复合材料和人工智能在氢储罐设计中的最新进展综述

摘要：

  二氧化碳排放的环境影响已得到广泛认同，因此研发替代推进系统成为紧迫任务。氢能源被视为替代化石燃料在交通领域应用的潜在选择，车载储存氢气的三种技术方案包括：压缩气体储存、低温液体储存以及固体储存。这些技术正竞相满足车辆制造商的需求，但每种技术均面临独特挑战，需深入研究以指导未来研究与开发。本文回顾了氢气储存容器（HSV）设计的技术进展，涵盖技术性能、制造成本、安全性和环境影响等方面。特别是，对纤维增强聚合物复合材料HSV的最新研究进行了探讨，包括末端回收选项。此外，对现有HSV数值模型进行了审查，利用人工智能技术评估复合材料HSV性能，以实现更可持续未来的复杂设计。

关键词：氢储存；复合材料；运输应用；循环经济；回收利用；人工智能；可持续发展。

一、介绍   

化石燃料的环境威胁日益凸显，其消耗自然资源、加剧温室气体问题以及污染空气的弊端日益显现。因此，寻求更为清洁的能源已成为当务之急，其中，氢能被视为交通领域的一种可行解决方案。氢能不仅可以推动道路交通实现脱碳，还能显著降低空气污染。氢气作为一种无毒、无色、无味的气体，其能量密度高于标准燃料，更重要的是，其燃料基础设施与传统道路燃料相兼容。

近年来，为实现能源和气候目标，全球范围内启动了众多氢能源项目。自2000年以来，全球已启动230个项目，将电能转化为氢气。2017年和2018年安装的水电解器资本成本约为每年2000万至3000万美元。此外，对储存罐、加注基础设施、管道及其他设备的投资将使项目总成本进一步提高。在众多项目中，碱性和质子交换膜（PEM）电解器被广泛采用，但近期项目更倾向于选择PEM，这反映出许多测试条件下，成本节约潜力较大的不成熟技术受到青睐。    

图1. 各技术及开始日期的氢生产能力

固体氧化物电解槽技术有望助力提升市场效率。截至目前，已实施项目中的电解槽规模尚未超过10兆瓦（MWe），模块功率介于2至4兆瓦之间，其中大部分规模更为小巧。一个20兆瓦的项目正在研发中，部分项目甚至规划超过100兆瓦。部分计划已成功实现氢气转化为合成甲烷、甲醇、氨等氢基燃料和原料。

氢气的储存方式多样，包括高压储存（如35  MPa或70  MPa）、低温液体储存（20  K）以及固体储存。在固体储存领域，主要有三类材料家族可用于固态储存氢：可逆金属氢化物（如LaNi5H6、FeTiH2、Mg2NiH4）、络合物氢化物（如NaAlH4、LiAlH4、NaBH4）以及多孔材料，如碳纳米管和沸石。这些储存技术正竞争以满足汽车制造商的需求。。

材料科学及新材料研究为工程师在设计过程中提供了更多非传统材料的选择。复合材料日益在海洋、航空航天、汽车等领域发挥重要作用。复合材料以其卓越的强度重量比、改善的热力学和机械性能，以及通过多元组合实现的多重优势，备受瞩目。在储氢容器中的应用，有助于提升系统效率。储氢罐设计需综合考虑应用场景、测试压力、外部环境（包括可能的机械影响、化学降解、集成等因素）、寿命周期，以及固定和便携式应用的安全系数。选材时还应充分考虑故障模式及操作条件。

氢气容器领域普遍采用复合材料作为最为成熟的解决方案。这类储罐的生产工艺主要依赖纤维缠绕技术，而材料选择则至关重要。因此，研究人员针对多种树脂基体及衬里系统的材料选项进行了深入探讨。然而，复合材料在规模化生产复杂氢储罐方面仍面临一定的局限性，如高寿命周期成本和循环利用程度较低。据储罐尺寸及产量不同，碳纤维成本约占储罐总成本的45-80%。此外，氢动力环境影响的评估也应予以关注，并将其与其他交通方式进行比较，包括在报废时对氢系统组件的回收利用（尤其是燃料电池和储罐）。为应对这些挑战，热塑性材料被视为具有发展潜力的解决方案，满足氢兼容性和大规模汽车市场的需求。

热塑性材料凭借其卓越的机械、电气、电子、光学、磁性和表面性能，在高比表面积/体积比对能量存储方面具有重要意义。其大表面积及纳米材料改良可能性成为这类氢存储材料的关键特征。已有多项研究证实，纳米填料对拉伸性能、热导率、热稳定性及气体阻隔性能产生了积极影响。    

  本研究探讨了在氢储罐领域中运用复合材料及纳米复合材料的技术。多种机器学习方法被用于分析和预测复合材料在不同尺度下的性能。实际应用中，这些方法运用降维技术以缩减生成数据集，并训练机器学习分类器以预测结构层面的力学行为。

本文阐述了人工智能与数字孪生技术在预测氢储罐湿热力学行为方面的应用。全文结构如下：

第2节概述了当前氢储罐的类型。

第3节探讨了氢储罐的设计。

第4节介绍了复合材料和纳米复合材料在氢储罐中的应用。

第5节全面审查了用于建模氢储罐湿热力学行为的数值方法。

第6节介绍了用于建模复合氢储罐的人工智能和优化模型。

二、氢储存的不同类型  

目前用于船上氢气储存的选项包括压缩氢气、低温液氢、吸附剂、金属氢化物和化学氢化物（图2）。

图2. 不同类型的氢储存 

2.1. 物理储存  

2.1.1. 压缩氢气储存（CGH2）  

氢气储存技术最为成熟的领域在于高压罐压缩气体储存。氢气储存容器可分为四种常规类型：I型、II型、III型和IV型（详见图3）。

I型容器由金属（如钢）制成，因此重量较大，主要应用于固定用途的工业领域。在200-300巴的压力下，全球约有1%的氢气储存在I型容器中。

II型容器在金属衬套（环向）上覆盖复合材料，重量较I型减轻。然而，由于质量较大和氢脆性问题，I型和II型容器均不适用于车辆应用，导致其氢气储存密度较低。

III型容器采用具有氢渗透屏障功能的金属衬套，通常为铝（Al），消除了脆性，并提供了超过5%的机械强度。III型容器的质量比I型和II型容器增加了25-75%，使其更适用于车辆应用；然而，价格较高。III型容器在高达450巴的压力下已被证明是可靠的；然而，超过700巴的压力循环测试仍然存在问题。

IV型容器采用具有氢渗透屏障功能的塑料衬套（通常为高密度聚乙烯）的全包覆复合圆筒。承载结构为复合包覆层，通常由碳纤维或碳/玻璃纤维复合材料在环氧树脂基质中组成。IV型压力容器是压力容器中最轻的，非常适合车辆应用，并能承受高达1000巴的压力。然而，由于碳纤维成本高昂，价格相对较高。据统计，碳纤维约占储存容器成本的75%。

V型储罐目前处于设计阶段，计划采用热塑性衬套和更紧密连接的复合结构；复合材料和衬套将由相同的热塑性聚合物制成。然而，为确保这些储罐在使用过程中的安全，仍需进一步发展。

