液流电池分级叉指型流场设计筛选方法、系统及流场极板
本申请涉及液流电池,具体涉及一种液流电池分级叉指型流场设计筛选方法、系统及流场极板。
背景技术:
1、流场板作为液流电池的关键组件,其流道结构直接影响电解液在多孔电极内的流动分布、传质效率及泵功损耗,进而决定电池的能量效率、功率密度及运行稳定性。
2、现有的叉指型流场因全域压力梯度分配不均呈弥散分布特征,且对几何参数的微小变动极其敏感,导致依靠传统经验或局部改进难以实现精准优化。与此同时,现有验证手段严重依赖全电池测试,不仅消耗昂贵的电解液和离子交换膜材料,而且全电池仅能反馈能量效率等宏观集成指标。单纯依靠数值模拟或数据驱动预测的方案,在缺乏实验校准的情况下,往往因难以准确评估多物理场间的非线性交互而在实测阶段失败。
3、因此,如何提供一种液流电池分级叉指型流场设计筛选方法、系统及流场极板,以实现在庞大的分级叉指型流场几何参数空间中,高效且低成本地筛选出兼具高传质均匀性与低压降的最优设计方案,已成为制约液流电池高性能流场结构快速研发的关键技术难题。
技术实现思路
1、本申请提供一种液流电池分级叉指型流场设计筛选方法、系统及流场极板,旨在高效且低成本地从大规模分级叉指型流场几何参数空间中,筛选出兼具高传质均匀性与低压降的最优设计方案。
2、一方面,本申请的实施例提供一种液流电池分级叉指型流场设计筛选方法,包括:构建分级叉指型流场的几何参数空间,根据预设的设计变量进行解耦与排列组合,生成覆盖完整几何参数空间的多组候选流场设计方案,所述设计变量包括一级流道宽度w1、二级流道宽度w2、三级流道宽度w3及二级流道的分支密度n2,且w1>w2>w3>n2;从多组所述候选流场设计方案中抽取部分样本,通过多物理场仿真计算各样本的输出性能标签,构建包含输入几何参数与输出性能标签的多模态基准数据集,所述输出性能标签至少包括反应物浓度分布矩阵、压力降和均匀性因子,所述反应物浓度分布矩阵的空间分辨率为128×128;根据多模态基准数据集建立并训练基于密集块的多模态神经网络预测模型,使其能够对所述候选流场设计方案的所述反应物浓度分布矩阵、所述压力降和所述均匀性因子进行联合预测,所述多模态神经网络预测模型采用编码器-解码器对称结构,引入跳跃连接将浅层几何拓扑信息传递至深层,网络深度为四层,批处理大小为32,并采用多梯度下降算法平衡图像重构任务与标量预测任务的梯度更新;利用训练好的所述多模态神经网络预测模型对每组所述候选流场设计方案进行所述联合预测,依据各方案对应的所述压力降与所述均匀性因子的综合优选准则,初筛出若干高性能潜力方案;对初筛出的所述高性能潜力方案采用热流可视化实验获取其温度分布均匀性因子达到预设阈值所需的动态响应时间,以所述动态响应时间作为传质均匀性评价指标,筛选出综合传质性能最优的流场设计方案;将所述最优流场设计方案制成石墨极板,将所述石墨极板用于全电池中进行电化学性能验证。
3、可选地,在本申请的一些实施例中,构建所述多模态基准数据集时,抽取样本数量的取值范围介于100组至150组之间,并按9:1:1划分为训练集、验证集和测试集,通过多组随机种子验证各子集在几何参数与性能标签分布上的一致性。
4、可选地,在本申请的一些实施例中,所述多物理场仿真耦合流体动力学、物质传输和电化学反应过程。
5、可选地,在本申请的一些实施例中,所述多梯度下降算法通过求解以下优化问题确定各任务权重:
6、目标函数:,
7、约束条件:,
8、其中,为图像重构任务的损失梯度向量,为标量预测任务的损失梯度向量为图像重构任务对应的组合权重系数,为标量预测任务对应的组合权重系数。
9、可选地,在本申请的一些实施例中,所述多模态神经网络预测模型在测试集上对所述反应物浓度、所述压力降和所述均匀性因子的预测决定系数r2均不低于0.98。
10、可选地,在本申请的一些实施例中,所述热流可视化实验包括:采用透明亚克力板与示温液晶温敏片构建可视化夹具;通入第一温度流体使多孔电极达到初始热平衡,再切换通入高于第一温度的第二温度流体;通过记录温敏片颜色演变过程定量表征温度分布均匀性,以温度均匀性因子达到预设阈值所需的动态响应时间作为所述传质均匀性的评价指标。
