基于机器学习的燃料电池多目标优化设计方法和存储介质

摘要: 本发明属于人工智能通用技术与群体智能,具体而言,涉及基于机器学习的燃料电池多目标优化设计方法和存储介质。背景技术:1、燃料电池极板的流场结构是实现高效电化学反应...
基于机器学习的燃料电池多目标优化设计方法和存储介质

本发明属于人工智能通用技术与群体智能,具体而言,涉及基于机器学习的燃料电池多目标优化设计方法和存储介质。

背景技术:

1、燃料电池极板的流场结构是实现高效电化学反应与精准水管理的核心部件,已成为车用燃料电池和分布式发电系统不可或缺的关键组成。其流道拓扑布局、截面几何参数及三维微扰动结构的优劣,直接关系到流场的净功率密度、水饱和度、氧气分布均匀性。在燃料电池向高电流密度、高功率密度、长寿命方向持续升级的背景下,极板流场结构设计面临高挑战,需在确保净功率密度大、水饱和度可控、氧气分布均匀性优良的基础上,实现极板轻量化与可制造性。

2、在传统极板流场设计中,主要依赖工程师的经验积累与试错探索,或基于计算流体力学仿真的串行优化思路,依托完整数值模拟完成全流程迭代验证,其计算成本高昂、设计周期漫长。随着技术发展,机器学习已成为工程优化领域的重要突破口,它依托数据驱动机制,精准捕捉设计参数与性能指标间的非线性关联,构建高效径向基函数模型,能大幅降低对高成本仿真的依赖,还能在复杂设计空间中快速定位最优解,提升优化过程的自动化水平与整体效率。

3、然而,现有机器学习优化技术在处理燃料电池极板流场多目标优化问题时,需统筹净功率密度最大化、水饱和度控制、氧气分布均匀性提升多重相互冲突的指标,传统方法难以高效、稳健地获得兼顾电化学性能、水管理能力及轻量化需求的全局最优流场结构。

技术实现思路

1、针对现有技术的以上局限性,同时考虑到以净功率密度最大化、水饱和度最优化、氧气分布均匀性最优化三个优化目标的设计需求,本发明提出了基于机器学习的燃料电池多目标优化设计方法和存储介质。

2、为实现上述目的,本发明第一方面提供了基于机器学习的燃料电池多目标优化设计方法,包括:

3、s1,基于燃料电池极板的流场结构设计要求与载荷分布情况,选取多个设计参数,构建流场参数化模型与优化目标仿真模型,构造流场结构三目标数学模型,三目标包括净功率密度、水饱和度、氧气分布均匀性;

4、s2,采用约束可行性驱动的种群重构来产生优化种群,将优化种群用于构建全局数据库;

5、s3,采用高斯核函数构建径向基函数并推导梯度向量,构造梯度信息引导的多目标进化机制产生子代样本集合,并更新优化种群;

6、s4,以更新后的当前最优解为初始点,构建自适应稀疏度加权的惩罚边界目标函数进行局部搜索,以获得当前最优流场结构;

7、s5,评估当前最优流场结构,更新数据库及优化种群,若当前最优流场结构满足几何结构约束与三个目标的设计要求,则输出当前最优流场结构参数取值,否则返回步骤s3直至满足设计要求。

8、可选地,步骤s1具体包括:

9、s1.1,基于燃料电池极板的流场结构设计要求与载荷分布情况,选取流道宽度、流道间距、流道转角半径、流道单元半宽、横向流道单元数、纵向流道单元数及流道深度作为设计参数,根据设计参数取值上界与下界构建设计空间;

10、s1.2,基于燃料电池流场结构设计要求与载荷分布情况,在几何建模软件中构造流场参数化模型;

11、s1.3,根据流场参数化模型、载荷分布情况以及边界条件在有限元分析软件中搭建净功率密度、水饱和度、氧气分布均匀性的优化目标仿真模型;

12、s1.4,以净功率密度最大化、水饱和度最优化、氧气分布均匀性最优化为三个优化目标,以流场几何结构约束为优化约束来推导流场结构三目标数学模型。

13、可选地,所述流场结构三目标数学模型的具体表达式如下:

14、,

15、,

16、,

17、上式中,表示寻找设计参数的最优解,表示流场结构的设计参数,表示流道宽度,表示流道间距,表示流道转角半径,表示流道单元半宽,表示横向流道单元数,表示纵向流道单元数,表示流道深度,表示最小化,表示净功率密度的相反数,表示净功率密度函数,表示水饱和度偏差指标,表示水饱和度,表示最优水饱和度,表示氧气分布不均匀性,表示氧气分布不均匀性函数,是需满足的约束,表示正整数集合,表示阴极板的厚度,表示阴极板的长度,表示流道与阴极板边缘的安全距离,表示阴极板的宽度,表示取最小值,表示最小允许水饱和度,表示最大允许水饱和度。

18、可选地,步骤s2具体包括:

