极链持续攻坚，擎势燃料电池AI应用软件二期顺利上线

近日，极链智能再度攻克AI算法赋能氢燃料电池领域难题——燃料电池GDL性能智能分析技术。擎势燃料电池AI应用软件二期，目前已完成验收并上线运行。

早在2021年，极链智能就已成功完成燃料电池GDL组分智能识别技术的研发，达成多学科智能仿真平台的首个阶段目标，攻克国家战略级“卡脖子”难题。

一期实现功能-GDL组分识别材料结构示意图

氢能源燃料电池研发，大势所趋

氢能源燃料电池是一种将氢气和氧气的化学能直接转换成电能的发电装置。

随着国家多样化能源开发、清洁能源的发展，氢能源因其燃烧性好、无毒无污染、运输损耗少、多形态保存的优势，成为了未来取代化石燃料的终极清洁能源，亦被称为“21世纪最有发展前景的二次能源”。

而在氢能行业发展当中，氢燃料电池是其未来最大的应用领域。

随着氢能的普及和推广，氢能装备受到了八项“卡脖子”技术的制约，分别是氢燃料电池中的催化剂、扩散层、质子交换膜、膜电极、双极板、电堆，以及上车之后的系统中的空气压缩机和氢循环泵。其中膜电极占电堆成本的61%，其微结构对电极性能的影响非常显著。

这里就不得不提到文章开篇提及的气体扩散层(Gas diffusion Layer，GDL)，它是膜电极的主体部分，是影响电极性能的关键部件之一。也就是说，整个燃料电池的性能与GDL息息相关。

AI赋能氢燃料电池研究，降本增效

GDL由导电的多孔材料构成，大多为碳纸或碳布。

良好的GDL应当具备紧密的结构、平整的表面、良好的透气性、高电子电导率、均匀的多孔结构、适当的刚性和柔性、具有良好的化学稳定性和热稳定性，并具有一定的机械强度。想要同时达成以上效果，由多个表征参数决定。

当前的大多数研究主要以数值仿真为主，而宏观数值模型通常是将多孔介质简化为各向同性的材料，单纯地用孔隙率、有效扩散系数、渗透率和热导率等参数来表征扩散层的微观结构和流动性。

但在实际的开发过程中，由于受到多重因素影响，多孔介质的微观结构与几何参数并不如理论设想的那般单一，均匀材料的假设无法体现结果的千差万别，这就导致了行业研究人员无法探知孔隙尺度的传热传质规律和电化学现象。

在研究当中，行业人员主要采用实验与仿真计算两种方法对燃料电池GDL进行性能分析，但实验仪器昂贵、实验周期长，而防真计算所采用的数值模型前处理耗时很长，计算区域较小、过程缓慢，则尤其耗时，很难表征GDL整体性能来实时指导电堆实际生产中的装配过程。

面对传统研究方法的高耗时、造价高、准确性差等难点，极链智能通过自主研发AI技术，根据实际气体扩散层结构和工艺手段训练出能在电极微结构与电极性能之间相互映射的关系，来辅助多孔材料的开发研究。

作为人工智能算法在燃料电池领域的开创性应用，燃料电池GDL前沿研究领域包含了燃料电池GDL组分识别、燃料电池GDL性能预测与燃料电池GDL装配压缩，共同赋能燃料电池GDL领域的发展。

目前，GDL的组分识别与性能预测已经顺利通过验收并上线运行，得到了合作伙伴中汽创智的高度评价。

在燃料电池GDL性能预测中，通过输入气体扩散层的扫描电子显微镜 (scanning electron microscope, SEM)图像与组分信息，训练AI模型，通过实时仿真计算，可以实现对已有气体扩散层的性能预测，大大缩短燃料电池气体扩散层开发时间，提高气体扩散层研究计算的准确性。

极链自主创新算法，攻坚克难

产业融合大趋势渐深，而人工智能推动氢燃料电池技术的算法应用，却仍几乎处于空白期。

面对技术手段和方案缺乏先验参考的情况，极链多番探索、积极引导技术创新，不断克服研发过程中技术难题，多次进行尝试：

为了获得GDL碳纸的孔隙率、面内方向电阻率、垂直方向电阻率以及透气率的性能预测值，极链先将50或100倍率的SEM图以及一个可变的厚度值作为输入，采用图片特征提取技术（resnet、Densenet、nonlocal、ViT），结合自主研发的厚度值编码技术来获取图片以及厚度值特征。再将二者融合，作为下一步性能预测的输入。

在这个过程中，算法团队发现如果厚度值离散化难以解决或希望连续化的厚度值输入，那么又将面临“如何有效将图片与数值信息进行融合”的难题。

为此，极链采取了先将数值向量化，再与图片通过深度学习提取的特征向量进行模态算法技术融合的方式，来作为新的特征向量，再通过深度学习模型进行回归，便可以解决这个问题。

通过图片特征提取、厚度值向量化、1维特征提取以及预测数据后处理等技术的研发，极链完成了核心技术攻坚。

算法的突破当属重点，而在整个擎势燃料电池AI应用软件开发当中，稀缺资源碳纸的采购、SEM图的获取、标注工具的使用等诸多因素都关系着研发的进展。

极链率先与上海合作商接洽计划自购碳纸，同时收集常见商用碳纸型号，将购置的15种碳纸做成不同组分比例的GDL层；通过上海专业的SEM扫描电镜实验室，进行气体扩散层制样和实验，最终获得45张SEM图。

极链通过前期深耕调研与实际探索实验，并积极进行资源开拓，在研发的各个关键节点上创建合力，最终擎势燃料电池AI应用软件第二期自主创新的8个算法模型研发成功，四个预测值误差均控制在5%以内，并具有较强的泛化能力。

通过AI模型的实时仿真计算，可以实现对已有GDL性能进行预测。仿真运行时间，从原有的数个小时提升到了几秒钟即可完成，大大缩短了燃料电池GDL开发时间、节约开发资源，并充分提升GDL研究计算的准确性。

燃料电池GDL性能预测-可视化展示

极链智能驱动产业高质量发展

据《2022年中国氢能源产业战略发展报告》显示，2022年2月以来，全球范围内启动了131个大型氢能开发项目。据世界能源理事会预计，到2050年氢能在全球终端能源消费量中的占比将高达25%。

全球氢能与燃料电池产业目前正处在高速发展期，而人工智能与各行各业的深度融合又具有很强的现实意义。极链始终将人类的可持续发展作为创新基石，以产业高质量发展为目标，不断推动AI技术创新，持续瞄准AI与产业融合的新趋势，填补行业应用空白。

在合作的过程中，极链智能技术与服务的专业性得到了中汽创智的一致认可。双方都坚信人工智能与氢能源发展的融合，势必会推动用能终端绿色低碳的高效转型。

极链也将继续深耕该领域，并为下一阶段燃料电池GDL碳纸压缩和性能预测开展前瞻性技术研究。同时立足AI发展全局，基于极链AI科研云的人才优势，推进推进学科专业建设，聚焦科研人才结构，开拓多层次创新平台。