11、另一方面,本申请提供一种液流电池分级叉指型流场设计筛选系统,包括:几何参数空间生成模块,用于对分级叉指型流场的设计变量进行解耦与排列组合,生成覆盖完整几何参数空间的多组候选流场设计方案,所述设计变量包括一级流道宽度w1、二级流道宽度w2、三级流道宽度w3及二级流道的分支密度n2,且w1>w2>w3>n2;多物理场仿真模块,用于对部分所述候选流场设计方案进行多物理场仿真,计算其反应物浓度分布矩阵、压力降和均匀性因子,形成包含几何输入与性能输出的多模态基准数据集,所述反应物浓度分布矩阵的空间分辨率为128×128;数据驱动预测模块,包含经所述多模态基准数据集训练而成的基于密集块的多模态神经网络预测模型,用于对每组所述候选流场设计方案进行所述联合预测,并依据各方案对应的所述压力降与所述均匀性因子的综合优选准则,初筛出若干高性能潜力方案,所述多模态神经网络预测模型采用编码器-解码器对称结构,引入跳跃连接将浅层几何拓扑信息传递至深层,网络深度为四层,批处理大小为32,并采用多梯度下降算法平衡图像重构任务与标量预测任务的梯度更新;热流可视化预评估模块,用于对初筛出的所述高性能潜力方案采用热流可视化实验获取其温度分布均匀性因子达到预设阈值所需的动态响应时间,以所述动态响应时间作为传质均匀性评价指标,筛选出综合传质性能最优的流场设计方案,所述综合传质性能最优的流场设计方案用于制成在全电池中进行电化学性能验证的石墨极板。
12、另一方面,本申请提供一种液流电池用分级叉指型流场极板,包括:极板基体;分级叉指型流场结构,设置于所述极板基体表面,所述分级叉指型流场结构包含一级流道、二级流道和三级流道,所述一级流道、所述二级流道和所述三级流道的宽度逐级收缩且三者在所述极板基体表面呈叉指状交替排布。
13、可选地,在本申请的一些实施例中,所述一级流道、所述二级流道和所述三级流道的宽度取值范围均介于1.0毫米至5.0毫米之间。
14、本申请提供的液流电池分级叉指型流场设计筛选方法、系统及流场极板,相比于现有技术,具有以下有益效果:
15、(1)通过三级流道宽度逐级收缩的流场结构设计,从物理层面打破了传质均匀性与压力降之间的矛盾。
16、(2)利用数据驱动模型替代逐一物理仿真,实现了大规模几何参数空间的高效精准初筛,显著降低了计算成本。
17、(3)通过热流可视化预评估替代直接全电池测试,在不组装全电池的条件下即可完成传质性能的物理校准,降低了验证成本并提高了筛选可靠性。
1.一种液流电池分级叉指型流场设计筛选方法,其特征在于,包括:
2.根据权利要求1所述的液流电池分级叉指型流场设计筛选方法,其特征在于,构建所述多模态基准数据集时,抽取样本数量的取值范围介于100组至150组之间,并按9:1:1划分为训练集、验证集和测试集,通过多组随机种子验证各子集在几何参数与性能标签分布上的一致性。
3.根据权利要求1所述的液流电池分级叉指型流场设计筛选方法,其特征在于,所述多物理场仿真耦合流体动力学、物质传输和电化学反应过程。
4.根据权利要求1所述的液流电池分级叉指型流场设计筛选方法,其特征在于,所述多梯度下降算法通过求解以下优化问题确定各任务权重:
5.根据权利要求1所述的液流电池分级叉指型流场设计筛选方法,其特征在于,所述多模态神经网络预测模型在测试集上对所述反应物浓度、所述压力降和所述均匀性因子的预测决定系数r2均不低于0.98。
6.根据权利要求1所述的液流电池分级叉指型流场设计筛选方法,其特征在于,所述热流可视化实验包括:
7.一种液流电池分级叉指型流场设计筛选系统,其特征在于,包括:
8.一种液流电池用分级叉指型流场极板,其特征在于,包括:
9.根据权利要求8所述的液流电池用分级叉指型流场极板,其特征在于,所述一级流道、所述二级流道和所述三级流道的宽度取值范围均介于1.0毫米至5.0毫米之间。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com