图3. 五种类型压力容器的示意图

  在评估各类氢气储存容器时，成本是一项关键考量指标。压缩气体储存方式通常具备较高的成本效益，其每千克氢储存容量的成本相对较低。然而，此类储罐可能较为沉重且占用空间，需频繁进行充装。液氢储存作为一种昂贵选项，需要专门的设计及隔热材料以保持低温，因此初始成本较高。金属氢化物与化学氢化物储存作为一种新兴技术，具有较高的储存密度和安全性能，但其成本可能显著高于压缩气体或液氢储存。

综上所述，氢气储存技术的选用取决于多种因素，包括实际应用场景、所需储存容量以及成本效益。表1列举了各类氢气储存罐的特点。

表1. 不同类型氢储罐的特性。

注意：这些数值是近似值，可能会因氢气储存罐的具体设计、制造工艺和材料等各种因素而有所不同。此外，不同的信息来源可能会报告略有不同的数值。

2.1.2. 低温氢储存（液氢，LH2）  

氢气在大气压下可作为低温液体和压缩氢气储存。相较于压缩氢气储存，低温氢气储存更具安全性且占空间较小。当氢气以液体形式储存时，其体积密度增大。在氢气的沸点（253℃）及大气压条件下，液态氢气（LH2）的理论体积密度为70 g/L，而室温下，分别为350 bar和700 bar的压缩氢气的体积密度分别为24g/L和40 g/L。液化的主要问题是制造液体所需能量较多，高于氢气临界温度（-240℃）时无法凝结。由于氢气沸点较低，只能在低温下以液体形式储存，因此需要昂贵的冷却设备。在此过程中，与压缩氢气相比，使用氢气的能量占比约为25-40%。因此，LH2低温容器必须具备真空隔热性能以维持低温。通常采用双层壁结构，壁间真空以防止热量泄漏。然而，由于环境热量流入LH2并传递至其他部分，可能导致每日高达0.4%的沸腾损失。制造低温氢气容器时，一个主要目标是确保液体表面积最小，以防止大气热量进入液体。若容器空间狭窄，沸腾损失可能带来危险。例如，若一辆配备低温液氢罐的汽车在封闭车 库内停放数日，氢气可能沸腾并引发火灾。宝马已研发出可使用汽油和低温液氢的内燃机车型。此外，液氢在太空应用及中大型运输领域亦有所应用。除可容纳约4000公斤H2的LH2拖车外，LH2船亦可在全球范围内运输氢气。川崎重工目前正在制造可容纳高达11,500吨（160,000  m3）H2的LH2船。    

2.1.3低温压缩氢储存技术（CcH2）  

低温压缩氢储存技术融合了压缩氢储存与低温氢储存的优势。如前所述，压缩氢储存面临的主要问题包括体积庞大和高压需求，而低温氢储存则存在不可避免的沸腾损耗问题。低温压缩储存技术有效缓解了这些问题。在这种储存方式下，采用绝缘容器可抵御低温和高压环境，从而提高压缩氢或低温液氢的体积储存容量和安全性。在20K环境下压缩液氢，其体积储存容量从1bar下的70g/L提升至240bar下的87g/L。

绝缘容器对抗高压的能力使得储罐内压力能够较低温储存更大程度地上升，同时延长休眠期，进一步提高储存密度并降低挥发损耗。另外，低温压缩氢储存所采用的较低压力（通常为300巴）相较于常规压缩氢储存（700巴），可能降低对昂贵碳纤维复合材料的需求。技术评估表明，低温压缩氢储存容器可满足美国能源部（DOE）针对汽车应用的特定系统目标，包括质量和体积氢容量以及在最小日常驾驶条件下休眠期间的氢损耗[50]。预计低温压缩氢储存系统将分别提高91%和175%的质量和体积容量，同时碳纤维复合材料质量减少46%，系统成本降低21%。此外，研究发现在初始储罐装填量为85%的情况下，可实现超过七天的休眠时间且无损耗。2012年，一款低温压缩氢车辆原型[51]问世，但基础设施的可用性和成本仍是制约该储存选项可行性的关键障碍。

2.2. 化学储存  

氢气的化学储存方式或许能提供更高的能量密度，同时便于公众使用。此类储存材料需在车辆外部进行再生，因为无法通过高压常温下存储氢气。当前，多种放热和吸热化学系统正在研究中，以释放氢气。含氢化合物，如甲醇、氨和甲基环己烷，也可视为储存氢气的方式。在标准温度和压力下，这些化合物均为液体，因此可利用现有汽油基础设施进行运输和储存，这与需无缝且不漏气的管道和容器的气态氢气相比，具有显著优势。这些化合物可容纳更多氢气：甲醇为8.9%，氨为15.1%，甲基环己烷为13.2%。研究人员还尝试从氨硼烷（硼氮烷）中提取氢气，当其为固体并溶解在水中时。已发现多种催化剂，如各种酸和过渡金属的络合物，正致力于改进以提高氢气释放量和速率。然而，氨硼烷仅适用于车载氢储存材料，若用于脱氢氨硼烷的燃料能以高效且廉价的方式回收利用。然而，此类储存方法不可逆，化合物无法反复充电。这些化合物必须在中心工厂制造，反应废物需再利用。这对氨而言尤为困难，因其会导致环境有害的氮氧化物。其他化合物亦会产生类似有害的碳氧化物。    

利用100%可再生电力进行水电解生产的可再生氢气是欧盟可用于几乎零排放温室气体（GHG）能源的去碳化措施。用于交通领域时，需将氢气供应至氢燃料站（HRS）。氢气可在中心位置生产并输送至HRS，也可直接在HRS生产。与集中生产不同，现场氢气生产可消除从生产现场至HRS的昂贵且低效燃料运输。本研究采用现场电解的HRS探讨了欧盟国家加油站可再生氢气的当前和未来价格。

图5描述了欧盟现场可再生氢的平均泵价，以及其分解为氢生产成本（青色条）和加注成本（橙色条），以及在每公斤3欧元补贴情况下的总成本（灰色菱形）。采用中位数情景和30%的加氢站利用率，我们估计2020年欧盟可再生氢的平均泵价将为每公斤11欧元。我们预计未来生产可再生氢的成本将降低，得益于可再生电力发电和电解技术的技术进步，包括电解器成本的降低。我们预计加氢站基础设施的水平化成本将以每公斤为基础下降，主要得益于利用率增加。我们假设2030年为50%，2050年为70%。然而，即使我们对每公斤氢的最乐观估计为6欧元，也高于欧盟委员会主席2030年每公斤1.8欧元的目标。

每个最乐观的估计为6欧元。

图4. 系统存储密度比较。

图5. 在26个欧盟国家，基于中等成本和乐观成本情景的加氢站平均氢气价格[57]。

二、氢储存容器设计  

压力容器工程设计方式随着时间的推移有所演变，从依赖经典层合理论进行近似计算，至全面采用精细的有限元分析方法，精确解析在不同内部和外部载荷状况下的应力和应变为了在允许的容积范围内最大限度地提高可储存的氢气量，同时兼顾重量和最大操作压力，氢气储存罐的设计制造需运用复杂技术。材料选择是设计过程中的核心环节，所选材料需在与氢气接触的预期边界条件内保持兼容，包括暴露水平（压力）和机械应力水平。同时，对极端条件和疲劳加载的影响进行了深入研究。在船舶操作中，某些在静态负载和室温下表现良好的材料，可能对氢脆化和时间相关的裂纹扩展变得敏感。受潮氢的反应需予以密切关注，特别是在高温环境下。氢气密封应在严苛的温度、高压循环和动态应力下保持可靠性。

