基于人工神经网络的固体氧化物燃料电池性能 预测模型开发

固体氧化物燃料电池(Solid-Oxide Fuel Cell,SOFC)因其能量转换效率高而备受关注,但其相 关技术非常复杂,技术成熟度比质子交换膜燃料电池、直接甲醇燃料电池等其他类型的燃料电池低。 SOFC 的微观结构是影响其性能的因素之一,为加速 SOFC 的商业化应用,需要对其复杂微观结构进 行有效优化。同时,SOFC 性能测试实验耗时长、费用高,而高可靠性的 SOFC 计算机模型可用来缩 短 SOFC 微观结构优化时间和降低研发成本。该研究根据阳极支撑 SOFC 结构变化对应的性能实验 数据,开发了一种基于人工神经网络的、根据结构特性来预测其性能的 SOFC 计算机模型。实验过程 利用部分数据对该人工神经网络进行训练,并利用另一部分数据对其进行验证。结果显示,所开发的 SOFC 模型能够准确地根据微观结构的变化呈现其性能变化,适合用于 SOFC 微观结构的优化。