为实现碳中和目标，利用可再生能源制备绿氢并通过质子交换膜燃料电池（PEMFC）高效转化为电能，已成为能源转型的重要路径。然而，PEMFC的大规模应用亟需提升其功率密度、降低成本并增强运行稳定性，其中“水淹”问题严重限制了高电流密度下的性能与寿命。尽管现有研究尝试优化气体扩散层（GDL）的结构与润湿性以改善水管理，但随机、多孔结构难以有效解决水积聚，尤其是肋板下区域积水问题突出。此外，传统试错法难以系统、高效地优化GDL结构。因此，结合人工智能与多尺度、多物理场模型的优化策略成为当前研究迫切需要解决的课题。
近日，来自香港科技大学的赵天寿院士，在国际知名期刊Nature Communications上发表题为“Artificial-intelligence-guided design of ordered gas diffusion layers for high-performing fuel cells via Bayesian machine learning”的研究成果。该研究针对质子交换膜燃料电池中气体扩散层结构的优化设计难题，提出一种基于贝叶斯优化与人工神经网络的闭环式机器学习框架。该方法通过加速GDL各向异性传输特性的计算，仅需40步即获得最佳结构参数，显著提升燃料电池极限电流密度。基于此指导，采用可控静电纺丝成功制备出纤维定向性高、直径适中的最优GDL结构，使电池功率密度达到2.17 W cm⁻²，极限电流密度高达约7200 mA cm⁻²，远超商业GDL水平。
本研究提出一种基于贝叶斯优化与人工神经网络的闭环式多尺度建模方法，实现对质子交换膜燃料电池中气体扩散层的快速结构优化。首先采用ANN模型显著加速对孔隙尺度GDL各向异性传输特性的计算，随后以极限电流密度为目标函数，通过BO算法在40次迭代内快速搜索获得最佳结构参数。研究发现最佳GDL结构由定向、直径适中的纤维构成。
图1. 闭环贝叶斯机器学习设计GDL的工作流程
本研究通过调节PAN前驱体溶液浓度与静电纺丝条件，制备出纤维直径可控的有序定向气体扩散层。加入钴盐促进了纤维排列与石墨化，热处理后纤维直径随PAN浓度增加而增大。经疏水处理后接触角提高至144°，与商业GDL(147°)相近。拉曼光谱表明制备的GDL石墨化程度略低于商业产品，但CT扫描显示其具有更好的纤维排列和更大的孔径分布范围，有望提升燃料电池性能。
图2. 有序aGDL的制备与表征
本研究系统分析了气体扩散层结构对质子交换膜燃料电池性能的影响。通过正交实验法，研究了纤维直径、微孔层（MPL）的有无、纤维排列方向以及随机化程度的效应。结果表明，随着GDL纤维直径增大，孔径增加，有利于改善高电流密度下的水排出性能，其中aGDL_d3的孔径最大，表现出最佳的质量传输性能。采用电纺纤维制备的MPL有效降低了接触电阻。将纤维垂直于流道放置时，性能优于平行于流道放置的结构，原因在于后者会增加电池的欧姆电阻和质量传输损失。此外，通过交错堆叠制备的随机排列纤维层相比于定向排列纤维层孔径减小，导致水管理性能降低。因此，采用较大直径纤维的有序结构，并垂直于流道方向放置，有效提升了PEMFC的性能。
图3. 不同结构与排列的有序aGDL性能比较
研究通过对比自制的定向aGDL和商业随机cGDL在质子交换膜燃料电池中的表现，评估aGDL的实际应用潜力。在标准条件下，aGDL电池的极限电流密度和峰值功率密度分别达到了7200 mA cm⁻²和2.17 W cm⁻²，分别为cGDL电池的2.7倍和1.6倍。此外，在低气体流速、低温、高湿度、高背压等恶劣工况下，aGDL电池仍表现出更低的浓差极化损失和更高的稳定性。稳定性测试表明，aGDL电池可在0.4 V下稳定运行，电流密度稳定在5000 mA cm⁻²以上，而cGDL电池则出现明显波动。同时，加速腐蚀实验（AST）表明，aGDL具有优异的抗腐蚀性能，可重复利用，性能恢复良好。总体而言，aGDL在各种工况下均优于cGDL，具备较强的实际应用替代潜力。
图4. 有序aGDL与商业cGDL不同实验条件下性能验证
本研究采用电化学阻抗谱（EIS）、极限电流实验、孔隙尺度模拟和有限元模拟方法分析了质子交换膜燃料电池中含定向气体扩散层（aGDL）与商业气体扩散层（cGDL）的水气传输性能。通过等效电路模型拟合EIS测试数据发现，cGDL在电流密度超过2 A cm⁻²时严重积水导致显著的浓差极化损失，而aGDL在高达5 A cm⁻²条件下表现稳定，仅在6 A cm⁻²时略有增加。通过极限电流密度法测得的氧气传输阻力（OTR）表明，aGDL在不同氧气浓度和背压条件下均表现出明显较低的OTR，且随压力呈线性关系，表明其抗积水性能优异。孔尺度模拟显示，aGDL中液态水饱和度显著低于cGDL，无论是在横向还是纵向方向均呈现更优的排水性能。电池尺度的有限元模拟进一步证实，aGDL显著降低了液态水饱和度并提高了氧气压力分布，从而改善电池性能。
图5 实验与数值水气传输分析与机理验证
本研究通过结合多尺度建模与贝叶斯机器学习的AI设计策略，优化了定向纤维的GDL结构，并采用高度可控的电纺法成功制备了有序GDL。在系统研究纤维取向、直径、MPL存在与层叠方式对PEMFC性能影响后，发现优化的定向GDL在垂直于流道方向时可实现高达7200 mA cm⁻²的极限电流密度和2.17 W cm⁻²的峰值功率密度，分别是商业GDL的2.7倍和1.6倍。该提升在不同温度、湿度、流速和背压下均表现稳定，且定向GDL具备出色的抗积水和抗腐蚀性能。电化学阻抗和极限电流测试，以及孔隙尺度和电池尺度模拟，都证明了其优越的水管理能力。AI驱动的设计与合成流程为新一代PEMFC GDL技术带来突破，也为其他领域复杂问题的设计优化提供了可推广的范式。
论文链接：Sun, J., Lin, P., Zeng, L. et al. Artificial-intelligence-guided design of ordered gas diffusion layers for high-performing fuel cells via Bayesian machine learning. Nat Commun 16, 6528 (2025).
https://doi.org/10.1038/s41467-025-61794-y
【通讯作者简介】
赵天寿，中国科学院院士、能源科学与工程热物理专家。现任南方科技大学碳中和能源研究院院长、工学院机械与能源工程系讲席教授、美国机械工程师学会(ASME) Fellow、英国皇家化学学会(RSC) Fellow、曾获Croucher资深研究成就奖、何梁何利基金科学与技术进步奖、国家自然科学二等奖、香港科大工程学杰出研究成就奖。入选Clarivate/Thomson Reuters 全球高被引科学家和最有影响力科学思想名录。任国际期刊International Journal of Heat and Mass Transfer主编与Energy & Environmental Science顾问编委。已在Energy & Environmental Science、Advanced Energy Materials、Nature Communications、Nature Nanotechnology、 Energy Storage Materials、Nano Energy等期刊发表SCI论文400余篇。