在开发氢储存罐时，五个主要评估领域需予以考虑（见图6）。氢储存解决方案（HSV）的技术性能是衡量其有效性的关键指标。多个关键设计元素影响HSV的技术性能，如所用材料、压力等级、容器的大小和形状。HSV建造中使用的材料对其性能具有决定性作用。钢铁和铝是常见的HSV建造材料，因其具备强度和耐久性。然而，复合材料如纤维增强塑料的应用日益增多，原因是其重量较轻、耐腐蚀性能改善。HSV的压力等级指容器所能安全承受的最大压力。高压HSV通常具有700巴或更高的压力等级，而低压HSV的等级为350巴或更低。HSV的压力等级将影响其整体储存容量和效率。HSV的大小和形状同样影响其技术性能。HSV有多种形状，包括球形、圆柱形和环形。HSV的形状对其氢储存容量和稳定性产生影响，某些形状的性能优于其他形状。因此，HSV的制造成本会根据所使用材料、设计复杂性和制造过程而有显著差异。相较复合材料HSV，钢铁和铝HSV的制造成本较低。    

图6. 氢储罐设计的多标准评价

然而，与基于金属的容器相比，复合材料制成的HSV通常具有更好的性能和更轻的重量。大规模生产和先进制造技术也可以帮助降低HSV生产成本。此外，安全是HSV设计的关键方面，HSV必须符合交通部和国际标准化组织设定的严格安全和监管标准。例如，高压气瓶必须设计成能够承受高压、高温和冲击，并且必须经过测试以确保符合这些要求。最后，通过在生产中使用可回收材料，可以减少氢储存容器（HSV）设计的环境影响。例如，高压气瓶可以采用再生钢铝制成，减少与生产新材料相关的排放，并保护有限资源。复合缠绕压力容器（COPVs）也可以使用可回收材料制成，如碳纤维，可在HSV寿命结束后回收和再利用。此外，使用可回收材料生产COPVs可以减少与生产新材料相关的排放，并保护有限资源。

2.1.设计程序  

  在复合容器的设计中，综合考量了诸如渐进破坏特性、爆破压力以及疲劳寿命等多重因素。在设计初期，将高可靠性与实用性相结合以创建复合容器是一项具有挑战性的任务。从微观力学的角度来看，复合材料的破坏机制复杂，涵盖基体开裂、纤维/基体脱粘、层间剥离、纤维断裂以及这些模式之间的相互作用。通过优化设计，例如调整缠绕纤维的方向和层厚度，可以实现复合容器轻量化、强度提升以及可靠性增强。    

经典层合理论（CLT）、厚壁圆柱理论或网格分析等方法可用于确定氢气储罐复合铺层的初步尺寸（图7）。CLT用于评估各层的铺层顺序和厚度。部分研究人员采用网格分析，该分析基于静力平衡原理，假设所有纤维仅受拉力作用，不受剪切或弯曲应力影响。网格理论的基本假设包括：

（1）仅纵向碳纤维承受压力；（2）忽略缠绕模式的影响。

网格理论可计算各复合层的厚度和纵向原位纤维强度。复合容器的爆破压力与强度值呈反比关系。用于研究厚壁容器机械响应的分析方法包括上述理论。

图7. 氢储罐设计理论。

一些制造商用于商业燃料电池车辆的氢气储罐存在一些问题，包括减少纤维缠绕周期时间以及确保它们安全、轻便、廉价等。美国能源部（DOE）燃料电池技术办公室注意到了这些问题，并启动了一个设计和建造氢气储罐的项目。该项目研究了不同的基质树脂、碳纤维以及储罐设计形状的选项。然而，在树脂选项方面，他们没有考虑到热塑性树脂，这对环境友好并缩短了制造时间。设计师必须考虑一般特性，如储罐容量、工作压力、材料属性和安全因素。复合氢气储罐的完整设计周期如图8所示。

2.2.复合氢储存容器的数值分析  

复合氢储存容器在运行过程中受到复杂的加载条件影响。这些加载条件包括机械载荷，如压力、张力和剪切，以及热载荷，如温度波动。这些容器中使用的复合材料还会因为容器的充放氢而受到循环加载的影响。复合氢储存容器所经历的复杂加载条件可能会显著影响其结构和热性能。同样，温度波动可能导致容器内部产生热应力和变形，如果容器设计不能承受这些载荷，可能会导致失效。准确建模和分析这些加载条件对于确保在复杂加载条件下复合氢储存容器的安全和高效运行至关重要。这可以通过数值分析技术（如有限元分析）来实现，以预测不同加载条件下容器的结构和热行为。这些分析的结果可以用于优化容器的设计，并识别容器设计中的任何潜在失效模式或弱点。复合氢储存容器的数值分析涉及使用数学模型和计算技术来分析这些容器的结构和热性能。这种分析的主要目标是评估这些容器在各种加载条件下（如压力、温度和循环加载）的安全和高效运行。进行数值分析的第一步是定义容器的几何形状和材料性质，包括使用的复合材料的厚度和类型，以及容器的尺寸和形状。材料性质，如杨氏模量、泊松比和热膨胀系数，对于预测容器在不同加载条件下的机械行为至关重要。接下来，需要确定作用在容器上的结构和热载荷。这些载荷可能包括内部压力、温度波动以及由于充放氢而产生的循环加载。容器的边界条件，如周围环境的温度和支撑条件，也需要被定义。一旦容器的几何形状、材料性质和加载条件被定义，就可以创建一个有限元模型来分析容器的结构和热性能。这个模型可以预测容器在不同加载条件下的变形、应力和应变分布。它还可以用于预测容器内部的温度分布，这对评估容器的热稳定性至关重要。复合氢储存容器的数值分析可以为这些容器的性能和安全提供宝贵的见解，有助于确保它们的安全和高效运行。设计理论的氢储存罐。制造商可用的燃料电池车辆的氢气箱存在一些问题，包括减少纤维缠绕周期时间以及确保它们安全、轻便、廉价等。美国能源部燃料电池技术办公室（DOE）看到了这些问题，并启动了一个项目来设计和建造氢气箱。该项目研究了不同的基体树脂、碳纤维和氢气箱设计形状的选项。然而，在树脂选项上，他们没有考虑到对环境友好且缩短制造时间的热塑性树脂。设计者必须考虑一般特性，如罐容量、工作压力、材料属性和安全因素。复合氢气罐的完整设计周期示例见。    

图8. 氢储存容器的设计方法 论。

三、用于氢储存容器的复合材料  

由于其高强度重量比和优异的耐腐蚀和疲劳性能，复合材料已被广泛研究用于氢储存容器。这些材料可以提供轻量化和耐用的结构，能够承受氢储存的高压和高温要求。使用复合材料制造氢储存容器的主要优点之一是它们能够在极端条件下保持高水平的结构完整性。

这些材料具有出色的抗疲劳和耐腐蚀性能，这对于长期储存氢气至关重要。此外，复合材料对冲击和热循环具有高度抵抗力，这对安全运输氢气至关重要。复合材料用于氢气储存容器的另一个好处是可以根据特定要求进行定制。不同的基体和增强纤维组合可以实现特定的性能，如高强度、模量或热稳定性。这使工程师能够针对特定应用优化储氢容器的设计。

