氢能作为全球能源转型的核心方向,其发展对应对气候变化、能源安全及产业升级具有深远意义。 现阶段,全球已有60余个国家和地区公布氢能发展战略及规划,推动氢能产业技术加速迭代升级及应用示范场景不断拓展。 通过可再生能源制氢(绿氢)替代化石燃料,可显著降低碳排放,是实现碳中和的关键路径。 国际氢能委员会和管理咨询公司麦肯锡预计,到2050年,氢对全球碳减排的贡献将超过20%,尤其在钢铁、化工等难减排领域。此外,氢能驱动产业革命,全球氢能产业链规模2050年将达2.5万亿美元。
当前全球氢能产业正处于规模化发展的关键阶段,美国、日本、中国等30多国将氢能纳入国家战略。 2017年,日本政府发布《氢能源基本战略》,主要目标包括到2030年左右实现氢能源发电商用化,以削减碳排放并提高能源自给率。 2020年,韩国颁布全球首部《氢能法》,确立氢能为国家战略能源。2023年,美国能源部(DOE)发布《美国国家清洁氢战略和路线图》,提出了加速清洁氢能生产、加工、交付、存储和应用的综合发展框架[1]。 2025年1月,《中华人民共和国能源法》正式实施,首次将氢能正式纳入国家能源体系,明确“国家积极有序推进氢能开发利用”的法律定位[2]。
在各国政策的大力推动下,电解水制氢等关键核心技术不断得到突破,氢能应用正从工业原料向交通、电力等多场景渗透,应用领域涉及氢能交通、氢储能源、绿氢化工、家庭用能等。 然而,由于制氢成本高居不下,基础设施建设及产业推广受到阻碍,多国通过政策调整将发展重心转向重卡、公交等商用场景。未来需继续通过技术突破、政策引导等多手段协同实现绿氢低成本制备,推动氢能产业快速发展。
由于反应活性高、燃烧速度快,以及金属材料氢脆的特性,氢气极易发生泄漏而引发燃爆事故。2024年底～2025年初,韩国加氢站、法国氢能公交接连发生了多起涉氢燃爆事故,再次引发了学术界和产业界对氢安全的关注。 氢安全是氢能产业规模化发展的生命线,是保障氢能产业高效发展的关键。 国内外研究人员针对材料氢脆、零部件疲劳失效、氢泄漏风险评估及安全防护技术开展了大量研究和探索,目前已取得了显著进展。 随着计算机算力的提高和人工智能技术的崛起,在AI范式下氢安全迎来了新的发展机遇,未来将会助力新安全技术的孵化。 本论文将系统梳理氢能产业链存在的安全风险,总结现阶段国内外氢安全研究进展,并对AI赋能氢安全技术发展进行展望。
1 氢能产业风险分析
1.1 典型事故案例剖析
1.1.1 5.23韩国江陵江源氢气罐爆炸事故
2019 年5月23日,韩国江陵绿电制氢厂发生重大爆炸事故,3个400 m3的氢气罐在测试过程中爆炸,造成2人死亡、6人受伤,340亿韩元经济损失,3 300 m2厂房坍塌,事故现场如图1所示。 事故原因呈现多因素叠加特征:(1)工厂采用太阳能电解水制氢,但缓冲罐未安装氢中氧净化器,导致氧气混入并达到爆炸极限;(2)缓冲罐缺乏有效的静电消除装置,静电火花成为爆炸点火源;(3)项目负责人以低于输出范围的电力启动电解水系统,且在得知存在氧气后强行运行测试;(4)安全管理人员未按规定开展每日氢气质量检查,未能及时排查隐患。
图1 韩国江陵绿电制氢厂爆炸事故现场
Fig.1 The accident scene of the green hydrogen plant in Gangneung, the Republic of Korea
1.1.2 7.30东莞市沙田镇立沙岛氢火灾事故
2020 年7月30日,东莞市沙田镇立沙岛巨正源科技有限公司厂内南区PSA制氢装置装卸台1辆管束式集装箱在充装氢气过程中,软管断裂发生氢气泄漏而引发火灾,事故现场如图2所示。 事故调查结果显示,事故根源在于氢气充装软管质量不达标。 直接原因包括2个方面:(1)涉事软管存在严重质量缺陷,在充装过程中无法承受压力而断裂,导致氢气泄漏;(2)断裂后的软管在高压作用下剧烈甩动,与装卸台管路发生撞击产生火花,瞬间点燃泄漏的氢气。 事故暴露出企业在安全管理上存在多重漏洞:一是采购环节把关不严,企业质量安全意识薄弱;二是充装系统设计存在缺陷,氢气充装管道采用并联方式却未在出口端设置止回阀;(3)应急防护设施缺失,充装区域未按规范要求配备紧急切断装置和联锁停车系统。
图2 广东东莞市沙田镇氢火灾事故现场
Fig.2 The accident scene of the hydrogen fire in Dongguan, Guangdong
1.1.3 6.26德国奥格斯堡加氢站爆炸起火事故
