(19)中华 人民共和国 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 202111209562.3 (22)申请日 2021.10.18 (71)申请人 上海神力科技有限公司 地址 201401 上海市奉贤区远东路7 77弄28 号3幢 (72)发明人 甘全全　娄轩宇　李印实　张翼翀　 王禹　戴威　 (74)专利代理 机构 上海科盛知识产权代理有限 公司 312 25 代理人 叶敏华 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01) G06F 30/28(2020.01) G06N 20/10(2019.01)G06F 111/06(2020.01) G06F 111/10(2020.01) (54)发明名称 一种多目标燃料电池冷却流道优化设计方 法 (57)摘要 本发明涉及一种多目标燃料电池冷却流道 优化设计方法， 包括： 利用控制方程耦合搭建二 维两相非等温燃料电池数理模型， 完成模型验证 后作为数据驱动源； 提取冷却流道结构优化参 数、 优化目标、 优化参数变化范围以及约束条件； 根据优化参数变化范围以及约束条件， 将变化的 优化参数代入数理模型， 以输出得到原始数据 集； 基于原始数据集， 应用机器学习算法构建得 到数据驱动多目标代理模型； 采用遗传算法对多 目标代理模 型进行优化求解， 得到最优的冷却流 道结构参数。 与现有技术相比， 本发明能够多角 度、 快速、 准确地对冷却流道结构参数进行综合 优化， 为实际燃料电池结构设计提供指导。 权利要求书3页 说明书10页 附图6页 CN 113946995 A 2022.01.18 CN 113946995 A 1.一种多目标燃料电池冷却流道优化设计方法， 其特 征在于， 包括以下步骤： S1、 搭建数理模型： 利用控制方程耦合搭建二维两相非等温燃料电池模型， 通过网格划 分， 并使用有限元分析法进行离 散计算， 完成数理模型 搭建； S2、 构建多目标代理模型： 确定冷却流道结构优化参数、 优化目标、 优化参数变化范围 以及约束条件； 根据优化参数变化范围以及约束条件， 将变化的优化参数代入数理模型， 以输出得到 原始数据集； 基于原始数据集， 通过机器学习训练的方式， 构建得到多目标代理模型； S3、 遗传算法优化： 采用遗传算法对多目标代 理模型进行优化求解， 得到最优的冷却流 道结构参数。 2.根据权利要求1所述的一种 多目标燃料电池冷却流道优化设计方法， 其特征在于， 所 述步骤S1中控制方程包括质量守恒方程、 动量守恒方程、 能量守恒方程、 物料守恒方程、 电 荷守恒方程、 浓度依赖Butler ‑Volmer方程和氧传输过程方程， 其中， 所述质量守恒方程包 括气相、 液相质量守恒方程， 所述动量守恒方程包括气相、 液相动量守恒方程。 3.根据权利要求1所述的一种 多目标燃料电池冷却流道优化设计方法， 其特征在于， 所 述步骤S2具体包括以下步骤： S21、 根据冷却流道的结构， 选取以下 结构参数作为优化 参数： X＝(Bias,WCH,w,HCH,w,HBP,a,HBP,c)T 其中， X为冷却流道结构参数集， Bias为燃料流道 ‑冷却水流道中心轴偏差， WCH,w为冷却 水流道宽度， HCH,w为半冷却水流道高度， HBP,a为阳极燃料 ‑冷却水极板厚度， HBP,c为阴极燃 料‑冷却水极板厚度； 确定优化目标为电池额定点功率密度以及截面温差； 确定优化 参数变化范围具体为： {Bias|(0,0.6)} {WCH,w|(0.4,1)} {HCH,w|(0.1,0.5)} {HBP,a|(0.2,1)} {HBP,c|(0.2,1)} {Htotal|(1.2,1.6)} 同时双极板厚度需满足以下约束条件： Htotal＝HBP,a+HBP,c+2HCH,w {Htotal|(1.2,1.6)} 其中， Htotal为双极板厚度； S22、 根据各优化参数变化范围， 随机生成多组优化参数， 以作为输入数据集， 将输入数 据集代入数理模型， 得到输出数据集， 将输入数据集与输出数据集对应组合得到原始数据 集； S23、 基于原 始数据集， 通过机器学习训练的方式， 构建得到多目标代理模型。 4.根据权利要求3所述的一种 多目标燃料电池冷却流道优化设计方法， 其特征在于， 所 述步骤S23具体包括以下步骤：权　利　要　求　书 1/3 页 2 CN 113946995 A 2S231、 对原始数据集的输入和输出进行归一化预处理， 并记录各参数归一化映射法则， 将预处理后的原 始数据集， 按照设定比例划分训练集和 测试集； S232、 以支持向量机作为机器学习训练算法， 使用支持向量机对训练集进行代理模型 训练、 并使用测试集进 行代理模型准确性验证， 得到 关于不同优化目标的多目标代理模型， 所述多目标代理模型包括电池额定点功率密度代理模型和截面温差代理模型。 5.根据权利要求4所述的一种 多目标燃料电池冷却流道优化设计方法， 其特征在于， 所 述支持向量机的配置具体为： 选择径向基函数作为核函数， 并通过网格搜索法获得模型确 定系数最高的正则化 参数c与高斯核宽度g。 6.根据权利要求4所述的一种 多目标燃料电池冷却流道优化设计方法， 其特征在于， 所 述多目标代理模型 具体为： 其中， 为电池额定功率密度代理模型， 为截面温差代理模型。 7.根据权利要求6所述的一种 多目标燃料电池冷却流道优化设计方法， 其特征在于， 所 述步骤S3具体包括以下步骤： S31、 配置遗传算法， 并初始化种群： 配置种群数量、 精英个数、 种群最大代数以及停滞 代数， 并使用与原 始数据集中相同的优化 参数变化范围与约束条件， 以生成初始化种群； S32、 对初始化种群进行归一 化预处理， 之后对 归一化后的种群进行编码； S33、 将种群 个体代入多目标代理模型， 通过计算得到个 体适应度； S34、 根据个体适应度进行遗传运算， 计算得到新种群， 并采用设定的截止条件进行收 敛判断， 得到最优参数集； S35、 对最优参数集进行解码及反归一 化处理， 得到最优的冷却流道结构参数。 8.根据权利要求7所述的一种 多目标燃料电池冷却流道优化设计方法， 其特征在于， 所 述步骤S33具体包括以下步骤： S331、 将种群 个体代入多目标代理模型， 得到对应输出 结果； S332、 对步骤S3 31得到的输出 结果进行加权求和计算， 得到个 体适应度： Fit＝WTY WT＝(w1,w2) 其中， Fit为个体适应度， WT为参数权重集， Y为多目标代理模型的输出汇总数据集， w1为 多目标代理模型中电池额定点功率密度代理模型对应的权重值， w2为多目标代理模型中截 面温差代理模型对应的权 重值。 9.根据权利要求7所述的一种 多目标燃料电池冷却流道优化设计方法， 其特征在于， 所 述步骤S34中遗传运算包括选择函数、 交叉函数和 变异函数， 其中， 所述选择函数采用随机 均匀分布选择法， 所述交叉函数采用离 散重组法， 所述变异函数采用高斯变异法。 10.根据权利要求7所述的一种多目标燃料电池冷却流道优化设计方法， 其特征在于，权　利　要　求　书 2/3 页 3 CN 113946995 A 3