19、s2.1,采用拉丁超立方采样生成包含个个体的初始种群;在此基础上执行双重循环优化过程,其中外层循环共计执行次,每次通过拉丁超立方采样生成1个新个体,内层循环则将该新个体逐一替换至种群中每一位置,并计算各替换方案所对应的种群多样性贡献值,最终选取使多样性贡献最大化的位置执行替换操作;

20、其中,计算种群多样性贡献值的步骤如下:

21、首先,计算当前种群中所有个体之间的平均距离,用于量化种群的整体多样性水平;

22、,

23、上式中,表示当前种群集合,表示当前种群中所有个体之间的平均距离,表示种群规模,表示第个个体,表示第个个体,用于计算和之间的欧几里得距离;

24、随后衡量用新个体替换种群中某个旧个体后种群多样性的变化量,用于判断该替换操作对多样性提升是否有益,从而筛选出多样性贡献最大的替换方案;

25、,

26、上式中,表示候选新个体,表示被替换的旧个体,表示用替换后种群多样性的变化量,表示剔除旧个体后的种群,表示新个体集合,表示替换后的新种群,表示替换后的新种群中所有个体之间的平均距离;

27、s2.2,采用净功率密度、水饱和度、氧气分布均匀性的优化目标仿真模型分别获得优化种群样本的净功率密度值、水饱和度值、氧气分布均匀性值,并将所有优化种群样本用于构建全局数据库。

28、可选地,步骤s3具体包括:

29、s3.1,采用高斯核函数分别构建净功率密度、水饱和度、氧气分布均匀性的径向基函数模型,具体表达式如下:

30、,

31、,

32、,

33、其中,,

34、上式中,表示待预测的输入向量,表示净功率密度,表示净功率密度的径向基函数模型预测值,表示水饱和度,表示水饱和度的径向基函数模型预测值,表示氧气分布均匀性,表示氧气分布均匀性的径向基函数模型预测值,表示训练样本总数,表示净功率密度中第个基函数对应的权值,表示水饱和度中第个基函数对应的权值,表示氧气分布均匀性中第个基函数对应的权值,表示高斯核函数,表示净功率密度对应的高斯核函数,表示水饱和度对应的高斯核函数,表示氧气分布均匀性对应的高斯核函数,表示第个训练样本的输入向量,其中训练样本与基函数一一对应并作为其中心,基函数数量等于训练样本总数;用于计算和之间的欧几里得距离,表示自然指数函数,表示净功率密度对应的核函数宽度参数,表示水饱和度对应的核函数宽度参数,表示氧气分布均匀性对应的核函数宽度参数,表示净功率密度的偏置项,表示水饱和度的偏置项,表示氧气分布均匀性的偏置项;

35、s3.2,推导每个径向基函数模型的梯度向量,具体表示式如下:

36、,

37、,

38、,

39、上式中,表示待求梯度处的输入向量,表示净功率密度径向基函数模型在输入向量处的梯度向量,表示水饱和度径向基函数模型在输入向量处的梯度向量,表示氧气分布均匀性径向基函数模型在输入向量处的梯度向量,用于计算和之间的欧几里得距离,表示高斯核函数对距离的一阶导数;

40、s3.3,构造梯度信息引导的多目标进化机制产生子代样本集合,具体步骤如下:

41、首先计算子问题的切比雪夫聚合函数的梯度向量,具体公式如下:

42、,

43、上式中,表示梯度算子,表示切比雪夫聚合函数,表示子问题的当前解,表示子问题的权重向量,表示切比雪夫聚合函数在当前解处对设计参数的梯度向量,表示主导目标索引,表示权重向量中第个分量,表示第个目标的径向基函数模型在处的预测值,表示第个目标的参考点,表示第个目标的径向基函数模型在处的梯度向量;

44、随后计算子问题的切比雪夫聚合函数梯度下降步,采用armijo线搜索确定步长,确保充分下降,采用具体公式如下:

45、,

46、,

47、上式中,表示第个子问题经梯度下降后生成的原始候选解向量,表示步长,表示下降方向向量,表示在试探点处的新聚合函数值,表示在当前解处的原聚合函数值,表示充分下降系数;

48、若上述生成的原始候选解超出可行域边界,则采用边界投影策略将其修正为可行解:

49、,

50、上式中,表示第个子问题经投影修正后的新候选解向量,表示设计参数的可行域,表示投影算子,表示使目标函数取最小值的自变量,表示可行域内的任意点,表示与之间的欧几里得距离;

51、对优化种群中所有个子问题重复执行上述s3.3步骤,最终得到完整的子代样本集合;

52、s3.4,根据几何结构约束从子代样本集合中筛选前个临时子代,并根据切比雪夫函数从前个临时子代中选择切比雪夫函数值最小的1个最佳临时子代;

53、s3.5,以最佳临时子代为基向量进行维度扰动变异,产生个当前子代库;

54、s3.6,根据几何结构约束从当前子代库中筛选前个当前子代,并根据切比雪夫函数从前个当前子代中选择切比雪夫函数值最小的1个最佳当前子代;

