质子交换膜燃料电池（PEMFCs）消耗氢气和氧气，来产生清洁的电力和水，具有高能量转换效率和零排放的优点。PEMFCs的性能高度依赖于燃料和氧化剂气体在阳极和阴极的扩散和利用，以及对阴极产生的水的有效管理。在高负荷下，生成的水可能使氧气（空气）的载湿能力饱和，并在多孔介质中凝结成液滴。如果不能充分去除，液态水将最终积聚在微孔气体扩散层（GDL）和微孔层（MPL）中，阻碍气体扩散到活性部位，从而淹没PEMFC。因此，水淹和脱水之间的平衡对于高性能PEMFCs至关重要。由于多尺度、多层多孔介质中的多相、多组分、反应动力学，精确的液态水建模本身具有挑战性。此外，目前不充分的成像和建模能力限制了对小区域（<1 mm2）或简化架构的模拟。
近日，澳大利亚新南威尔士大学的Quentin Meyer博士、赵川教授和Ryan T. Armstrong教授等人利用X射线微计算机断层扫描、深度学习超分辨率、多标签分割和直接多相模拟，实现了水建模的进步。结合分辨率和视场的上限，一幅275×1000×2000体素（2.8 μm）的低分辨率、低质量图像通过创新的卷积神经网络（CNN）架构在700 nm处被超分辨到1100×4000×8000体素。然后通过CNN对膜、催化剂层、MPL、GDL、孔隙空间和气体通道进行分割，生成的图像用于在超级计算集群上使用单相和多相LBM来模拟水和气的输送。这一改进代表了PEMFCs成像和建模能力的几个数量级的进步。这种可推广的方法揭示了气体扩散层和流场中大面积脱水和水淹地区的多尺度水聚集和传输机制，为具有优化结构和可湿润性的下一代质子交换膜燃料电池铺平了道路。研究成果以题为“Large-scale physically accurate modelling of real proton exchange membrane fuel cell with deep learning”发表在知名期刊Nature Communications上。
利用X射线微计算机断层扫描、深度学习超分辨率、多标签分割和直接多相模拟，实现了水建模的进步，这一改进代表了PEMFCs成像和建模能力的几个数量级的进步。
图1 本研究中生成的PEMFC结构域 © 2023 The Authors
具有人工覆盖的流动通道的分段膜电极组件的2D和3D绘制。
图2 Micro-CT成像，深度学习超分辨率和多标签分割 © 2023 The Authors
（a）PEMFCs物理样品的照片和显微CT图像。
（b-e）低分辨率的2D横截面（275 × 1000 × 2000体素，2.8 μm）与超分辨率（1100 × 4000 × 8000 体素，700nm）以及利用分割的超分辨域的3D渲染的多标签分割。
图3 超分辨多标签分割图像的空间分析 © 2023 The Authors
（a-b）催化剂层侵入MPL裂缝的二维投影图和半变异函数，侵入的典型长度可达1.5 mm。
（c-d）GDL挤压MPL和侵入GDL编织孔的二维投影和自相关范围为0.25-2 mm的半变异函数。
图4 PEMFC内的速度场分布 © 2023 The Authors
（a）在700 nm体素分辨率下，PEMFC图像的完全分辨速度幅度场。
（b）GDL内部和周围流动的速度PDFs。
（c）PEMFC的渗透率与图像分辨率的关系。
图5 PEMFC中的水-气流动模拟 © 2023 The Authors
（a-b）模拟脱水和水淹状态的流量模式。
（c-e）流动模式显示液滴从GDL中流出并迅速回到GDL中，形成气通道下流的孔洞。
（f-g）通过对时间步长进行平均获得的水占用率，显示了GDL和气体通道之间的水流相互作用。
图6 μ-CT获得的PEMFC图像 © 2023 The Authors
（a）全视野低分辨率（2.8 μm）PEMFC图像。
（b-c）记录的低分辨率和高分辨率（700 nm）子域。
图7 用于超分辨率和多标签分割的CNN架构 © 2023 The Authors
（a）DualEDSR的网络架构，由2个串联的EDSR网络和适当的上采样层组成。
（b）U-ResNet的架构，包含下采样作为图像特征提取和上采样层用于有效的特征解码。
研究者利用X射线微计算机断层扫描、深度学习超分辨率、多标签分割和直接多相模拟，实现了水建模的进步。结果表明，疏水和多孔的GDL形成了两种独立的流动状态：（1）水通过高孔隙度的通道向上流过GDL，然后从GDL编织孔进入气体通道，以及（2）气体通过GDL的纤维内区域扩散到MPL和催化剂层。虽然未进行深入研究，但MPL裂缝应该创造优先的液态水通道，而均匀区域有利于气体的质量传递。虽然本研究模拟都考虑了疏水MPL和GDL，但局部非均匀性可能会显著影响气和水的路径，可以使用类似的方法进一步研究。最后，考虑到非均匀电流密度和热产生，可以使用电化学建模进一步丰富多相流模型。
原文详情：Large-scale physically accurate modelling of real proton exchange membrane fuel cell with deep learning (Nat Commun 2023, 14, 745)
本文由大兵哥供稿。
cailiaorenVIP