复合材料对于氢储存容器也是非常具有成本效益的。它们重量轻，可以降低容器的总成本，而且易于加工制造，降低了制造成本。此外，复合材料具有长期的使用寿命，需要较少的维护，进一步降低了容器的总成本。在设计复合氢储存容器时常用的一些材料如图9所示。    

这项技术需要研究和开发，以降低成本，同时提高现有高压容器的性能、可靠性和耐久性。由于内部压力，复合壳体可以承受重要的机械载荷。碳纤维的广泛使用占容器最终成本的50-70%（图10）。复合结构优化将使氢设备的成本大幅降低。数值模拟需要改进，因为大多数工程师今天使用的简化模型通常与实际情况相去甚远。

图10. 根据碳纤维类型T1000/T700（Quantum, 美国）对氢气高压IV型容器重新分配成本的成本。

碳纤维类型：用于制造氢储存容器的碳纤维类型可能会影响容器的力学性能和氢储存能力。通常，高强度的碳纤维如T1000或更高的碳纤维被认为是制造氢储存容器的首选，因为它们具有优越的力学性能，如高抗拉强度和刚度，这对于容器在氢气储存和运输过程中可能遭受的高压力和循环载荷条件至关重要。然而，碳纤维类型的选择也取决于氢储存容器的具体应用和要求。例如，如果容器需要轻量化，较低强度的碳纤维如T300或T700可能更合适。此外，碳纤维的制造工艺和成本也是一个考虑因素。

碳纤维具有许多优点，包括高刚度、高抗拉强度、轻质、高化学抗性、高温耐受性和低热膨胀。

在购买碳纤维产品或零件时，我们通常最关注碳含量。另一方面，制造中使用的碳纤维材料类型更为重要。因为不同材料用于不同目的，让我们解释一下T300、T700和T800碳纤维之间的区别。不同碳纤维材料中使用的不同树脂见表2。

  T300碳纤维是由日本东丽公司于20世纪70年代研发的，作为一种标准模量纤维，其模量介于33-34  Msi之间。因此，东丽生产的T300碳纤维在业内被视为基准。T700是一款兼具高拉伸强度和标准模量的碳纤维，也是一种常见的工业纤维。在性能方面，T300和T700的拉伸模量均为230  GPa，直径为7μm。然而，T300的拉伸强度为3.53  GPa，而T700的拉伸强度为4.90  GPa。这意味着T300的强度提升了38.8%，T700的延伸提升了40%，且其体积密度增加了2.27%。T800纤维则为一款具有中间模量和较高拉伸强度的纤维，其拉伸模量为42  Msi。它具备卓越的复合性能，因此被视为第一种复合材料。    

在过去的三十年里，T300碳纤维因其首创性而得到了广泛应用。尽管初上市时价格高昂，但随着东丽公司加大出货量，材料成本逐渐下降。如今，T300碳纤维的价格已相当亲民。以一个400×500×5  mm的碳纤维板为例，现价约为80美元，仅为初始售价的一半。相较之下，T700碳纤维的价格约为T300的140%，一个400×500×5  mm的T700碳纤维板售价约为120美元。而T800碳纤维的价格则比T700高出30%至40%。这些价格差异主要源于T700和T800的原材料成本，以及制造和加工过程中的成本差异。

在无人机行业中，T700碳纤维因其优良的性能和性价比而受到欢迎。T800碳纤维则最为昂贵，也最具强度，常被用于制造高端产品，以实现产品整体轻量化。在设计复合氢储存容器时，必须考虑多个关键因素，其中包括容器的压力和温度要求。氢储存容器需能承受高达350至700  bar的压力和20K的低温，同时具有较高的强度重量比，以确保轻便且耐用。

近期，研究人员研究了聚乙二醇（PEG）改性对低温压缩氢储存容器（HSV）中复合层性能的影响。结果显示，改性环氧树脂保持了其73.38  MPa的高强度，同时将弹性模量降低了45.31%。3  wt%的PEG600改性减少了32.65%的缠绕层，同时将碳纤维强度使用率提高了50.69%。在仅增加6.06%的缠绕层的情况下，碳纤维机械性能可用于CCH2储存容器设计，同时提升了安全性。

石墨烯和碳纳米管（CNTs）等新型材料在制造氢储存容器方面的应用日益受到重视。这些材料具有高比表面积、高强度和刚度、轻量化、灵活性以及可扩展性等多重优势，有助于提高氢储存技术的性能、安全性和成本效益。然而，关于这些材料在氢储存应用中的性质和行为以及长期耐久性和成本效益性的研究仍有待深入。    

图11. 氢储存技术设计的关键考虑因素。

图12. 一个低温压缩氢储存容器复合层性能的改进。

新材料如石墨烯和碳纳米管（CNTs）在制造氢储存容器方面的应用变得越来越重要。这些材料具有几个优点，包括高比表面积用于氢吸附，高强度和刚度以改善机械性能，轻量化以降低重量。氢储存容器的设计需要考虑以下几个方面：1. 壁厚：容器壁的厚度将取决于所储存氢气的压力和温度要求。2. 接头和连接：必须仔细考虑接头和连接的设计，以确保容器能够承受高压和高温而不泄漏或破裂。3. 散热：氢储存容器必须设计有效散热，以防止过热和可能的爆炸。4. 抗冲击性：容器必须能够承受冲击和碰撞而不受损坏或破裂。5. 耐腐蚀性：容器设计中使用的材料必须耐腐蚀，以确保长期耐用性。图12. 一个冷压缩氢储存容器复合层的性能改进。其他项目旨在开发高性能轻质的石墨烯碳纤维增强塑料复合材料压缩氢储存罐，这种罐在航空航天应用中越来越受欢迎。这些罐被设计用于安全高效地储存和运输氢气，同时也足够轻便耐用以适用于航空航天应用。这些罐的一个关键组成部分是纳米材料增强的3D打印聚合物内衬，提供氢气渗透屏障，防止氢气泄漏。另一个关键组成部分是石墨烯低渗透层，提供额外的保护防止氢气渗透。最后，石墨烯和相关材料增强的矩阵碳纤维复合包覆层提供一个强大、耐用且轻量的外层，可以承受航空航天应用的恶劣条件。这些先进材料和设计元素使得石墨烯碳纤维增强塑料复合材料压缩氢储存罐成为航空航天应用的理想选择，并有助于推广清洁能源。    

根据碳纳米管生产商OCSiAl [74]的说法，使用碳纳米管（CNTs）在氢储罐中相较传统材料具有几个优点。

CNTs以其高强度重量比、高热和电导率以及对氢渗透的优异抵抗性而闻名。这使得CNTs非常适合用于氢储罐，因为它们可以提供一个坚固且轻量的容器，防止氢气泄漏。OCSiAl还声称CNTs可用于制造更高效的氢储罐，因为它们可以在比传统材料更高的压力和温度下储存氢气。这意味着更多的氢气可以储存在更小的体积中，减小储罐的尺寸和重量。此外，CNTs可以轻松与其他材料（如复合材料）集成，创造出性能和耐久性更好的混合氢储罐（见图14）。    

OCSiAl的研究人员表明，引入复合材料增强中的石墨烯纳米管可以提高层间剪切强度（ILSS），根据圆筒冲击测试的结果，导致爆破压力水平最多提高30%。这种惊人的冲击抗性改进使我们能够在保持机械性能的同时减轻圆筒的重量，从而使其成为世界上最轻的300巴工作压力下的6.8升圆筒。我们的SAFERnano圆筒的总质量，包括所有保护附件和涂层，不到2.8公斤。与竞争解决方案相比，这一新一代圆筒的重量减轻了高达75%，与我们以前的产品相比减轻了15%。

