主动学习赋能AEM电解槽，科学家构建气体扩散层物性协同优化新框架
主动学习赋能AEM电解槽，科学家构建气体扩散层物性协同优化新框架
针对阴离子交换膜水电解槽（AEMWE）核心部件气体扩散层（GDL）多物性参数协同优化难题，中国石油大学（北京）重质油国家重点实验室教授徐泉团队构建了耦合多物理场机理仿真与主动学习智能优化的一体化分析框架。基于AEMWE三维稳态多物理场耦合数值模型，阐明了渗透率、电导率和孔隙率对传质与传热过程的调控机制；在此基础上搭建多模型加权集成主动学习代理模型，用于电解池电化学性能优化。近日，相关研究成果发表于《工程·化学工程》。
研究团队依托COMSOL 软件搭建AEMWE全结构三维稳态多物理场耦合数值模型，完善电化学、传质、能量输运全套控制方程，设置贴合实际工况的边界条件，通过极化曲线对比与网格无关性测试完成模型双重验证，建立了可定量表征气体扩散层渗透率、电导率和孔隙率调控作用的高精度仿真基底。
针对高精度仿真算力高昂及单模型难以捕捉强非线性响应的问题，团队构建了由多类异质核高斯过程回归、通用克里金、随机树组成的加权集成主动学习代理模型，融合不确定性驱动采样与K-means 批量聚类选点策略，搭配差分进化全局寻优算法，形成了“数值仿真-样本更新-模型迭代-仿真校验”的闭环优化流程，大幅降低了参数寻优计算成本，实现了气体扩散层高维物性空间高效智能全局优化。
通过单因素变量法分别探究渗透率、电导率、孔隙率的独立作用规律，引入气体均匀度因子定量评价气液分布均匀性，揭示了渗透率存在1×10 ?10 m 2 临界流态转变阈值，低于该值易出现气相堵塞，高于该值会丧失输运驱动力；电导率可同步提升氢氧分布均匀度，而孔隙率对氢气和氧气传质存在不同效果；同时阐明了三类物性对电解池热场的不同影响机制，区分出主要传热参数与次要调控参数。
跟踪主动学习全迭代周期内决定系数R 2 、RMSE、MAE、预测方差等指标动态变化，解释迭代过程中精度短期波动属于参数空间全域探索的正常现象；完成模型鲁棒性校验，测试集R 2 高达0.9994，90%预测区间100%覆盖仿真真值，残差无系统性偏移，证实多异构核加权模型可有效削弱系统误差，能够精准捕获电解池高维非线性电化学响应。
依托收敛后的主动学习代理模型开展全局优化，仅9轮迭代即完成收敛，优化后电解电流密度较基准工况提升4.1%，得到最优物性匹配：渗透率1.18×10 ?10 m 2 、电导率2208.86S·m ?1 、孔隙率 0.605；多物理场仿真复核证实该参数组合可消除传质瓶颈、抑制局部积热，实现了压力、组分和温度场均匀分布，同时明确了最优参数区间在非理想工况下具备良好鲁棒性，可为工程GDL设计提供直接量化依据。
相关论文信息： https://10.1007/s11705-026-2693-z