【技术实现步骤摘要】
本专利技术属于电化学反应器设计领域，涉及一种流道结构优化方法，特别是涉及一种流道结构性能优化模型的训练方法及装置、优化方法、介质及终端。
技术介绍
1、质子交换膜燃料电池的部件主要包括质子交换膜、催化剂层、扩散层、双极板和流道，由于产物为水而无氮氧化合物排放，并且低温下运行效率高，因而具有重要的应用价值。其中，流道结构对质子交换膜燃料电池内的组分输运及热量传递具有重要的影响。从化学工程的角度来看，质子膜燃料电池本质上属于一种电化学反应器装备，其内部存在着复杂的传质、传热、电荷迁移扩散等传递和反应过程。若传质阻力过大或热量不能及时移除，会造成电荷传递效率下降，进一步导致阴极反应效率下降，电池功率输出下降。尽管已有研发工作从流道设计的角度优化流场分布(例如，cn202211187586.8、cn202111312726.5、cn202210459626.3)，使反应气更加分布均匀，降低传质阻力，改善热量移除，从而强化传递过程，提高电池性能。但这些工作往往基于单一类型流道，给出有限数目的流道结构及流场分布特征，因而上述优化方法对于不同流道场景的适用性有限，缺少海量流道特征作为先验知识指导小批量流场数据下的流道结构优化。因此，现有技术仍有待完善和发展，亟需从化工过程强化及人工智能角度，提出一种针对海量流道结构的高通量筛选优化方法，对于提高燃料电池反应器装备性能十分重要。
技术实现思路
1、鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种的流道结构性能优化模型的训练方法及装置、优化方
2、为实现上述目的及其他相关目的，本专利技术是通过包括如下技术方案实现的。
3、第一方面，本专利技术提供一种流道结构性能优化模型的训练方法，包括：
4、构建流道结构性能优化初始模型；
5、获取预训练数据集；
6、利用预训练数据集对所述流道结构性能优化模型进行训练获得预训练模型；
7、获取二次训练数据集，所述二次训练数据集包括给定的流道结构参数及基于cfd模拟获得的对应的流场参数；
8、利用所述二次训练数据集对所述预训练模型进行二次训练。
9、在第一方面的一种实施方式中，在所述训练中，采用的损失函数包括质量守恒方程的差值、热量守恒方程的差值、压降差值及非均匀指数差值。
10、在第一方面的一种实施方式中，所述流道结构性能优化模型为融合物理守恒定律的深度迁移学习模型，其输入参数包括流道结构参数及其对应流场参数，其输出参数包括压降及其对应的非均匀指数。
11、在第一方面的一种实施方式中，所述预训练数据集包括已有流道结构参数及其对应流场参数。
12、在第一方面的一种实施方式中，所述流场参数包括流场工艺参数、流体物性参数和流道物性参数。
13、第二方面，本专利技术提供一种流道结构性能的优化方法，包括：
14、获取流道结构性能的设计参数；
15、利用流道结构性能优化模型对流道结构性能的设计参数进行处理，以获取压降和非均匀指数，其中，所述流道结构性能优化模型采用如第一方面中任一项所述的训练方法进行训练。
16、在第二方面的一种实施方式中，在优化方法中，所述流道结构性能优化模型与贝叶斯多目标优化方法耦合，对所述流道结构性能优化模型的选自超参数、流道结构参数和流场参数中的一种或多种进行优化。
17、在第二方面的一种实施方式中，若输出压降和非均匀指数未达到预定的流道结构目标性能，重新获取二次训练数据集进行二次训练，然后再采用采用第二方面的优化方法进行优化。
18、第三方面，本专利技术提供一种流道结构性能优化模型的训练装置，包括：
19、优化模型构建模块，用于构建流道结构性能优化初始模型；
20、预训练数据集获取模块；
21、优化模型训练模块，用于利用预训练数据集对所述流道结构性能优化模型进行训练；
22、二次训练数据集获取模块，用于获取二次训练数据集，所述二次训练数据集包括给定的流道结构参数及基于cfd模拟获得的对应的流场参数；
23、二次训练模块，利用所述二次训练数据集对所述预训练模型进行二次训练。
24、于第三方面的一个实现方式中，所述预训练数据集获取模块用于获取预训练数据集，所述预训练数据集包括已有流道结构参数及其对应流场参数。
25、于第三方面的一个实现方式中，包括优化模块，用于在所述训练中，使得所述流道结构性能优化模型与贝叶斯多目标优化方法耦合，对所述流道结构性能优化模型的选自超参数、流道结构参数和流场参数中的一种或多种进行优化。
26、第四方面，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面或第二方面中任一项所述的方法。
27、第五方面，本专利技术提供一种终端，包括：处理器及存储器；
28、所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如第一方面或第二方面中任一项所述的方法。
29、综上所述，本申请中提供的训练方法，提供一种新型的优化流道结构性能的神经网络的方法，其在训练时引入基于cfd的二次训练数据集，从而增加模型的可解释性和实用性。在一个更具体的实施方式中，在训练中，除了常规损失函数，还额外引入基于物理守恒定律的损失函数进行训练，避免迁移模型过拟合，增加模型的可解释性；在训练完成后，流道结构性能优化模型可用于对具体处理对象的流道结构及性能进行优化，降低非均匀指数，减小流道出入口的总压降，有效降低传质阻力，非常适合于对传质传热要求比较高的化学反应器领域。
本文档来自技高网...【技术保护点】
1.一种流道结构性能优化模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的训练方法，其特征在于，在所述训练中，采用的损失函数包括质量守恒方程的差值、热量守恒方程的差值、压降差值及非均匀指数差值；
3.根据权利要求2所述的训练方法，其特征在于，所述流场参数包括流场工艺参数、流体物性参数和流道物性参数。
4.一种反应器的流道结构性能的优化方法，其特征在于，包括：
5.根据权利要求4所述的优化方法，其特征在于，在优化方法中，所述流道结构性能优化模型与贝叶斯多目标优化方法耦合，对所述流道结构性能优化模型的选自超参数、流道结构参数和流场参数中的一种或多种进行优化。
6.根据权利要求5所述的优化方法，其特征在于，若输出压降和非均匀指数未达到预定的流道结构目标性能，重新获取二次训练数据集进行二次训练，然后再采用如权利要求4所述的优化方法优化。
7.一种流道结构性能优化模型的训练装置，其特征在于，包括：
8.根据权利要求7所述的训练装置，其特征在于，包括优化模块，用于在所述训练中，使得所述流道结构性能优
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至6中任一项所述的方法。
10.一种终端，其特征在于，包括：处理器及存储器；
...【技术特征摘要】
1.一种流道结构性能优化模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的训练方法，其特征在于，在所述训练中，采用的损失函数包括质量守恒方程的差值、热量守恒方程的差值、压降差值及非均匀指数差值；
3.根据权利要求2所述的训练方法，其特征在于，所述流场参数包括流场工艺参数、流体物性参数和流道物性参数。
4.一种反应器的流道结构性能的优化方法，其特征在于，包括：
5.根据权利要求4所述的优化方法，其特征在于，在优化方法中，所述流道结构性能优化模型与贝叶斯多目标优化方法耦合，对所述流道结构性能优化模型的选自超参数、流道结构参数和流场参数中的一种或多种进行优化。
6.根据权利要求5所述的...
【专利技术属性】
技术研发人员：邵枫，朱礼涛，苏言杰，罗正鸿，张亚非，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。