复合材料氢储存容器的回收是一个重要问题，因为这些容器有潜力成为传统燃料储存方法的环保替代品。然而，用于氢储存容器的复合材料由于其复杂的组成和容器内氢气的存在，可能难以回收。近期有几项关于复合材料氢储存容器回收的研究，包括使用机械和热处理来分离复合材料的各个组分。例如，CETIM集团探索了机械研磨和粉碎方法，将复合材料还原为小块，可以进一步加工以回收纤维和树脂。

其他研究调查了使用热处理（如热解）将复合材料分解为其组成部分的方法。除了这些物理回收方法，还有关于通过重新用途或修复和重新充装氢气来再利用复合材料氢储存容器的研究。然而，这些方法需要仔细考虑容器的完整性和安全性，以确保它们仍然可以安全使用。    

3.有限元分析

复合氢气罐的分析设计解决方案基于对载荷和边界条件的广泛假设，并未考虑在极板附近刚度的变化。为了准确预测纤维缠绕压力容器的行为，必须使用有限元分析（FEA）来正确地建模这些和其他影响。大多数纤维缠绕压力容器具有有限元分析只能捕捉的一阶非线性几何效应。优化旨在通过设计缠绕角度和厚度来增加复合容器的重量、强度、可靠性和使用寿命。随着设计方法和生产技术的进步，复合容器采用轻量化发展策略。减重已成为限制复合容器经济性和实用性的方法瓶颈。在这种情况下，建立复合容器的材料-结构-加工一体化设计和计算方法至关重要。其他制造和测试因素可能会影响复合容器的性能；因此，设计的重要性可能需要进行检查。然而，数字模拟和人工智能的重要性预计将通过本综述进一步强调。

一个具有全面和独立用户界面的民主化工具。

•用户界面响应时间短，加快了设计工期。

•全面和精心选择的设计参数允许层的形状快速变化。

•完全自动化的有限元模型生成，允许以最少的有限元知识进行模拟。

•预测卷绕问题。    

•智能叠加渲染允许图层选择和交叉检测。

为参数化设计优化设计实验能力。

•与ABAQUS软件完全兼容，不需要FORTRAN编译器后处理特定的材料输出。

•与绕线软件兼容。

•模型校准和与生产油藏测量的相关性。

通常，有限元分析（FEA）被用来研究碳纤维复合材料的方向机械性能行为，这对于氢存储压力容器尤其重要（见图16）。在处理受内部载荷作用的氢压力容器时，经常会检查许多故障模式，包括纤维劣化和基体损伤 [78]。Leh等人 [79] 发表了一个完善的渐进损伤模型，探索了Ⅳ型氢存储压力容器的失效行为；该研究提出了两个有限元模型来模拟情况28，其中容器的内压逐渐增加，直至复合容器突然失效。Nguyen等人 [80] 对各种复合材料的损伤建模进行了大量研究，并开发了一种出色的工具，用于分析受热力载荷影响的氢存储容器的损伤状况。Bogenfeld等人 [81] 使用分析和实验方法研究了冲击后复合材料的性能，概述了耐损伤复合结构的设计。Wang等人 [82] 使用材料性能退化和连续损伤力学来确定复合容器的极限强度和复杂的失效行为；完全包覆的有限元模型用于检查多种失效模式。Liu及其同事 [27] 对复合高压氢存储容器设计和优化相关研究进行了全面回顾。作者专注于数值模拟技术，用于模拟高压氢存储条件下复合材料的行为。这些技术包括有限元分析和计算流体力学（CFD）模拟。该综述还考察了最近的研究，旨在通过探索不同的设计参数来优化复合氢存储容器的设计，例如复合纤维的厚度和方向、所使用的树脂类型以及容器的整体形状。作者总结时强调了该领域未来的研究方向，包括需要更先进的模拟工具、新型复合材料的开发以及探索替代的氢存储方法。在另一项研究中 [83]，作者对用于高压氢存储容器的复合壳进行了现有研究回顾。他们还总结了诸如有限元分析和CFD模拟等模拟技术，用于模拟复合壳的行为。此外，作者还涵盖了通过检查参数如纤维厚度、树脂类型和容器形状来优化复合壳设计的研究。Ramirez等人 [84] 提出了Ⅳ型压力容器安全/不安全爆破模式的模拟令人信服的结果。Zaami等人 [85] 在纤维增强热塑性胶带螺旋缠绕在圆柱形芯轴上的夹点附近进行了全面的数值分析，重点关注了与特定内部应力因素相关的应力和应变响应。总之，有限元分析可用于设计具有可接受的精度和成本效益的氢存储罐，但研究人员必须在极大系统上使用代理模型以节省计算时间。    

5.1. 复合氢储存容器的多尺度建模

复合氢储气瓶的多尺度建模涉及使用数学模型和仿真工具分析这些储气瓶在不同尺度下的性能（图17）。这种分析可以包括在微观尺度上建模单个材料和组件的行为，并预测储气瓶在宏观尺度上的整体性能[86-89]。多尺度建模有助于理解复合氢储气瓶内部复杂的相互作用，并识别影响其性能的因素。它还可以用于通过确定导致最佳性能的材料和技术来优化这些储气瓶的设计和制造。为了进行复合氢储气瓶的多尺度建模，研究人员可以使用ABAQUS或ANSYS等软件（图18）以及专门为此目的设计的建模和仿真工具[88]。他们还可以使用来自测试和仿真的实验数据来验证和完善他们的模型。总的来说，多尺度建模的目标是发展对复合氢储气瓶行为的更好理解，并提高其性能。    

、

近年来，一些新的失效准则推动了失效分析的发展，为复合材料的失效分析提供了关于微观和宏观方面相互作用的信息。通过材料性能退化方法，特别是CDM与商业有限元分析方法的结合，模拟了复合层合板结构的初始失效后行为。新的有限元方法逐渐发展了多尺度失效分析，如粘结元素（CE）和代表性体积元素（RVE）方法。下面总结了使用有限元方法进行复合罐的渐进失效分析，作为后续失效分析的参考[38]。渐进失效分析的流程图如图19所示，通常包括（I）应力分析、（II）失效评估、（III）材料退化和（IV）爆破压力检测。    

最近，Nguyena及其同事们[90,91]开发了用于分析压力容器的多尺度模型。这些模型探讨了介观-宏观或微观-介观-宏观方法来计算宏观容器响应。采用介观-宏观方法的模型从复合层板预先给定的情况下计算容器的行为。相比之下，探索微观-介观-宏观方法的模型预测复合容器的行为，从微观尺度成分（即纤维和基体）的行为出发。除了这些方法，微观-宏观方法使用参考体积单元或单位胞来获取构成层次上的损伤状态，以输入到压力容器的宏观有限元模型中。

此外，Lin等人[92]提出了一种新的方法来建模和分析复合材料压力容器的渐进失效。该研究旨在提高复合材料压力容器设计过程的准确性和效率，这种容器通常用于包括氢气储存在内的各种应用中。作者采用了一种多尺度建模方法，结合微观力学分析、介观建模和宏观建模，模拟了复合材料压力容器在不同加载条件下的行为。他们还结合了Puck失效准则来预测损伤的发生和复合材料中裂纹的扩展。    

