活动现场，西安交通大学教授屈治国发表了演讲。
以下为演讲实录：
燃料电池大家很清楚，一个是移动的汽车用，第二是固定的发电装置，我们主要工作主要针对水热管理做性能仿真。目前设计从单电池到电堆到汽车的集成有些问题，主要是设计方面有一些设计工具的缺乏，一些定量精准的设计工具，我们做的事就是要解决设计好用好用多久的问题。我们要开发一些好的设计工具。第一个讲一下燃料电池装配压力的影响，我们把电堆组装时候会产生一些预紧力，通过螺栓连接起来，我们对这种产品，在6兆帕的时候，螺栓预紧以后扩散层出现了断裂、变形等，这对传质扩散有很大的影响。怎么建这样的模型，我们把有限元力学软件ABAQUS和ANSYS结合起来，比如我们以标准的蛇形流场为例，压缩以后进入流道，扩散性和渗透率都发生了改变。不同的预紧力发生了形变，孔隙率发生了改变，导致了空间上严重的不均衡性，所以这个压缩比随着装配增加而增加，形变必然对扩散性产生影响。压缩以后流道的阻力就会增大，第二局部电流密度会发生改变，在这个位置电流密度大。从这里可以看到，1兆帕平均是最高的，所以有一个最优值，这就是两种竞争的倒置管理，压缩以后欧姆极化减少，正和负的相互作为，我们发现在1兆帕的时候，整体的净功率是最高的。
第二个内容，我们做一些性能开发。我们做了一个面向工程的设计软件，1+1D模型，要想办法从单电池以及到电堆，考虑不同单电池分布的不一致的影响。核心就是在垂直于质子传递方向有一个一维模型，核心是要对水状态的判断。在流道方向我们以气体组分方程作为质子传递的边缘条件，核心是水蒸气模型的判断，我们判断含量的分布。我们要做一个软件，输入操作参数、结构参数和输出，通过调研我们自己建立了数据库，把所有文献能看到的，包括毛细压力、热导率等不同材料做到数据库里，我们做到软件里，用这个预测孔隙率扩大的影响，变大有利于传热传质性增强，但是欧姆极化电阻又增大，这又是此消彼涨的倒置关系，我们可以设置合理的孔隙率。到电堆层面，这几年人工智能发展非常迅速，人工智能的方法在信息处理里有多种多样的方法，对燃料电池多参数也是提供了可能，用的最多的是误差反向的人工智能BPNN方法，有三层，输入层、隐藏层和输出层，可以建立一个系统，通过很多数据训练，经过前期的输入、误差的反向传递进行偏差的调整，最后可以在小情况下获得比较小的关系。有多种结构，这是我们推荐的结构，用传统方法是很好的求解方法，经典的一维、二维、三维，人工智能的优点是建模简单，求解快速，准确度高，缺点就是依赖于数据库，应用性上可以做到快速性能预测。
算法做好以后，首先就是要训练，我们发现在燃料电池当试验指标小的时候，样本量小的时候，核心的权重，就是神经元的连接关系，依赖于样本的数量大小，后来我们又引入了遗传算法，自动进行优化，我用三重样本数，引进以后学习训练的不一致性变得非常好，在同等样本数条件下，这种方法预测性能更好。结合这种方法，我们把遗传算法做到软件里，比如参数很多，包括阴极的气压和温度等做出不同的参数，再做模块的分析和电堆的水热管理结合起来。
我们做一个案例，模型误差分析，通过这种方法学习，包括文献里获得，可以训练到误差精度小于0.1%。基于这样的思想，我们把燃料电池的软件和人工智能两个结合起来，开发了一个软件，这是软件的开始界面。我们可以把结构参数都结合起来，操作参数结合起来，可以输出它的性能，比如电池里的单电池的性能都可以输出起来。这是一个案例，10个电池性能输入参数，这是输出参数，我们通过遗传算法的学习，这是10个片，不一致性分布算出来，结果也可以全部输出出来。通过这样我们可以获得10片的不一致性，还有敏感性分析，单工况不同电流密度下电压的不一致性，电流密度增加时不一致更加明显。多工况不一致性，不同工况输出特性不同，使用神经网络预测得到更多组工况电堆输出，可覆盖全工况条件，节省测试时间。敏感性比较结果：阴极计量比>阳极计量比>冷却水量>阴极压力>阳极压力>气体入口温度。
