本發明屬于電解水制氫，具體涉及一種基于機器學習技術輔助電解槽流道優化設計方法。

背景技術：

1、氫能是未來能源體系的重要組成部分。氫氣具有高能量密度的優勢，能夠有效存儲大量能量，適合在大規模能源存儲和運輸中應用。并且氫氣在使用過程中不產生有害污染物，是一種完全清潔的能源。通過電解水制取氫氣是一種綠色零碳排放的制氫方法，不同的電解水制氫技術各有優劣，而堿性水電解具有技術成熟、成本相對較低的優勢，是目前商業化進展最快的制氫技術之一。

2、堿性電解槽是堿性水電解制氫技術的核心設備，直接影響制氫效率和成本。在堿性電解水制氫的研究中，極板上的流道結構設計是影響堿性電解槽性能的關鍵因素之一。流道設計的優化目標主要是提高電解液的流動均勻性，促進氣體產物的順利排出，從而有效降低電解槽的電壓損耗。

3、目前，堿性電解槽的流道設計仍然有一些需要改進的問題。首先，電解液在流道中存在流動死區或局部區域的過高流速，從而導致電解液的不均勻分布，這直接影響了氫氣和氧氣的排出效率。其次，當前的流道設計多側重于電解液的流動特性分析，并從流動特性出發基于經驗地對電解槽流道結構進行優化，現有的堿性電解槽流道優化設計研究仍處于初步階段，缺乏系統的優化設計方法，亟需開發高效的電解槽流道設計優化方法，以提高電解槽性能，降低電解制氫運行成本。

技術實現思路

1、本發明的目的在于提供一種基于機器學習技術輔助電解槽流道優化設計方法，以解決現有堿性電解槽流道設計存在流動死區或局部區域的過高流速，缺乏系統的優化設計方法等問題。

2、為了實現上述目的，本發明的技術方案如下：

3、本發明涉及一種基于機器學習技術輔助電解槽流道優化設計方法，其包括以下步驟：

4、s1.基于堿性電解水制氫電解槽內的氣液混合流動對電化學性能的影響，構建流道的流動場模型作為流道優化仿真基礎模型；

5、s2.采用回歸方法篩選流道幾何參數關鍵變量；

6、s3.利用關鍵變量并通過遺傳算法優化流道流動場模型，獲得優化后的關鍵變量的組合，進而篩選優化流道結構。

7、優選地，所述s1中構建流動場模型的具體步驟包括：

8、s1.1.構建流體的質量守恒公式，質量守恒公式表示為：

9、（1），

10、其中， φ g為氣相的體積分數， u g為氣相的流速， u l為液相的流速， m dc為液相到氣相的質量通量， ρ l為液相密度， ρ g為氣相密度；

11、s1.2.采用納維-斯托克斯方程描述電解槽流道內流體的動量變化，公式為：

12、（2），

13、（3），

14、其中，? p為流體壓力梯度， τ l和 τ g分別為液相和氣相的應力張量， f m，l為液相傳遞到氣相的動量， f m，g為氣相傳遞到液相的動量， u int為微元內部流體流速；

15、s1.3.采用k-ε方程描述氣液兩相湍流流動行為，公式為：

16、（4），

17、（5），

18、其中， ε為湍流耗散比， k為湍流動能， umix為流體流速， ρ為流體密度， t為反應的環境溫度， μt為流體動力粘度， p k為湍流動能源項， σk 、σ ε 、c ε,1 、c ε,2分別是k- ε湍流模型的參數；

19、公式（4）和公式（5）中，

20、（6），

21、（7），

22、其中， c u也是k- ε湍流模型的參數。

23、優選地，所述s1中構建的流動場模型中，在電解槽流道陽極側和陰極側，液相到氣相的質量通量遵循以下公式：

24、（8），

25、其中， m g為氣體摩爾質量， n為反應轉移的電荷量， f為法拉第常數， i ν為微元的反應電流，通過電化學反應的反應電流標定微元的氣體質量通量 m g。

26、優選地，所述s2采用回歸方法篩選流道幾何參數關鍵變量的具體步驟為：

27、s2.1.建立初始的電解槽流道設計，依據流動場在流道內的行為差異選擇若干電解槽的凸點間距參數作為初始變量；

28、s2.2.建立若干個不同外形的電解槽流道凸點，依據不同外形凸點對流動場的影響差異選擇若干流道外形幾何參數初始變量；

29、s2.3.采用多個回歸模型分別對各初始變量進行評分，并對評分數據進行歸一化處理，得到關于各初始變量的最終評分；

30、s2.4.設置評分閾值，選取最終評分大于評分閾值的變量作為關鍵變量。

31、優選地，所述s2.3中采用回歸樹、梯度提升回歸和額外樹回歸三種回歸模型分別對各初始變量進行評分，其中，構建回歸方法的流道結果特征稱為數據維度，歸一化處理采用以下公式計算最終評分：（9），

32、其中， xnorm為歸一化數據， x為回歸模型評分結果的原始數據， xmin為原始數據中每一維數據中的最小值， xmax為原始數據中每一維數據中的最大值。

33、優選地，所述s3利用關鍵變量并通過遺傳算法優化流道流動場模型的具體步驟包括：

34、s3.1.對篩選出來的關鍵變量進行隨機組合形成若干關鍵變量組合，關鍵變量組合為個體生成遺傳算法的初始種群，設置遺傳算法的迭代總次數；

35、s3.2.對每個個體對應的流道結構進行堿性電解水制氫電解槽流場仿真，計算出相應的流動均勻性系數作為該個體的適應度，并計算適應度總值；

36、s3.3.設置下一代種群數量閾值，以個體適應度與適應度總值的商作為隨機選取的概率，隨機選取一對個體，并選取兩者中適應度更高的個體放入下一代種群中，重復該步驟直到下一代種群中的個體數達到下一代種群數量閾值，迭代次數加1；

37、s3.4.判斷迭代次數是否達到設定的迭代總次數，若未達到，通過交叉方法和/或變異方法生成新的個體加入到種群中，并返回s3.2進行下一輪迭代；若達到，停止迭代，輸出優化的個體，進而獲得優化后的關鍵變量的組合。

38、優選地，所述s3.2中流動均勻性系數的計算公式為：

39、（10），

40、其中， u v為電解液的流動均勻系數， u i為第 i個流道微元的流速， u a為流場整體的流速加權均值， a i為第 i個流道微元的面積， n為流道微元的總數；

41、所述的流場整體的流速加權均值的計算方式為：

42、（11）。

43、采用本發明提供的技術方案，與現有技術相比，具有如下有益效果：

44、1.本發明涉及的基于機器學習技術輔助電解槽流道優化設計方法基于堿性電解水制氫電解槽內流體流動場模型通過遺傳算法優化流動模型下電解槽流道形態，獲得優化后的關鍵變量的組合，獲得優化設計方案，使最終獲得的流道設計方案最優化。

45、2.本發明涉及的基于機器學習技術輔助電解槽流道優化設計在通過遺傳算法優化流道流動場模型的過程中以流動均勻性系數為依據對關鍵變量的組合進行迭代更新，進而獲得最優的關鍵變量的組合，進而減少流動死區或局部區域的過高流速，促進氫氣和氧氣的排出效率。