然而，上述压力容器建模工作中的许多应用了介观-宏观方法，结合了经典层合理论（CLT）或与Hashin、Puck、Tsai-Hill和Tsai Wu等失效准则相关联的有限元（FE）方法。使用失效准则需要通过对平板试样进行机械测试获得层板的强度数据，这可能需要大量的工作，因为需要温度相关的机械性能数据。此外，正如[93]所指出的，微观-介观-宏观方法比介观-宏观方法更有效地获得复杂层合复合结构中的层板行为，例如缠绕压力容器，对于这些结构，传统平板试样获取的数据并不一定反映容器中层的实际机械性能。

虽然连续损伤力学（CDM）已被广泛应用于模拟层合复合结构中的渐进损伤[94]，但其在压力容器中的应用仍然有限。在连续损伤力学（CDM）框架内遵循损伤演化关系的横向基体开裂可以从起始到饱和状态逐渐演变。在容器加载过程中，通过考虑纤维强度和基体应力的微观纤维失效准则预测了复合材料的纤维破裂。Rafiee开发了一种新颖的递归多尺度建模方法，用于预测缠绕复合材料压力容器的爆破压力。该建模覆盖了微观、介观和宏观各个尺度，并考虑了缠绕过程中与纤维排列相关的不可避免的缺陷。    

氢气储存容器的测试程序开发对于确保这些容器的安全性和性能至关重要。可以进行多种测试来评估氢气储存容器的结构完整性和性能，包括冲击和静态疲劳测试。冲击测试旨在评估氢气储存容器抵抗突然冲击或载荷的能力。这些测试涉及将容器暴露在突然冲击或载荷下，如从高处掉落或被物体撞击，并测量容器的响应。这些测试的结果可用于评估容器抵抗冲击损坏的能力，并识别容器设计中的潜在弱点。此外，静态疲劳测试旨在评估氢气储存容器长时间内承受重复载荷的能力。这些测试涉及将容器暴露在重复载荷下，如加压和减压循环，并测量容器的响应。这些测试的结果可用于评估容器抵抗疲劳失效的能力，并识别潜在的疲劳开裂或其他损坏。为了开发氢气储存容器的测试程序，关键是考虑容器的具体设计和预期用途。测试程序应根据容器的具体要求和操作条件进行定制，并根据相关行业标准和指南执行。    

5.2. C-H2容器测试程序的制定：冲击测试/静态疲劳  

碳纤维复合结构中氢气渗透性在设计氢气储存容器时非常重要。氢气渗透性指的是氢原子通过材料的能力，是材料气体传输速率的衡量[107]。碳纤维复合结构中氢气的渗透性取决于所使用的具体复合材料、材料的厚度，以及温度和压力条件。一般来说，碳纤维复合材料对氢气的渗透性较低，适合用于氢气储存容器。复合氢气储存容器的内、外容器中氢气的渗透性也会因具体材料和设计而有所不同。内容器通常设计用于存放氢气，可能比外容器具有更高的渗透性，而外容器则设计用于提供结构支撑并保护内容器免受外部因素的影响，如冲击和温度波动（见图24）。    

可以进行一系列渗透性测试来确定碳纤维复合结构中的氢渗透性。这些测试涉及将材料暴露在已知浓度的氢气中，并测量在指定时间内通过材料的氢气量。这些测试的结果可用于确定材料的气体传输速率，并优化氢储存容器的设计（图25）。    

总的来说，关于复合氢储存容器中氢渗透性的研究对于开发更安全、更高效的氢储存技术做出了重要贡献。这些努力有助于提高复合氢储存容器的性能和可靠性，并支持氢作为清洁可再生能源的增长。多种复杂的载荷可能影响复合氢储存容器的性能和安全性（见图26）。这些载荷条件包括以下内容：

• 内部压力：氢储存容器的内部压力可能因容器的充放氢以及温度和环境压力的变化而变化。

• 热载荷：氢储存容器的温度可能因环境温度、充放氢时产生的热量以及氢的放热反应而变化。

• 循环载荷：氢储存容器的充放氢可能导致循环载荷，这可能导致疲劳损伤并降低容器的寿命。

• 冲击载荷：突然的冲击或载荷，例如从高处掉落或受到物体撞击，可能会对氢储存容器造成损坏。

• 外部载荷：外部载荷，如容器的重量和任何额外设备或材料，可能会影响氢储存容器的结构性能。

• 腐蚀：湿气或其他腐蚀性物质的存在可能会引起腐蚀并削弱氢储存容器的结构完整性。

• 振动：振动可能导致疲劳损伤并降低氢储存容器的寿命。

• 热膨胀：温度变化可能导致氢储存容器的复合材料膨胀或收缩，影响容器的结构性能。    

4.人工智能与优化模型在氢储存容器设计中的应用

人工智能（AI）越来越被用于改进氢储存容器的设计和性能[109]。AI能够分析大量数据，并识别出有助于优化容器设计并提高其安全性和性能的模式和关系。此外，AI在复合储存容器的设计和优化中的应用有潜力提高这些系统的性能、安全性和可持续性。通过自动化与设计和分析相关的许多手动和耗时任务，AI可以帮助加速有效和高效的复合储存解决方案的开发。    

机器学习模型可以根据来自实验或模拟的数据进行训练，以识别具有理想特性的材料，例如高储氢容量，低重量或高强度。通过使用机器学习来指导材料的选择，研究人员可以更快、更有效地确定用于储氢系统的有前途的候选者（图28）。另一个研究领域涉及使用强化学习来优化储氢容器的设计。强化学习涉及训练机器学习模型，以根据其动作从收到的反馈中学习，以最大化特定的奖励函数为目标。在储氢容器设计的背景下，这可能涉及优化几何形状，材料性能，或容器的其他设计参数，以最大化储氢容量或最小化重量。用于储氢容器设计的训练集的来源将取决于具体的问题陈述和可用数据。通常，训练集可以来自实验或模拟数据，或者来自文献或行业中的现有数据集。如果实验数据可用，则可以用于训练机器学习模型以预测储氢容器在不同条件下的行为。这可能涉及在一系列压力下测试容器，或者，可以使用软件工具生成模拟数据，所述软件工具基于输入变量（例如材料性质、几何特征和操作条件）模拟储氢容器的行为。一旦选择了训练集，可以使用一系列技术来选择测试集。一种常见的方法是将数据集随机划分为训练集和测试集，其中大部分数据用于训练，较小的子集用于测试模型的准确性和通用性。另一种方法是使用交叉验证，其中，数据集被划分为多个折叠，模型在每个折叠上依次进行训练和测试。重要的是要确保测试集代表模型预期在真实的中遇到的数据-这意味着测试集应该包括各种各样的数据点，而不应该包含训练集中使用的任何数据点。通过仔细选择和划分训练集和测试集，我们可以确保机器学习模型准确可靠地预测储氢容器的行为。    

J.Compos.Sci.2023，7，x FOR PEER REVIEW 28 of 44 generalization of the model.另一种方法是使用交叉验证，其中，数据集被划分为多个折叠，模型在每个折叠上依次进行训练和测试。重要的是要确保测试集代表模型预期在真实的中遇到的数据-这意味着测试集应该包括各种各样的数据点，而不应该包含训练集中使用的任何数据点。通过仔细选择和划分训练集和测试集，我们可以确保机器学习模型准确可靠地预测储氢容器的行为。

