CN119494294A 一种燃料电池离心式空压机不可逆损失预测方法及系统 （大连理工大学）

一种燃料电池离心式空压机不可逆损失预种燃料电池离心式空压机不可逆损失预测方法物理场耦合CFD仿真模型；定义不可逆损失类型2参数组合依次执行仿真计算，从每组仿真结果中提取与各不可逆损失类型对应的关键数步骤2.1：针对空压机运行中能量损耗的主要来源，将不可逆损失类型划分为流动损步骤2.2：将步骤2.1中确定的空压机各部件影响不可逆损失的结构参数作为输入变34数据采集与模型构建模块，用于基于燃料电池离心式空压机综合性并基于每个部件的结构特点确定与不可逆损失相关的M个结构参数，基于燃料电池空压机5当前技术在多变工况下对这些不可逆损失的预测与控制仍面临诸6跨工况适应性的预测与控制方法，是推动燃料电池空气供给系统技术发展的关键研究方组合与非线性组合方式，利用探索与利用平衡策略对基模型权重和组合策略进行动态优7[0026]机械损失通过壁面摩擦导致的熵增率表达，壁面摩擦导致的熵增率通过下式确[0029]激波损失通过温度脉动导致的熵增率表达，温度脉动导致的熵增率通过下式确8[0045]数据采集与模型构建模块，用于基于燃料电池离心式空9[0049]本发明通过构建燃料电池离心式空压机的试验台和多物理场耦合的CFD仿真模[0050]本发明通过选取关键结构参数和设计正交试验，在CFD集成仿真框架下实现了多[0051]本发明提出的RL_GHEM方法将强化学习与混合集成模型结合，显著提升了模型对不同工况下不可逆损失数据的预测精度与自适应性，具备强大的学习能力和自我优化能[0053]图2是本发明的实施例的燃料电池空压机综合性能测试平台监测系统布局示意连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描[0061]如说明书附图1，本发明的目的是提出一种燃料电池离心式空压机不可逆损失预气口，空压机的进气口安装有压力传感器(PT)和温度传感器(THA)以监测输入空气的压力[0071]燃料电池离心式空压机综合性能测试平台用于测试和记录不同边界参数条件下压机综合性能测试平台测试所用的离心式空压[0082]具体的，首先采用CF保其能够在多种边界条件下准确反映离心式空压机的流动特性、热力学性能及效率特性。最终验证的仿真模型为离心式空压机性能优化及设计改进提供可靠的理论基础和技术支框架展示了从几何建模到性能分析的完整闭环流程。框架以CFturbo(涡轮机械设计软件)创建空压机关键部件的参数化几何模型，导入ANSYSMesh或TurboGrid进行高质量网格划[0108]激波损失的计算方法是通过流场分析定位激波区域，计算冲击波强度引起的损相应的总熵增率可通过下式表达脚本或专业软件)生成所有参数组合。然后利用自动化脚本(如Python组合与非线性组合方式，利用探索与利用平衡策略对基模型权重和组合策略进行动态优[0117]步骤3的目的是，通过提出RL_GHEM方法(即基于强化学习Reinforcement述当前环境的特征信息，包括基于当前模型配置计算的均方误差、各基模型的当前权重情况。奖励用于衡量智能体生成的动作效果，是强化学习的反馈机制，奖励通常与均方误差 模和捕捉高维空间中的边界特征。分类回归决策树(CART)适用于处理非线性和离散特征。设特定的超参数(如深度神经网络的隐藏层数、支持[0134]P=ca(9)括每个基模型的最新预测误差(MSE)、提取基模型的当前权重分配、提取基模型的历史表现，分析其性能趋势。汇总集成模型的状态信息更新Q值Q(S,A)-Q(S,A)+n[R+Y"Q(S',A)-Q(S,A],η表示学习率，γ表示折扣因定性，每次预测后，记录上述指标并更新到强化学习控制器的状态信息。预测均方误差[0151]wt=w"-p-penalty,(13)[0169]然后随机选择未被使用的基模型加入当前组合，对已有组合采用新的加权策略[0176]式中：MSE表示模型预测均方误差；S表示模型稳定性指标(如权重变化的波动程[0177]本发明通过构建燃料电池离心式空压机试验台与CFD仿真模型，结合强化学习与[0180]步骤1：搭建燃料电池离心式空压机综合性能测试平台，用于多工况性能数据采口设置压力传感器(PT)和温度传感器(THA)，出气口设置压力传感器(PT)、温度传感器[0187]根据测试平台空压机的实际结构参数：叶轮：叶片数10，叶片出口角30°,直径[0199]每次预测后，记录基模型的MSE、计算复杂度和泛化能力。对表现优异的基模型