用人工智能找到最理想的水电解设备设计方案

绿色氢能是实现能源系统脱碳的关键，而水电解制氢的核心瓶颈在于能耗高——主要源于电极表面产生的氢气/氧气气泡滞留，阻碍反应和导电。传统方法依赖人工经验优化或计算流体力学（CFD）仿真，但前者效率低、难以推广，后者计算成本极高且实验验证增益有限。本文提出一个名为AHEAD（高效电解槽自适应流道设计平台）的全自动智能设计框架，融合专家知识、多物理场仿真、机器学习预测、可解释性分析、随机结构生成与实验验证（通过3D金属打印和高速成像）。研究团队首先构建含1000个代表性流道结构的初始数据库；训练多种深度学习模型（如Swin-T、ViT、ResNet及混合专家MoE模型）预测不同流道下的电流密度，其中MoE模型因集成多个最优预训练模型，在泛化能力上表现最佳；再利用‘局部方向受限随机游走’（LDL-RW）算法生成100万个候选流道结构，并用MoE模型高效筛选出性能最优者——结果一致指向‘阵列式’（array-type）流道布局。进一步通过可解释AI技术（RFEMIP框架）揭示：决定电流密度的最关键因素是流道总活性面积（AS），而非传统认为的弯曲度（DD）；阵列结构通过均匀分布的单元，实现更稳定、更均衡的气液传质，减少气泡堆积。实验验证表明：在相同电压（2.0 V）和温度（80°C）下，阵列流道电解槽的电流密度比传统蛇形流道提高22.4%；高速摄像直观显示，阵列结构能快速打散并带走气泡，小气泡占比达74.4%（蛇形仅51.0%），且高速运动气泡比例更高（55.5% vs. 30.7%）；电化学阻抗谱（EIS）证实其欧姆电阻更低，传质与反应动力学更优。更重要的是，该优势在放大至100 cm²活性面积的工业级设备中进一步增强（电流密度提升达58.3%），证明设计具有优异的尺度适应性。整个流程大幅缩短研发周期，且框架可迁移至质子交换膜（PEM）电解槽、液流电池等其他电化学系统，只需更换对应训练数据并微调模型。本工作不仅为电解水设备提供了高性能、可量产的新流道方案，更示范了一种‘仿真+AI+实验’闭环驱动的下一代电化学系统自主设计范式。