【技术】天洑数据建模实施案例集锦（2） - 燃料电池热管理快速评估
图1 燃料电池基本结构包括阳极（燃料电极）、阴极（氧电极）和电解质
根据燃料电池中使用的电解质种类，可以将其分为碱性燃料电池、磷酸燃料电池、固体氧化物燃料电池等6种。其中固体氧化物燃料电池（Solid Oxide Fuel Cell，SOFC）的工作温度较高，在600℃-1000℃之间，高效的SOFC热管理对于提高电池功率密度、维持系统安全稳定运行具有重要意义。
1. SOFC对工作温度要求严格：电堆温度过低时，电池片功率密度小、发电效率低下；电堆温度过高、温差过大以及温度场分布不均时都会导致密封材料快速老化，电池片和连接体发生形变，甚至断裂，从而导致电堆性能急剧下降；
2. 依赖于复杂的传质传热过程、瞬态能量守恒等定律，虽然能准确预测温度场形成和梯度分布等机理特性，但模型求解时间长，无法满足在线计算时间限制的要求；
为了对SOFC在不同工作条件下的温度分布进行建模，为快速评估SOFC的可靠性提供模型支撑，本案例基于DTEmpower数据建模平台，采用数据驱动的方法建立温度分布的数据模型，为SOFC的快速评估提供模型支撑。
燃料电池温度分布关键参数建模
①数据集介绍：某TOP高校提供的SOFC单体仿真数据集，含有6维输入变量（电池电压、空气和燃料入口温度、燃料质量流量等）和4维与温度相关的输出变量（平均电流密度、空气压降和最高温度位置等），目标是建立输入输出变量之间的映射关系，以快速评估燃料电池在不同工作条件下的温度分布。
②建模方法和建模结果：图2所示的建模方法采用DTEmpower集成的AIAgent等多种训练算法进行温度分布建模的探索和尝试。然后对比不同模型的测试误差和R2等评价指标。
图2 基于DTEmpower软件平台的燃料电池温度分布关键参数建模流程和试验结果，可以看到在燃料电池温度分布的建模试验中，基于AIAgent训练算法的模型精度优于其他常见算法
结合DTEmpower数据建模工具，可以建立高精度的平均电流密度、燃料压降和最高温度位置的回归模型，这为燃料电池温度分布建模提供了有力的数据模型支撑。
2. 建模方法和试验结果：图3所示的建模方法采用AIAgent智能训练算法并选取5个样本进行训练，剩余995个样本进行对比验证，拟合128种工作条件下温度随位置的分布情况。
图3 基于DTEmpower软件平台的燃料电池温度分布建模流程和结果，方案采用AIAgent智能训练算法用以拟合温度随位置的分布情况。DTEmpower仅使用5个位置点上的温度就能完美（R2指标都在99%以上）拟合出剩余995个位置上的温度，这为SOFC的温度分布建模提供了高精度的数据模型支撑
本案例基于DTEmpower数据建模平台对SOFC的仿真数据集进行温度分布建模：
对温度分布的统计参数及其相关的重要参数，采用基于数据驱动的方法进行训练和测试，对于大部分目标变量，基于AIAgent算法的模型R2指标（越接近1模型精度越高）在0.97以上；
对基于位置的温度分布进行训练预测，AIAgent智能训练算法的模型R2指标（越接近1模型精度越高）均在0.99以上。这为燃料电池的可靠性的快速评估提供了强有力的数据模型支撑。
2. 强有力的温度分布数据模型支撑
试验中所得到的基于位置的温度分布模型的R2指标在0.99以上，这为基于模型的温度控制和燃料电池的快速评估提供强有力的数据模型支撑。
