← 返回
利用物理信息神经网络能力优化质子交换膜燃料电池流道设计
Leveraging the capabilities of physics-informed neural networks for channel optimization in PEM fuel cells
| 作者 | Julian Nicolas Toussaint · Sebastian Pieper · Max Paul Mally · Stefan Pischinger |
| 期刊 | Applied Energy |
| 出版日期 | 2026年4月 |
| 卷/期 | 第 409 卷 |
| 技术分类 | 氢能与燃料电池 |
| 技术标签 | 多物理场耦合 机器学习 深度学习 模型预测控制MPC |
| 相关度评分 | ★★ 2.0 / 5.0 |
| 关键词 |
本文研究基于物理信息神经网络（PINN）的流道结构优化方法，提升PEM燃料电池内反应物分布、水管理和电流密度均匀性，结合数值仿真与实验验证其在性能与耐久性方面的增益。
S
SunView 深度解读
该研究聚焦PEM燃料电池流道优化，属氢能领域核心技术，与阳光电源当前氢能业务（如电解槽系统集成、绿氢解决方案）存在间接技术协同，但不直接关联其主力产品线（光伏逆变器、ST系列PCS、PowerTitan储能系统）。阳光电源暂未布局燃料电池电堆或BOP部件，短期内无直接产品应用；建议关注PINN在多物理场耦合建模中的迁移潜力，未来可探索其在储能系统热-电-老化联合仿真或iSolarCloud平台智能诊断模块中的算法复用。