AIR™/RA 燃料电池AI应用平台

               

· 模块 ·​​

· 组分识别
· 性能预测
· 装配压缩
· 敏感度分析



· 功能 ·

· SEM图预处理

· 像素级识别

· 组分比例推理

· 三维重构

· 性能预测

· 装配仿真

· 敏感度分析


               · 优势 ·

· KL散度作为损失函数一部分

· 高斯分布输出

· 估计强度的置信度输出

· 非局部注意力机制层(NL

· 多尺度特征提取

· 多维数据归一化

· AI工程实践


 · 应用 ·

· 气体扩散层制备

· 气体扩散层测试

· 气体扩散层装配

· 燃料电池催化层制备

· 燃料电池催化层测试

· 燃料电池催化层装配

· 多孔电极材料制备

· 多孔电极材料测试

· 多孔电极材料装配


               · 扩展 ·

· 整车风阻AI预测

· 汽车风噪预测

· 数字孪生


       · 服务与技术扩展 ·

· 专业的技术开发与支持团队

· 定制化开发与服务

· 行业技术咨询服务

燃料电池AI应用平台

     

      人工智能(AI)在工程实践中有着广泛应用,并且可以拓展到多学科的交叉研究,从而在多方面助力行业发展。因此充分利用AI在CAE等领域的应用,实现工业大数据的可持续应用,让传统工程研究得到充分发展。

       AIR/ RA平台目前包含四个应用模块,包括燃料电池气体扩散层组分识别模块、燃料电池气体扩散层性能预测模块、燃料电池气体扩散层装配压缩模块,以及敏感度分析模块。


组分识别

本模块用于实现燃料电池气体扩散层微结构多组分划分与组分比例预测功能。







  • 精准划分气体扩散层各组分区域,实现人眼到机器的转变;
  • 基于自主研发神经网络,实现组分比例推理,实现输入生产过程条件,反推材料比例,预测该气体扩层生产阶段各组分比例的添加状况,指导燃料电池碳纸研发生产;
  • 创新地使用了非局部注意力机制层(NL)来提取特征,从而同时捕捉到局部和全局之间的特征信息,增强了模型的泛化能力;
  • 在评估模型性能时引入了KL散度作为损失函数之一,以置信区间作为输出,给实际应用带来参考意义


性能预测

       该性能预测模块可以快速定位气体扩散层性能区间,免去繁冗测试

过程,快速排除低性能产品,节省研发开支。

  • 大量缩短产品测试时间,以机器预测代替人工实验,将时间单位由周
变为秒级;
  • 降低研发成本,运用AI模型实现性能预测,节省大量实验费用;
  • AI在工程计算中实现应用,后期相同方法可应用到三维对象,逐步扩
展到仿真计算领域。


装配压缩

       本模块实现对燃料电池装配压缩过程中不同压缩比状态下的结构与预测,计算获得最佳装配应力,指导燃料电池电堆系统的装配。

  • 快速计算指定压缩状况下的碳纸性能,减少模拟时间,千倍以上缩短研究周期;
  • 快速获得碳纸装配后的性能,减少前处理工作,使工程师将更多精力放到方案设计上;
  • 采用分层的神经网络PointNet在嵌套区上迭代学习
  • 利用度量空间的距离,能够根据上下文尺度的增长学习局部特征;
  • 由于不同位置采集的点云数据的密度不一样,能够自适应地结合多尺度特征。













敏感度分析

       AI相较于传统研究方法,数据处理能力更加优秀,在装配压缩、制备工艺分析两方面,均可以做到对应输入对输出的敏感度分析,对改进工艺流程有着巨大的指导作用。

  • 机器处理大数据,实现多孔介质性能影响参数的敏感度分析;
  • 不去考虑模型蕴含的数学关系对模型进行敏感度分析,对算力无过高要求;
  • 全局敏感度分析,各个变量综合考虑,得到人工无法计算的相互关系。


025-52731310​​​​​​​