[發明專利]一種質子交換膜燃料電池氣體擴散層材料比例預測方法

有效

• 申請號: 202210595714.6
• 申請日: 2022-05-30
• 公開（公告）號: CN114677677B
• 公開（公告）日: 2022-08-19
• 發明（設計）人: 隋俊友;王虎;雷志平
• 申請（專利權）人: 南京友一智能科技有限公司
• 主分類號: G06V20/69
• 分類號: G06V20/69;H01M8/04298;G06N3/04;G06N3/08
• 代理公司: 南京鑫之航知識產權代理事務所(特殊普通合伙) 32410
• 代理人: 汪慶朋

1.一種質子交換膜燃料電池氣體擴散層材料比例預測方法，其特征在于：包括以下步驟：

組分識別步驟：

輸入掃描電子顯微鏡圖像，將圖像裁剪，通過Resnet 卷積模塊提取圖像特征層；

將所述圖像特征層輸入金字塔池化模塊，獲取掃描電子顯微鏡圖像的深層和淺層特征圖層；

將獲得的深層和淺層特征圖層共同輸入FCN 模塊，得到與輸入圖像相同尺寸的預測圖像；所述將圖像裁剪后進行圖像識別訓練，所述圖像識別訓練方法包括模型訓練與模型預測提取；

所述模型訓練的步驟包括：對掃描電子顯微鏡圖像裁剪，建立掃描電子顯微鏡圖像的數據集，并將所得數據集輸入到PSPNet模型中進行特征提取學習，通過交叉熵函數，以及Adam算法得到初步的預測概率圖；所述數據集包含PSPNet識別二維SEM圖片后的二維組分面積信息以及生產實驗中樣本對應的各材料的質量比例信息，以此數據集進行MLP網絡訓練，得到深度學習模型，實現輸入SEM圖，推理對應的不同組分質量比例信息；

推理預測步驟：

根據組分識別步驟中得的預測圖像，統計各個組分上的像素點比例得到二維組分比例，通過深度學習模型從二維組分比例組映射三維的組分比例信息實現組分比例預測；

推理預測步驟還包括：氣體擴散層比例推理評價指標，所述氣體擴散層比例推理評價指標包括：設置*為binder、fiber、ptfe中任意一個，設pre_binder、pre_fiber、pre_ptfe分別為深度學習模型預測出的粘接劑、碳纖維以及疏水劑的預測值，設std_binder、std_fiber、std_ptfe分別為深度學習模型預測出的粘接劑、碳纖維以及疏水劑的上下限，設置上下限std_*均為5%，設true_binder、true_fiber、true_ptfe分別為粘接劑、碳纖維以及疏水劑的真實值，若true_*在(pre_*-std_*, pre_*+std_*)范圍內，則準確率參數mask_*記為1，否則mask_*記為0；單張SEM圖的組分比例準確率公式如下所示，多張測試圖的總體準確率則取平均值；；其中acc為預測準確度。

2.根據權利要求1所述的一種質子交換膜燃料電池氣體擴散層材料比例預測方法，其特征在于：組分識別步驟中，所述輸入掃描電子顯微鏡圖像的方式為通過全局圖像信息引入，所述全局圖像信息引入方式包括：空洞卷積方式，得到氣體擴散層 SEM特征圖，所述空洞卷積在PSPNet網絡中，使用卷積神經網絡Resnet增加感受野。

3.根據權利要求1所述的一種質子交換膜燃料電池氣體擴散層材料比例預測方法，其特征在于：所述模型預測提取步驟包括：將新的掃描電子顯微鏡圖像輸入已訓練好的PSPNet 模型進行預測，最終得到高精度的各組分提取結果。

4.根據權利要求1所述的一種質子交換膜燃料電池氣體擴散層材料比例預測方法，其特征在于：推理預測步驟中，所述深度學習模型包括：輸入層、隱藏層以及輸出層，所述輸入層、隱藏層以及輸出層均包括權重，偏差值和激活函數；所述激活函數為tanh，并使每一層的輸出控制在(-1，1)。

5.根據權利要求1所述的一種質子交換膜燃料電池氣體擴散層材料比例預測方法，其特征在于：組分識別步驟中，所述Resnet 卷積模塊的卷積深度為50層。

6.根據權利要求1所述的一種質子交換膜燃料電池氣體擴散層材料比例預測方法，其特征在于：組分識別步驟中，所述金字塔池化模塊的池化特征尺寸分別為1，2，3，6。

7.根據權利要求4所述的一種質子交換膜燃料電池氣體擴散層材料比例預測方法，其特征在于：所述輸入層、隱藏層以及輸出層分別由8個，16個和8個神經元組成。