图27.用于测试的人工智能模型类型。

优化复合材料压力容器需要一个目标函数[110]。该函数必须代表复合材料的性能，在某些情况下，可能存在局部最小值。优化技术利用该目标函数来发现最佳解决方案。通常，这些方法可分为两类：那些需要简单函数求值的方法和那些需要计算梯度的方法。由于复合材料的力学行为的复杂性，梯度计算可能是棘手的。因此，当存在多个设计变量时，可能会导致局部最小值，使其不可信。因此，诸如遗传算法（GA）或模拟退火（SA）的元分析法可能对优化复合材料压力容器更有效。即使元分析法不能保证全局最优解，它们通过搜索广泛的潜在解的集 合，可以用比算法、迭代方法或基本试探法更少的计算工作，频繁地产生40个更好结果中的27个。    

Islam等人（2018）[111]使用特征选择和深度学习技术对压力容器中的裂纹进行分类进行了实验研究。声发射信号用于检测压力容器中是否存在裂纹。使用从自行设计的压力容器中获得的声发射数据，所提出的方法的功效（GA + DNN）实验结果表明，该方法能够有效地提取出判别特征，并将这些特征作为判别神经网络的输入分类器，分类准确率达到94.67%（图29）

Giordano等人[114]设计了一种基于有限元法（FEM）的优化策略，以在提高刚度的同时减小体积。Liu等人[115]采用人工免疫系统（AIS）技术减轻3型储氢容器的重量。Xu等人[116]减轻了承受爆破压力的复合材料储氢容器的重量。为了优化容器，提出了一种自适应遗传算法，并将其性能与简单遗传算法和蒙特卡罗优化方法进行了比较。

机器学习已被用于预测复合材料的不同材料的机械性能[117-121]。基于机器学习的计算模型，有时称为代理模型，可以根据算法架构，数据集大小，和所需的处理能力。它归结为模型“ML算法根据其操作方法分为监督学习和无监督学习。

图30描绘了一个分类系统，突出显示了常见ML方法的几种类型和实例。监督学习策略利用一个函数，将标记的训练数据集映射为输入，可以应用于预测未标记示例的标签。

ML算法从训练数据中导出一个函数，并将其映射到新的输出数据上。回归和分类问题的特征在于监督学习图29。压力容器裂纹分类的拟议方法图[111]。    

几种模仿生物计算学科、人工智能和免疫学的进化原理的智能优化算法目前正在成功地用于复合材料设计。Kim等人[112]使用半测地线路径算法、渐进失效分析和改进的遗传算法来优化3型（铝壁，纤维增强）容器承受内压。主要目标是减少容器重量，同时防止故障。这项工作扩展使用半测地线路径法，有限元（FE），和遗传算法来减轻船舶重量[113]。

Giordano等人[114]设计了一种基于有限元法（FEM）的优化策略，以在提高刚度的同时减小体积。Liu等人[115]采用人工免疫系统（AIS）技术减轻3型储氢容器的重量。Xu等人[116]减轻了承受爆破压力的复合材料储氢容器的重量。为了优化容器，提出了一种自适应遗传算法，并将其性能与简单遗传算法和蒙特卡罗优化方法进行了比较。

机器学习已被用于预测复合材料的不同材料的机械性能[117-121]。基于机器学习的计算模型，有时称为代理模型，可以根据算法架构，数据集大小，和所需的处理能力。它归结为模型“ML算法根据其操作方法被分类为监督学习或无监督学习。图30描绘了一个分类系统，突出了几种类型和实例，监督学习策略利用将标记的训练数据集映射为输入的函数，其可以被应用于预测未标记的示例的标签。

ML算法从训练数据中导出一个函数，并将其映射到新的输出数据上。回归和分类问题是监督学习的挑战。

回归与定量标记有关，例如估计给定图像中对象的实例数量。分类与定性数据有关，例如指示图像是否属于特定类型。线性回归，逻辑回归，神经网络，多层感知器，支持向量机，朴素贝叶斯，决策树和K-最近邻算法是最突出的学习算法。    

图31描绘了ML过程的基本结构，其包括制备（也称为清理）来自多个来源的输入数据，选择适当的描述符进行适当的表示，选择算法，最后，使用开发的模型进行预测和进一步的应用。因此，数据清洗是必须的，然后是归一化、标准化和分层抽样来处理差异。每当数据发生变化时，必须优化相关的超参数。为了基于领域知识和测试模型得出结论，有必要使用看不见的数据进行测试和交叉验证。机器学习模型的输入数据可以来自各种地方，包括预先存在的数据库，已发表的文章，高吞吐量模拟和实验。数据将所使用的ML模型与调查的底层问题机制联系起来。为了确保ML模型的最大有效性，这里的主要困难是收集足够高质量的数据。    

Hu等人[122，123]将数据驱动方法用于各种复合材料，并制作了一种用于分析复合材料结构的强大替代计算工具。Gu等人[124]将机器学习用于复合材料系统，并表明它可以准确有效地预测力学性能，例如韧性和强度。这为设计师提供了一种新的设计思路，并加快了寻找可定制的新功能复合材料的过程。Kaveh等人[125]为了预测不同刚度的圆柱形复合材料的极限屈曲载荷，罗玲等人[117]开发了一种基于机器学习的优化设计策略。使用11，000个样本对神经网络进行了训练，并取得了良好的效果。使用人工神经网络，罗玲等人[117]显著提高了预测复合材料将如何变形的准确性和效率。

这有助于指导复合材料结构的设计，例如不对称层压板。据我们所知，机器学习已经被证明是设计材料的有价值的工具，可以准确地预测它们的行为。与传统方法相比，机器学习方法将花费更少的时间来进行计算。

人工神经网络（ANN）由于其与大数据集的兼容性和非线性决策边界的实际推断，可以用于制造储氢容器[126]。然而，如图32所示，输入和输出空间之间的映射可能由一系列被称为不同维度的隐藏层的处理单元组成。为特定应用设计的CNN，在计算机视觉任务中，CNN探索输入空间以检测可比较的特征，例如垂直线。深度学习也被定义为具有两个以上隐藏层的神经网络（DNN）。隐藏层将输入层的权重乘以一个因子，并基于输出层添加偏差。    

J.Compos. Sci. 2023，7，x供同行评审32/44

K.

L.Azizian和Almeida Jr（2022）[128]使用数值模拟和人工神经网络（ANN）元模型来研究内部加压纤维缠绕复合材料管的概率行为和可靠性（图33）。作者开发了人工神经网络来预测这些管在各种载荷条件下的行为，然后使用这些元模型进行随机和概率分析。通过数值研究，深入了解了复合材料圆管在不确定载荷条件下的性能及其可靠性。    

M.

