迁移学习增强的深度神经网络替代模型，用于碱性水电解槽的快速多物理场仿真

为何更快的制氢技术至关重要

利用清洁电力从水中制取氢气，是实现重工业和交通脱碳的最有前景途径之一。在多种技术中，碱性水电解槽目前是大规模制氢的主力，但其设计与优化非常缓慢，因为详尽的计算机仿真往往需要数小时甚至数天。本文提出了一种用更聪明的捷径替代这些繁重计算的方法：一种能在毫秒级模拟复杂物理过程的深度学习模型，可能重塑工程师改进绿色制氢系统的速度。

碱性装置如何产生氢气

碱性水电解槽在氢氧化钾溶液中将水分解为氢气和氧气。水分子在一侧金属电极处被转化为氢气和带电粒子，而在另一侧电极产生氧气。在电池内部，许多过程同时发生：电流在金属板和液相中流动，溶解物质迁移并混合，热量产生并被去除，气泡在狭窄通道中成长并上升。这些相互交织的效应共同决定了装置将电能转化为氢气的效率以及设备在退化前的寿命。

经典仿真为何过于缓慢

多年来，工程师依赖有限元和有限体积等数值方法来理解这种复杂性。这些方法将装置划分为微小单元，并在每个单元上求解电、热与流体流动的控制方程。尽管准确，但计算代价很高：带有全部耦合物理的三维完整模型计算单个工况可能需数小时，因而在设计优化或控制中运行大量此类案例并不现实。作者估计，要实现真正实用、接近实时的预测，相较于传统工具需要超过千倍的加速。

有记忆的替代模型：一种学习捷径

作者没有反复求解完整物理方程，而是构建了一个替代模型：深度神经网络，学习将运行设置和设计特征直接映射为电流密度、温度和气体体积分数等详细内部场。他们采用类似图像处理网络的编码器—解码器结构，非常适合预测电池横截面的二维场图。为使模型保持物理一致性，他们在训练过程中嵌入了基本物理约束，当网络预测违反电荷守恒这一将施加电流与局部电流分布联系起来的核心定律时，会对其施加惩罚。

用迁移学习回收更便宜的仿真结果

本工作的一个核心思想是迁移学习——重用从更便宜、精度较低仿真中获得的知识，以提升对昂贵、高精度仿真的预测能力。团队首先在较粗网格或简化物理条件下运行大量“低保真”仿真，这些仿真计算速度远快于精细仿真，并用它们对网络进行预训练。随后，他们用数量远少但完全捕捉复杂物理的“高保真”仿真对预训练网络进行微调。精心设计的训练策略，包括逐步解冻层与适度的基于物理的惩罚，使模型能够继承已有知识，同时避免过拟合或不稳定。

智能模型的性能如何

在对未见过的高保真仿真进行测试时，替代模型在关键量上的再现性令人印象深刻。对于电流密度和温度场，决定系数超过0.98，平均相对误差低于2%。对气泡体积分数的预测精度略低，但仍能捕捉主要模式。最重要的是，一旦训练完成，该模型在现代图形处理器上可在毫秒级给出结果——比完整三维有限元计算快约一百万倍。作者还表明，借助迁移学习，他们可以将昂贵的高保真训练数据量减少约70%，同时相较于从头训练同一网络还能提升准确性。

这对绿色氢气意味着什么

对非专业读者而言，结论是：这项工作将一个缓慢且资源密集的仿真问题，转变为几乎可以即时运行的工具，同时几乎不牺牲准确性。工程师可利用此类模型扫描成千上万的设计选项、在波动的可再生能源下调整运行条件，或最终用于工业电解槽厂的实时控制。该框架在大规模商业电堆和极端工况下仍需进一步验证，但它展示了结合物理与机器学习的强大途径，使低成本仿真与基本定律共同训练出快速且可靠的数字替代模型，用于下一代绿色制氢系统。

引用: Yan, J., Jiao, L. & Chen, Z. Transfer learning enhanced deep neural network surrogate model for rapid multiphysics simulation of alkaline water electrolyzers. Sci Rep 16, 13680 (2026). https://doi.org/10.1038/s41598-026-43905-x

关键词: 绿色氢气, 碱性水电解, 深度学习, 迁移学习, 多物理场仿真