硫氧化物。具有發電效率高、燃料范圍廣、環境污染小、可靠性高等特點。

圖1 燃料電池基本結構包括陽極（燃料電極）、陰極（氧電極）和電解質

根據燃料電池中使用的電解質種類，可以將其分為堿性燃料電池、磷酸燃料電池、固體氧化物燃料電池等6種。其中固體氧化物燃料電池（Solid Oxide Fuel Cell，SOFC）的工作溫度較高，在600℃-1000℃之間，高效的SOFC熱管理對于提高電池功率密度、維持系統安全穩定運行具有重要意義。

問題和難點

1. SOFC對工作溫度要求嚴格：電堆溫度過低時，電池片功率密度小、發電效率低下；電堆溫度過高、溫差過大以及溫度場分布不均時都會導致密封材料快速老化，電池片和連接體發生形變，甚至斷裂，從而導致電堆性能急劇下降；

2. 依賴于復雜的傳質傳熱過程、瞬態能量守恒等定律，雖然能準確預測溫度場形成和梯度分布等機理特性，但模型求解時間長，無法滿足在線計算時間限制的要求；

3. 基于模型的溫度控制系統需要依賴高精度的溫度分布模型。

解決方案：基于DTEmpower的燃料電池溫度分布建模 

為了對SOFC在不同工作條件下的溫度分布進行建模，為快速評估SOFC的可靠性提供模型支撐，本案例基于DTEmpower數據建模平臺，采用數據驅動的方法建立溫度分布的數據模型，為SOFC的快速評估提供模型支撐。

燃料電池溫度分布關鍵參數建模

①數據集介紹：某TOP高校提供的SOFC單體仿真數據集，含有6維輸入變量（電池電壓、空氣和燃料入口溫度、燃料質量流量等）和4維與溫度相關的輸出變量（平均電流密度、空氣壓降和最高溫度位置等），目標是建立輸入輸出變量之間的映射關系，以快速評估燃料電池在不同工作條件下的溫度分布。

②建模方法和建模結果：圖2所示的建模方法采用DTEmpower集成的AIAgent等多種訓練算法進行溫度分布建模的探索和嘗試。然后對比不同模型的測試誤差和R2等評價指標。

圖2 基于DTEmpower軟件平臺的燃料電池溫度分布關鍵參數建模流程和試驗結果，可以看到在燃料電池溫度分布的建模試驗中，基于AIAgent訓練算法的模型精度優于其他常見算法

結合DTEmpower數據建模工具，可以建立高精度的平均電流密度、燃料壓降和最高溫度位置的回歸模型，這為燃料電池溫度分布建模提供了有力的數據模型支撐。

基于位置的溫度分布擬合

1. 數據集介紹：SOFC長100mm，在恒定的工作條件下（共128個工作條件）每間隔0.1mm記錄對應位置下的溫度，客戶需求為根據其中5個采樣點生成一條溫度分布的曲線，以此快速評估燃料電池在不同工作條件下的溫度隨位置的分布情況。

2. 建模方法和試驗結果：圖3所示的建模方法采用AIAgent智能訓練算法并選取5個樣本進行訓練，剩余995個樣本進行對比驗證，擬合128種工作條件下溫度隨位置的分布情況。

圖3 基于DTEmpower軟件平臺的燃料電池溫度分布建模流程和結果，方案采用AIAgent智能訓練算法用以擬合溫度隨位置的分布情況。DTEmpower僅使用5個位置點上的溫度就能完美（R2指標都在99%以上）擬合出剩余995個位置上的溫度，這為SOFC的溫度分布建模提供了高精度的數據模型支撐

案例總結 

本案例基于DTEmpower數據建模平臺對SOFC的仿真數據集進行溫度分布建模：

• 對溫度分布的統計參數及其相關的重要參數，采用基于數據驅動的方法進行訓練和測試，對于大部分目標變量，基于AIAgent算法的模型R2指標（越接近1模型精度越高）在0.97以上；
• 對 基于位置的溫度分布進行訓練預測，AIAgent智能訓練算法的模型R2指標（越接近1模型精度越高）均在0.99以上。 這為燃料電池的可靠性的快速評估提供了強有力的數據模型支撐。

DTEmpower建模工具在SOFC溫度分布的建模分析中提供了一站式的數據建模解決方案，平臺提供了強大的數據挖掘、特征工程和模型自動學習等支撐技術，可以幫助用戶快速、便捷的構建精度較高的數據模型。

應用價值

1. 節省燃料電池溫度分布的建模時間

采用數據訓練的方式得到SOFC關鍵參數和溫度分布的高精度代理模型，用戶只需給定相應的輸入條件，即可在毫秒級的時間內得到輸出。這與小時級別的基于有限元分析的溫度分布的建模耗時相比，具有巨大優勢。

2. 強有力的溫度分布數據模型支撐

試驗中所得到的基于位置的溫度分布模型的R2指標在0.99以上，這為基于模型的溫度控制和燃料電池的快速評估提供強有力的數據模型支撐。

相關案例

圖4 燃料電池溫度分布示意圖

如對完整實施方案或相關軟件感興趣，可以 聯系我們 或申請 軟件試用 。