N.最近，研究人员[133]发现，与传统的设计方法相比，基于人工智能的方法提高了性能和成本效益，传统的设计方法使用人工神经网络和进化算法的组合来优化高压储氢容器的设计。

O.为复合储氢容器开发数字孪生模型涉及创建一个计算模型，该模型可以预测物理容器的行为和性能，而不需要昂贵和耗时的全过程，数字孪生模型使用现有的信息和数据来准确预测储氢容器的未来性能。这种方法可以帮助优化设计，Burov和Burova（2020）[134]专注于为通常用于航天器电推进发动机的复合材料外包装压力容器（COPV）开发数字孪生模型数字孪生模型的目的是准确预测物理COPV的未来行为和性能，而不需要昂贵和耗时的全尺寸原型设计和测试。作者描述了开发数字孪生模型的过程，包括选择适当的建模和仿真技术。文章强调了数字孪生模型在优化复合压力机设计和性能方面的潜力，还讨论了在空间应用中使用的数字孪生容器的使用情况，以及通过实验数据验证所开发的数字孪生容器的情况。    

P.图33.构建的ANN的架构和细节[128]。

Q.目前已经有几项研究工作将人工智能（AI）模型用于储氢容器的设计。设计这些容器的主要挑战之一是需要优化存储容量，同时最大限度地减少容器的重量和体积。这需要详细分析用于容器的材料的物理和化学性质，以及温度和压力等设计约束[129]。在论文[130]中，遗传算法为优化储氢容器的设计，采用金属氢化物材料作为储氢容器的材料，通过遗传算法确定了储氢容器材料和设计参数的最佳组合，使储氢量最大容量。自适应遗传算法（阿加）的流程图如图34所示。代数（EN）用于控制求解周期。在每代中，适应值、复合材料容器的重量和爆破压力，并计算每个个体的交叉和变异概率Pc和Pm [116]。另一种方法是使用机器学习算法，例如，Kim等人[131]使用神经网络来预测由碳纳米管材料制成的容器的存储容量，而在论文[132]中，提出了一种基于集成机器学习的V-Ti-Cr-Fe合金储氢量预测方法，除了机器学习算法外，研究人员[128]还使用优化算法，例如粒子群优化（PSO）算法，来优化储氢容器的设计。

R.最近，研究人员[133]发现，与传统的设计方法相比，基于人工智能的方法提高了性能和成本效益，传统的设计方法使用人工神经网络和进化算法的组合来优化高压储氢容器的设计。

S.为复合储氢容器开发数字孪生模型涉及创建一个计算模型，该模型可以预测物理容器的行为和性能，而不需要昂贵和耗时的全过程，数字孪生模型使用现有的信息和数据来准确预测储氢容器的未来性能。这种方法可以帮助优化设计，Burov和Burova（2020）[134]专注于开发用于电气中常用的复合材料外包装压力容器（COPV）的数字双胞胎。J. Compos. Sci. 2023，7，119 31 40推进引擎航天器数字孪生模型的目的是准确预测物理COPV的未来行为和性能，而不需要昂贵和耗时的全尺寸原型设计和测试。作者描述了开发数字孪生模型的过程，包括选择合适的建模和仿真技术，文章强调了数字孪生在优化复合材料设计和性能方面的潜力还讨论了空间应用中使用的压力容器的性能，以及通过实验数据验证所开发的数字孪生模型的问题。    

    Hopmann等研究人员（2022年[135]）探讨了缠绕参数对氢气压力容器圆柱形区域内光纤带宽的影响。研究旨在构建复合储氢容器的数字孪生模型，以预测其未来行为和性能。本文关注缠绕参数（如缠绕角度、张力和速度）的影响。通过计算机模拟和实验数据，确定了最佳缠绕参数，以实现均匀的纤维分布，这对储氢容器的性能和安全性至关重要。研究强调了准确建模和模拟制造过程的重要性，以开发复合氢储存容器的可靠数字孪生体（图36）。总之，该研究为复合氢储存容器的数字孪生体开发提供了有益的启示，有助于优化其设计和性能。    

研究中，作者使用计算机模拟和实验数据来确定实现纤维均匀分布的最佳绕制参数，这对于氢储存容器的性能和安全至关重要。该研究突出了精确建模和模拟制造过程的重要性，以开发复合氢储存容器的可靠数字孪生体。总体而言，该文章为复合氢储存容器的数字孪生体开发提供了有价值的见解，并有助于优化其设计。    

复复合材料，如碳纤维增强聚合物（CFRP），因其轻质、高强度和耐腐蚀性能，在氢储存容器制造中得到广泛应用。然而，设计和测试这类容器的成本和耗时较高，导致优化设计的迭代过程困难。人工智能（AI）成为氢储存容器设计的重要研究领域，通过分析传感器收集的大量数据，工程师可识别模式并优化容器设计和运行。这种方法称为数字孪生技术，即物理对象或系统的虚拟模型，利用实时数据和模拟预测其行为和性能。

通过创建氢储存容器的数字孪生，工程师可在虚拟环境中测试和优化设计，然后构建物理原型，从而显著降低设计和测试成本。尽管复合材料氢储存容器相较于传统金属容器具有诸多优势，但仍需解决一些挑战，如预测复合材料在不同载荷条件下的行为等。如图38所示，在44  MPa压力下，复合压力容器的圆顶与圆柱体结合处存在大量基体裂纹。

在氢储存容器开发过程中，人工智能（AI）和数字孪生技术的应用也存在潜在缺陷。首先，大量数据需求对AI模型的可靠性和有效性至关重要，而数据质量和准确性会极大影响模型性能。在氢储存容器领域，数据可能受限且难以获取，构成挑战。其次，AI模型可能存在偏见，无论源于数据质量还是算法固有偏见，可能导致不准确预测或建议，对安全关键系统（如氢储存容器）产生严重后果。此外，数字孪生技术需大量计算资源实时模拟物理系统行为，这对工业应用而言可能具有一定挑战，因为实时性至关重要，而计算资源有限。最后，数字孪生系统易受网络攻击，可能影响模拟的物理系统安全性和保密性。因此，实施强力网络安全措施以防范风险至关重要。    

结论：

复合氢储存容器已成为研究热点，其在诸如交通运输和静止发电的氢燃料电池等应用中具有巨大潜力。这类容器由金属氢化物和碳纳米管等材料复合而成，相较于传统储存方法，具有更高容量、更轻重量和更佳安全性。为深入理解并优化容器性能，研究人员采用了包括分子动力学模拟和连续体模型在内的多尺度建模方法。其中，分子动力学模拟研究氢与储存材料的原子级相互作用，连续体模型则关注容器在多种加载条件下的整体力学行为。关键在于开发能准确捕捉复合材料在不同加载和温度条件下行为的本构模型，以预测氢气储存量及吸收释放速率。此外，微观结构研究致力于提高氢气储存容量，而宏观模型则预测复合氢储存容器在不同加载条件下的整体行为，以优化设计与性能。

多尺度建模在提升复合氢储存容器理解和优化设计方面发挥了关键作用。复合材料因其高强度和轻重量在容器设计和制造中得到广泛应用，如纤维增强塑料或金属的组合。近年来，研究重点在于提升复合材料的机械性能、热稳定性和耐腐蚀性。人工智能（AI）亦被应用于氢气储存容器设计，以提高性能和效率。AI算法可预测材料在不同条件下的行为，并根据预测优化容器设计，如尺寸、形状和厚度的优化。    

在氢气储存容器中，复合材料和人工智能的结合有助于显著提高系统效率和性能，已催生更先进、高效且成本效益高的氢气储存解决方案。例如，高压复合容器用于燃料电池车辆，其设计安全高效，AI算法优化后重量减轻、性能提升。综上，复合材料和人工智能在氢气储存容器设计中的结合具有巨大潜力，有望带来高效、高性能的储存系统。  《本文来源：An Overview of the Recent Advances in Composite Materials and Artificial Intelligence for Hydrogen Storage Vessels Design》