55、s3.7,采用净功率密度、水饱和度、氧气分布均匀性的优化目标仿真模型分别获得最佳当前子代的净功率密度、水饱和度、氧气分布均匀性值,并将最佳当前子代加入全局数据库;

56、s3.8,将最佳当前子代用于替换优化种群中最差样本以实现优化种群更新。

57、可选地,步骤s4具体包括:

58、s4.1,以更新后的当前最优解为初始点,构造自适应稀疏度加权的惩罚边界目标函数,基于pbi惩罚边界交叉方法将原始多目标问题转化为带惩罚项的单目标问题,pbi惩罚边界交叉方法通过权重向量定义搜索方向,使解沿该方向收敛至帕累托前沿边界,具体公式如下:

59、构造pbi惩罚边界交叉聚合函数:

60、,

61、,

62、,

63、上式中,表示设计参数向量,即优化过程中的候选解;表示权重向量,用于定义目标空间中的搜索方向并反映各目标间的偏好;表示由各目标的理想最优值构成的参考点,表示pbi聚合惩罚边界交叉函数值,表示用于衡量收敛性的候选解在权重向量方向上的投影距离,表示用于衡量多样性的候选解到权重向量的垂直距离,表示自适应惩罚参数,表示目标向量,表示权重向量的欧几里得范数,表示向量的转置;

64、计算自适应惩罚参数,具体公式如下:

65、,

66、,

67、,

68、上式中,表示第个子问题的局部密度,表示种群规模,表示第个子问题的邻域解集合,表示第个解的目标向量,表示第个解的目标向量,表示全局平均密度,表示第个子问题的自适应惩罚参数,表示全局基础惩罚系数,作为所有子问题惩罚参数的基准值;表示用于保证数值稳定性的极小正数;

69、s4.2,推导最终局部搜索目标函数的梯度向量,该梯度向量兼具目标下降方向和约束修复方向的双重信息,能够引导搜索同时优化性能和满足约束,具体公式如下:

70、,

71、上式中,表示第个子问题的最终局部搜索目标函数,表示最终局部搜索目标函数在候选解处的梯度向量,表示梯度算子,表示用于衡量收敛性的候选解在权重向量方向上的投影距离,表示用于衡量多样性的候选解到权重向量的垂直距离,表示稀疏度奖励权重,表示候选解对应目标向量处的稀疏度;

72、s4.3,采用梯度优化方法进行局部搜索生成候选解集合,具体公式如下:

73、,

74、,

75、,

76、上式中,表示用于概率密度估计的任意目标向量,表示在目标向量处的估计概率密度值,表示种群规模,表示高斯核函数,表示目标向量处的稀疏度,表示第个子问题的最终局部搜索目标函数;

77、基于上述最终局部搜索目标函数,采用梯度下降法对每个子问题的当前解进行迭代更新,对所有个子问题依次执行梯度下降更新,更新后的解即构成候选解集合;

78、s4.4,经真实评估从候选解集合中筛选出当前最优解,再采用几何结构约束对当前最优解进行可行修复以确保其完全满足几何结构约束,得到当前最优流场结构。

79、本发明另一方面提供一种存储介质,所述存储介质为计算机可读存储介质,且存储有计算机程序,所述计算机程序在被处理器执行时实现上述的基于机器学习的燃料电池多目标优化设计方法。

80、总结而言,通过本发明所构思的以上技术方案与现有技术相比,本发明主要具有以下有益效果:

81、本发明针对燃料电池极板流场结构多目标优化问题,构建自适应稀疏度加权的惩罚边界目标函数进行局部搜索,能够在优化过程中动态协调目标性能提升与约束边界可行性的矛盾,引导候选解在满足水饱和度与氧气分布均匀性要求下,向净功率密度最优的区域收敛,提升算法在燃料电池极板流场结构设计中的工程实用性与优化效率。本发明可解决现有技术无法将径向基函数模型的梯度信息与基于pbi(penalty-based boundaryintersection,惩罚边界交叉法)分解的多目标进化策略高效协同,且缺乏基于目标空间稀疏度动态调整惩罚参数的优化机制,难以兼顾收敛速度、种群多样性与约束处理能力的局限性。

82、本发明结合自适应稀疏度加权的惩罚边界目标函数进行局部搜索,有效平衡净功率密度最大化、水饱和度控制与氧气分布均匀性提升多重冲突目标,获得兼顾综合性能的全局最优的当前最优流场结构参数取值,可解决传统方法在燃料电池极板流场多目标优化中,依赖耗时cfd(computational fluid dynamics,计算流体动力学)仿真迭代、计算成本高昂且目标间耦合关系难以精确处理的局限性。

83、总之,本发明能针对燃料电池极板复杂约束下的多目标优化问题高效求解,适配cfd仿真场景下多目标冲突与约束耦合的复杂工况,提高优化精度与流场综合性能,能精准实现净功率密度、水饱和度与氧气分布均匀性的综合最优控制,同时也为其他多目标工程优化设计提供了可用的“rbf(radial basis function,径向基函数)径向基函数模型+pbi分解+梯度信息引导”算法框架。