一种基于提高氧气传输能力的电解质薄膜结构优化方法

本发明属于电化学燃料电池领域，具体涉及一种对燃料电池内电解质薄膜结构优化以提高其氧气传输能力的方法。

背景技术：

1、燃料电池因其发电效率高、清洁、低噪音等优点，近年来取得了显著的技术进步。其中，质子交换膜燃料电池被认为是未来可再生能源最有发展前途的技术。催化层作为质子交换膜燃料电池的核心组成部分，直接影响着燃料电池中电化学反应的效率和稳定性。

2、催化层由催化剂、碳载体和全氟磺酸聚合物组成，其中全氟磺酸聚合物由疏水性聚四氟乙烯骨架和带有末端磺酸基团的亲水侧链组成。为确保有效的质子传输，聚合物需要在润湿的情况下工作，其与水分子和水合氢离子形成复杂的电解质结构。为了加速燃料电池产业的大规模商业化进程，如何在确保性能的前提下降低催化剂载量已成为备受关注的研究焦点。值得注意的是，由于反应动力学特性不同，氧还原反应相比于氢氧化反应要缓慢，阴极催化层因其所需催化剂用量远大于阳极，而引起更加广泛的关注。

3、在阴极催化层中，氧还原反应发生在气-固-液三相边界处，这是氧气、电解质和催化剂交汇的区域，三相边界反应活性位点在催化层内的分布和密度，影响着整体电化学反应速率。这些三相边界同样存在于高温质子交换膜燃料电池、甲醇燃料电池、水电解电池、磷酸燃料电池等电化学装置中，且它们的催化层结构高度相似。在阴极催化层工作过程中，氧气需要穿过电解质薄膜到达三相边界才能进行氧还原反应。而在催化剂载量较低的情况下，由于催化剂表面积减少将导致三相边界反应活性位点数量减少。由于催化剂表面的反应物传输负担加重，使得阴极催化层中氧气传输阻力更大。因此，深入研究催化层内电解质薄膜结构与氧气传输能力关系，找到并优化电解质薄膜中阻碍氧气输运的关键结构，对于提高阴极催化层的传质性能至关重要。然而电解质薄膜中的氧气传输是一个受多种参数影响的复杂过程，其中一些参数相互冲突，少量的分子动力学模拟数据不足以准确分析出电解质薄膜中阻碍氧气输运的关键结构，而大量的数值模拟由于参数量庞大且复杂，难以以传统方式识别模拟数据中多种参数的内在联系。

4、为此，本发明提供了一种基于分子动力学模拟、并结合机器学习模型解释与粒子群优化算法的电解质薄膜结构优化方法。

技术实现思路

1、本发明的目的是，提出一种基于提高氧气传输能力的电解质薄膜结构优化方法。方法涉及到基于分子动力学模拟的电解质结构数据和氧气传输流量数据获取，基于机器学习的电解质薄膜结构与氧气传输能力的关系建立，以及电解质薄膜结构优化等过程。特别是从整体角度考虑了电解质薄膜结构对氧气传输过程的多参数耦合的影响，以及电解质局部结构中不同成分在提高氧气传输能力中产生的矛盾。以电解质薄膜中疏水性和亲水性成分沿厚度方向的密度分布为研究对象，能够对电解质薄膜结构与氧气传输间的关系做出良好预测，且基于机器学习模型解释技术以及粒子群优化算法，能够摸清阻碍氧气传输的结构特性，以此指导电解质薄膜结构的优化。

2、本发明提出的提高氧气传输能力的电解质薄膜结构优化方法，包括3个部分：具体步骤如下：

3、(1)电解质结构数据和氧气传输流量数据的获取

4、(1.1)采用分子动力学模拟电解质结构和氧气传输流量数据，对于每个不同电解质薄膜结构的算例，首先进行至少10纳秒的分子动力学模拟，确保氧气在电解质薄膜中传输的稳定，然后再进行至少15纳秒的分子动力学模拟收集数据。

5、模拟得到至少100个具有不同电解质薄膜结构的数据算例后，用氧气传输通量评估每个算例的氧气在电解质薄膜中的传输能力，的定义如下：

6、

7、以最长0.5纳秒的时间间隔在至少15纳秒内，连续采集的数据，并且每隔至多3纳秒计算一次平均值，然后对的平均值随着模拟时间的变化进行线性拟合，拟合的斜率为

8、

9、(1.2)将电解质薄膜中疏水和亲水成分沿厚度方向的密度分布，作为每个模拟算例中电解质薄膜结构的变量。在密度的计算过程中，首先以电解质的总厚度为分块范围，沿垂直于电解质模型与基质接触面的方向，将电解质模型至少分为厚度一致的16块，并以最多2皮秒的时间间隔，在至少15纳秒内连续采集每块中的亲水成分和疏水成分的密度数据。这样，每个算例得到至少16个疏水和亲水密度数据作为输入特征。根据用分子动力学模拟得到的算例总数量，可选择减少或不减少后续机器学习的输入特征的数量。

