車網中國現場報道：
2020年8月13日-15日，“2020中國汽車論壇”在上海隆重召開。該論壇是由中國汽車工業協會（CAAM）主辦，世界汽車組織（OICA）、世界經濟論壇（WEF）唯一支持的行業頂級論壇。本屆論壇以“新變局 新挑戰 新思路——引領中國汽車新征程”為主題，緊扣時代脈搏, 求索突破之道，緊密圍繞“十四五”規劃，把控宏觀產業形勢，解析全球汽車產業發展動態。其中，在8月14日下午舉辦的“氫能產業發展及燃料電池技術創新論壇”分論壇上，同濟大學教授林瑞發表了主題演講，以下為演講實錄：

林瑞：我分享的內容是三大塊，一個是催化劑，還有在線分區技術探究燃料電池衰退機制，還有燃料電池氣體擴散層。在我們實驗室里，因為我從事催化劑24年，我在退化及方面簡單講一下科技組的工作。首先探索適合大批量制備的碳載體的分散方法，只有碳載體分散好了，鉑才能分散好。優化后的分散方法是省時簡便，也有很好的分散性。右邊是催化劑的性能展示，非常不錯。

這個是進行XRD的分析，這種使用的方法比較簡便，適合大批量的制備。這個是對壽命的評測，我就這幾頁講一下。特殊形貌催化劑我們也做了一些工作，下面講一下在線分區技術，從我2008年到德國十幾年的時間，每一年都有一個新的進化，它可以用于催化劑的膜電極的材料方面，可以在線檢測，還有結構，包括在無損的結構方面可以實時的反映變化情況。

這個是圍繞水熱管理、破損診斷，還有車載工況下分區特性，還有冷啟動出現的錯誤性，包括饑餓、起停，還有分區阻抗也做了一些工作。這幾張圖片為例，首先是檢測溫度對分布的影響，從62到77，內部的電流密度變化非常的激烈。這個是在其他條件都不變的情況下，我們唯獨地改變了濕度，這張圖可以看到，左邊是電流密度，改變濕度的力度不大，基本上利用分區可以看到內部發生了非常激烈的變化。A是出口端，C是進口端，紅色的是平均的電流密度的結果，平均電流密度變化不大，出口密度隨著時間性能是上升的，出口端上升，進口端下降，中間端有起伏。我們從宏觀的結果來看，這是一個平均的結果，看不到當中的變化。

在快速響應方面，這個也是應企業的要求，我們也做了一些工作。黑色是平均的結果，它是比較平坦的。實際上當中不同的區域變化是非常的激烈，尤其是紅色的區域，包括1、4、5有一些函數關系。

在故障診斷方面，這個是燃料電池在電壓情況下做的工作。發現出現故障的時候，紅色是平均的電流開始往下降，但是降到一定的程度，電壓保持不住了，也開始往下降。右邊是各個分區的情況，我們選了幾個典型的區域，它的變化非常的激烈。這個時候，我找了電流密度分布的示意圖，剛開始的時候比較正常，隨著時間的變化，如果不采取措施，區域越變越大，最后整個膜電極失效了。

后來我們查找原因，發現某一天10點多鐘的時候，這個時候空氣和氫氣的壓力突然降下來，電流也發生了比較大的變化，但是那個時候沒有采取措施，因為是無人值守，最后發現整個破損了。所以分區電流密度分區診斷方面可以實現實時的作用，這里選了10攝氏度為例，剛開始有一些電流開始出現，到一定的時間電流已經完成出現了，后來比較可惜的是電流維持不下去，最后整個是失敗的。這個是產水過多，超出了容許的含水量，又沒優化好，產生的水過多，所以導致失敗。

此外的話，診斷技術還可以用來研究局部的故障，比如說局部的反向電流。還有啟停衰退的機制，在不同的情況下，密度不一樣，不同的區域特性可以從中得到規律。我們還把這個用到小堆當中，這是我們實驗室做的5片的小電堆，運用了3片進行分區的解析。我們發現不同片的均一性不一樣，成功啟動也是不一樣，所以通過這些技術可以對燃料電池在低溫啟動的時候，有產能的優化、耐久性等等，可以做一些好的機理上的解釋。

此外除了電流密度，還有溫度分布之外，我們也做了分區的EIS，就是交流阻抗的分布情況。最右邊是初始的狀態，它的均勻度是非常高，經過200次以后，出現了藍色區域。2000次循環以后，電池上下兩端的性能下降比較明顯。這個是整體的EIS，也就是沒有分區的情況下，我們看到1200次循環前，整體電池的EIS變化比較小，1200循環次，變化比較大。因為數據比較多，可以看得出來，它的區別是非常的明顯，其中水熱情況較好的中部區域是電荷傳遞阻抗急劇下降的情況，雖然阻抗水循環增加提高，但是它的性能也是快速的下降。

