买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国科学院宁波材料技术与工程研究所申请的专利一种燃料电池膜电极的智能设计方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120413721B 。

龙图腾网通过国家知识产权局官网在2025-11-14发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510907391.3，技术领域涉及：H01M8/04992；该发明授权一种燃料电池膜电极的智能设计方法是由李桦设计研发完成，并于2025-07-02向国家知识产权局提交的专利申请。

本一种燃料电池膜电极的智能设计方法在说明书摘要公布了：本发明涉及一种燃料电池膜电极的智能设计方法，对膜电极的质子交换膜、催化剂层以及气体扩散层的结构参数提出了一套基于机器学习理论体系下的逆向设计流程，将已有的理论体系与机器学习算法结合，从膜电极的质子交换膜、催化剂层以及气体扩散层的结构参数的具有可学习、可训练的数据中找到结构参数与膜电极的电堆性能的映射规律，通过输入预期性能和运行环境参数就可以智能化设计出膜电极的质子交换膜、催化剂层以及气体扩散层的结构参数，减少实验次数，大大降低研发成本，提高设计效率。

本发明授权一种燃料电池膜电极的智能设计方法在权利要求书中公布了：1.一种燃料电池膜电极的智能设计方法，膜电极包括质子交换膜、催化剂层和气体扩散层，其特征在于，所述智能设计方法包括： 步骤1，建立包含膜电极各部件的结构参数、运行环境参数和膜电极的电堆性能参数的数据库；对膜电极的电堆性能参数、运行环境条件参数和膜电极各部件的结构参数用特征向量进行描述，获得目标性能向量、运行条件向量和结构向量； 步骤2，构建多输入多输出神经网络模型，输入膜电极的电堆性能参数和运行环境参数，输出膜电极各部件的结构参数，捕捉膜电极的性能参数、运行环境参数与膜电极各部件的结构参数之间的耦合关系；所述多输入多输出神经网络模型包括输入层、隐藏层和输出层； 所述输入层的输入量包含膜电极的目标性能向量、运行条件向量； 所述隐藏层包括3层全连接隐藏层，逐层提取抽象特征；第一层全连接隐藏层包括128个神经元，采用GELU激活函数，表达式为： ； ； 式中，表示标准正态分布累积分布函数，表示激活函数； 第二层全连接隐藏层包括64个神经元，采用ReLu激活函数，用于融合不同模态的特征，计算公式为： ； 第三层全连接隐藏层包括32个神经元，引入自注意力机制，用以计算各输入特征对输出的贡献权重，自注意力权重矩阵的计算公式为： ； 式中，表示第三层全连接隐藏层的特征矩阵，表示可学习的注意力矩阵；表示缩放因子； 所述输出层包括并行的第一输出分支、第二输出分支和第三输出分支，所述第一输出分支用于输出质子交换膜的结构参数，所述第二输出分支用于输出催化剂层的结构参数，所述第三输出分支用于输出气体扩散层的结构参数；第一输出分支、第二输出分支和第三输出分支均通过物理约束激活函数限制； 步骤3，构建物理约束损失函数，基于数据库和物理约束损失函数训练多输入多输出神经网络模型；所述物理约束损失函数包括性能预测损失、物理正则项和多任务辅助损失；表达式为： ； 式中，表示性能预测损失，采用MSE损失计算，计算公式为： ； ； 式中，表示数据样本总数，表示第个样本的第个性能目标值；表示多输入多输出神经网络模型的预测值； 表示权重系数； 表示物理正则项，采用SmoothL1损失约束结构参数在物理可行域内，对于每组结构参数损失函数为： 式中，表示预测的结构参数，表示结构参数最大值，表示结构参数最小值； 表示多任务损失，引入与膜电极内部结构参数相关的辅助任务，计算辅助任务的损失，计算公式为： ； 式中，表示第个样本中辅助任务的目标值，表示多输入多输出神经网络模型的预测值； 步骤4，构建多目标优化框架，以多输入多输出神经网络模型预测的膜电极各部件的结构参数为初始解，采用粒混合优化策略，输出膜电极各部件的最优结构参数组合，所述多目标优化框架包括： 构建优化目标函数：找到满足膜电极的电堆性能和运行环境条件C的膜电极各部件的结构参数T，表达式为： ； 定义混合优化策略：采用粒子群优化进行快速粗搜，再采用贝叶斯优化进行精细微调，粒子群优化优化通过群体智能搜索机制，在参数空间中探索潜在解，具体包括： 每个粒子表示结构向量； 粒子初始位置在物理可行域内随机生成，初始速度； 以模型预测的性能偏差作为适应度，构建适应度函数，计算公式为： ； 式中，表示模型对的性能预测值； 粒子速度的更新规则公式： ； ； 式中，表示惯性权重，表示学习因子，表示随机数；表示粒子的历史最优位置，表示粒子的全局最优位置； 贝叶斯优化通过高斯过程建模适应度函数，结合期望改进采集函数，在粒子群优化的最优领域内精细搜索，具体包括： 高斯过程建模：设适应度函数服从高斯分布，核函数选择径向函数： ； 式中，表示信号方差，表示控制函数平滑性的长度尺度； 期望改进采集函数：选择下一个评估点，最大化期望改进值；表达式为： ； 表示当前全局最优解： ； 式中，，为GP预测的均值和标准差，，为探索参数，表示标准正态分布的累积分布函数，表示标准正态分布的概率密度函数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国科学院宁波材料技术与工程研究所，其通讯地址为：315200 浙江省宁波市镇海区庄市大道519号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。