10、(1.3)减少后续机器学习输入特征数量的方法为：根据电解质薄膜的密度分布情况，对电解质模型中厚度一致、密度相差小且相邻的两块进行合并得到新的块，并对对应的成分密度进行平均。

11、(1.4)对所有获得的块进行编号c1至cn。c1处于基质-电解质界面处，c2到cn-1处于电解质内部，cn处于电解质-气体界面处，最终得出机器学习的2n个输入特征来表征电解质薄膜结构。

12、(2)电解质薄膜结构与氧气传输能力关系的建立

13、(2.1)基于机器学习，采用卷积神经网络算法，建立电解质薄膜结构与氧气传输能力之间的关系。输入特征为电解质薄膜中疏水和亲水成分沿厚度方向的密度，输出参数为氧气传输向基质的通量通量根据疏水和亲水成分分为两个通道，每个通道内的特征根据块的编号依次排列。在卷积神经网络结构中，使用至少4个一维卷积层以及一个全连接层，每个卷积层后都进行一维批量规范化，并使用激活函数进行非线性映射，并添加丢弃率最多为20％的丢弃层，预测出不同电解质薄膜结构的氧气传输能力。

14、(2.2)为了解卷积神经网络机器学习黑盒模型的决策过程，采用合作博弈论中沙普利加和解释(shap)算法对卷积神经网络模型进行解释，以分析所有输入成分密度特征如何影响通过shap算法计算电解质薄膜成分的所有密度特征，以及每个样本中每个特征对模型输出的贡献，进行解释模型的预测。通过shap算法输出的特征重要性分析图，即可获取电解质薄膜的每个结构特征对氧气传输向基质通量的影响的重要性排序，以表示电解质薄膜结构中各块中成分的含量变化对增强氧气传能力影响的大小。同时结合通过shap算法输出的特征贡献部分依赖图，可获取各个结构特征如何影响以表示出电解质薄膜结构中各块中成分的含量如何变化能够增强氧气传能力，找到阻碍氧气传输的关键结构，并指导电解质薄膜结构优化。

15、(3)电解质薄膜结构优化

16、(3.1)采用具有约束条件的粒子群优化算法，搜索符合实际情况的理想电解质薄膜结构。电解质薄膜结构由与来表征，并对需要进行优化的参数进行约束。约束条件包括每个块中的疏水、亲水成分密度、每个块中疏水、亲水成分的体积密度之和，以及疏水、亲水成分的总质量：

17、

18、

19、

20、

21、

22、每个约束条件的上限和下限都是根据所有分子动力学模拟结果中观测到的极值而得出；

23、(3.2)为了方便计算在公式(4)中采用质量密度代替体积密度，并将公式(5)中疏水成分的总质量、以及公式(6)中亲水成分的总质量限定在误差小于0.2％的范围内。

24、(3.3)在优化过程中，使用卷积神经网络模型的预测结果对个体的适应度进行评估。对于不满足上述约束条件的个体，则在该迭代步骤中不更新个体的最优解。通过粒子群优化算法的搜索结果，能够得出符合实际情况的理想电解质薄膜结构的密度分布。并结合shap模型算法进一步指导电解质薄膜结构的设计。

25、根据上述步骤，可建立提高氧气传输能力的电解质薄膜结构优化方法。该优化方法从整体角度考虑了电解质薄膜结构对氧气传输过程的多参数耦合影响以及电解质局部结构中不同成分在提高氧气传输能力中产生的矛盾，以电解质薄膜中疏水性和亲水性成分沿厚度方向的密度分布为研究对象，能够对电解质薄膜结构与氧气传输间的关系做出良好预测，且基于机器学习模型解释技术以及粒子群优化算法，能够摸清阻碍氧气传输的关键结构特性，并指导电解质薄膜结构优化。

26、本发明的特点以及有益之处在于：

27、(1)使用机器学习方法从整体角度考虑了电解质薄膜结构对氧气传输过程的多参数耦合影响，以及电解质局部结构中不同成分在提高氧气传输能力中产生的矛盾。以电解质薄膜中疏水性和亲水性成分沿厚度方向的密度分布为研究对象，能够对电解质薄膜结构与氧气传输间的关系做出良好预测。包含对如电解质薄膜的局部结构对氧气传输的重要性排序、如何增强氧气传输能力等关键性问题的合理解释。提供了一个较完整的提高氧气传输能力的电解质薄膜结构优化方法，为进一步研究相关问题做出了良好的铺垫。

28、(2)大量的分子动力学模拟数据则由于参数量庞大且复杂，难以以传统方式建立燃料电池催化层内电解质薄膜结构与氧气传输能力关系，本发明方法采用卷积神经网络建立二者间的关系，且基于机器学习模型解释技术以及粒子群优化算法，能够摸清阻碍氧气传输的关键结构特性，并指导电解质薄膜结构优化。