我主要要講氣體擴散層改性和微觀性能下的識別。關鍵材料一個是質子交換膜，一個是催化劑，一個是氣體擴散層。氣體擴散層作用大家都知道，第一是催化層，還有增濕、排水、傳質等等的作用。目前市場上比較熟悉的是TORAY。它主要的技術難點，一個是高通量的氣體傳質受限，還有高功率密度下排水受限。因為氣體擴散層是多孔的介質，里面的孔結構是非連續性和不規則，會阻礙高通量的氣體傳輸。擴散層和催化層，界面孔隙結構差異，易造成毛細壓力劇變，導致液態水的積聚，最關鍵的科學問題是如何控制水氣在多孔介質的傳輸。

此外，在實際應用當中還有一個技術難點，在線的測試跟離線測試難以匹配，實際工況下，我們的擴散層處于動態變化中，離線測試難以呈現。還有孔隙結構的呈現，受制于燃料電池的夾緊力和實際工況。所以關鍵的技術是如何準確地呈現氣體擴散層的結構與性能變化。

在這一塊的話，關于MPO的性能提高，包括3D呈現方面。氣體傳質有各種的材料用于調節微孔層。還有一個是夾緊力，如果過大的話，會導致碳纖維的破碎，微孔層的結構形變，如果不阻的話，容易造成水淹。所以對氣體擴散層的影響是很多因素。像碳粉、載量，還有疏水性，所以我們做了很多的分析，包括性能、形貌的測試，增加一些特殊的材質，來增強氣道的傳量。最主要的是創造出利于氣體滲透的傳輸通道，并且增強它的傳輸。

包括排水方面、水管理方面，大家都知道MPO需要增加一些疏水劑，總量、添加量，我們也做了很多的工作。除了疏水之外，還要傳遞水，所以我們需要給它建立一個穩定的親水通道，右邊的這張圖一個是加了親水物質，另外一個是沒有含有親水物質，提高低濕條件下的性能。包括孔隙的梯度化，如果對微孔層進行梯度化的設置，使得孔隙率較低的一端靠近催化劑，這樣的結構會產生梯度化的毛細壓力，能將多余的水分定向從催化層排向流道。

還有一些關于水管理方面的，這是我們關于采用晶體占位的造孔法，把周圍的水分向中心聚集，并達到快速排梳的作用。還有限域親疏水的切換，有一些區域是親水的，有一些區域是疏水的，我們可以實現限域親疏水切換的作用。

剛才提到了技術上的難點問題，就是氣體擴散層的形貌、重構，在一些條件下難以客觀的組建出來。通過3D的重構，可以真實的獲取氣體擴散層三維結構與形態，用于模擬氣體擴散層的傳熱傳質，這點做好了，有助于膜電極的性能提升。

還有是隨機四參數的生成法，這是利用X射線斷層掃描技術，在相同的夾緊力下，不同氣體的擴散層的壓縮量、孔隙結構隨壓縮量的動態變化，包括相應的性能變化。隨機四參數是靠孔隙度、孔隙尺寸、發育狀況及微觀形態，可以跟真實的多孔介質具有很好的等效性，能較好地復現孔隙結構空間的定量描述。模擬生成的三維結構可以很好地模擬氣體擴散層內的傳熱和傳質。

這是三維多孔結構的模擬節結果，氣體的通道選擇性，藍色的是骨架，紅跟黃色是氣體，綠色是水，C圖片的形狀是規則的，氣體是U型通過，其他的圖片孔隙區域是不規則，具有的毛細是比較大的。影響MPO性能的因素是非常多，包括孔隙率、纖維數目、纖維分布等等，實驗工作量非常大，如果我們能夠人工智能輔助設計，可以加速整個氣體擴散層的開發，將MPO進行處理，利用神經網絡挖掘氣體擴散層的微觀圖片及結構參數，最終得出膜電極的性能。

此外，構筑神經網絡挖掘“結構-性能”隱含的規律，基于卷積神經網絡判斷氣體擴散層性能的優劣。這是神經網絡從原始的數據向SEM圖像、X射線斷層掃描、顯微鏡圖像，然后提取氣體擴散層的結構參數，得到的結構參數是第二點。第二部分是利用構建結構參數與電極性能之間的神經網絡。第三個部分就是構建氣體擴散層微觀圖像與電極性能之間的卷積神經網絡，這兩個網絡組成總的神經網絡。就可以達到阻抗、導氣等等。

從實驗結果出發構建全神經網絡，有一些是SEM，包括X斷層，包括孔隙率及孔徑的分布，選擇一些優先級的參數，構建全神經網絡，最后是希望得出電壓和電流的性能。

這個是從實驗結果出發構建全神經網絡。數據庫分為訓練集和測試集，這個可以比較神經網絡的輸出結果和真值，比較神經網絡性能的優劣情況。這個就是我們從結構到性能的隱含規律。

這是我們所做的實物圖，這個是基于國產的碳質，第三方提供給我們。將來在實驗方面，我們準備設計有序化的氣雙通道設計。在MPO的圖像這塊，我們希望掃描精度達到納米級，獲得更精細、更真實的氣體擴散層三維結構，包括氣體擴散層微結構定制化的開發。謝謝大家！