2024 年6月26日,德国奥格斯堡一座投运仅7天的加氢站发生氢气燃爆事故,事故现场如图3所示。 据报道事故直接原因为站内Maximator液驱式压缩机发生密封失效,继而导致高压氢气泄漏引发爆炸,但具体故障模式(如密封失效、部件破裂等设备问题或安装错误等人为因素)仍需进一步技术鉴定。 此次事故暴露出诸多问题:一是工期压缩与经验不足,该加氢站从施工到投运仅用9个月,且运营商首次涉足加氢站建设,可能存在工期压缩导致的质量漏洞;二是设备核心缺陷,相比于隔膜压缩机,液驱压缩机存在密封寿命较短、安装精度要求较高等问题。
图3 德国奥格斯堡加氢站事故现场
Fig.3 The accident scene of the hydrogen refueling station in Augsburg, Germany
1.1.4 12.23韩国忠州燃料电池公交车爆炸事故
2024 年12月23日,韩国忠州市一辆燃料电池公交车在加氢站发生爆炸,导致3人受伤,事故现场如图4所示。 自12月21日起,该车仪表板显示故障代码(F),表明燃料电池系统存在问题,但操作人员未及时处理故障。 车辆在已出现故障警示灯的情况下仍上路运行,反映运营商缺少设备检修与隐患排查机制,未建立车辆全生命周期档案,难以为预防性维护提供数据支持。 此外,事故发生前氢气传感器未能实现泄漏的早期预警,暴露出现场氢气泄漏检测与防控能力的不足。
图4 韩国忠州燃料电池公交车事故现场
Fig.4 The accident scene of the fuel cell bus in Chungju,the Republic of Korea
1.1.5 12.27韩国釜山金井区加氢站火灾事故
2024 年12月27日,韩国釜山金井区一加氢站发生火灾事故,导致机房部分天花板损毁,事故现场如图5所示。 初步调查事故原因为储氢装置安全阀异常动作引发氢气泄漏,继而发生事故。 事故反映出氢气扩散区域存在潜在点火源,如设备接地不良产生的静电、老化电气线路的漏电等。 安全阀作为保障安全的关键装置,在压力超限时自动排气,防止设备超压破坏。 此次事故表明安全阀等设备需要进行定期维护与检测。 此外,尽管消防处置高效,但气体泄漏检测传感器未能与自动切断系统实时交互,延迟了对事故的早期控制。
图5 韩国釜山加氢站事故现场
Fig.5 The accident scene of the hydrogen refueling station in Busan, the Republic of Korea
1.2 风险系统梳理
通过对典型涉氢事故的分析可知,氢能产业链安全风险存在隐蔽性强、突发性高、后果严重的特征。 为从根本上构建防控体系,亟需对全链条风险进行系统解构。 上述事故暴露出氢能系统在材料兼容性、过程控制及场景适应性方面存在以下共性风险:(1)高压氢对金属材料的氢致劣化作用已获广泛认同,长期服役于氢环境中的金属材料塑性显著降低,在充放氢循环载荷下易发生提前失效;(2)氢气分子小且密度较低,泄漏后极易扩散,且因其无色无味的特性,氢气泄漏难以被及时察觉和监测;(3)工艺参数和运行环境改变带来的设备超压;(4)设备易损件在长期服役过程中的疲劳失效;(5)安全阀、泄爆片等安全设备缺失以及未定期检修;(6)操作人员未按照安全规定进行正规操作。
除共性风险外,氢能产业链的不同环节还存在特性风险。 1.2节将从绿氢制氢、氢能交通、民用终端3大核心环节展开风险溯源,为风险防控措施的制定提供支撑。
1.2.1 绿电制氢安全风险
随着光伏、风电等新能源的持续增长,绿电制氢兼具纯度高与零碳排放优势,逐渐成为最具潜力的制氢方式。 质子交换膜作为电解槽核心部件,通过选择性离子传导机制隔离氢气与氧气。 然而,由于上游电力波动、电解槽氢/氧两侧压差过大、杂质堵塞、碱液互混等因素,氢/氧气体可能会穿越隔膜发生混合[3,4],形成可燃预混气体。 此外,制氢区域设备阻塞度高,局部燃爆事故易引发多米诺效应。
1.2.2 氢能交通应用风险
氢燃料电池汽车(FCV)是交通低碳化转型的核心载体,其规模化推广需系统评估全场景运营风险。 FCV依赖电能与氢能的转换与协同,极易形成特有的氢电耦合致灾链。 一方面,FCV搭载的高压储氢瓶及阀组等关键部件长期承受振动冲击与温压交变[5],密封材料可靠性衰减易诱发氢气泄漏;另一方面,FCV车载电气设备故障产生的电弧易成为潜在点火源。 此外,部分受限空间场景如隧道、地下停车场由于通风不畅极易发生氢气积聚,超压在空间内的累积使得爆炸后果更加严重[6]。
1.2.3 民用终端风险
由于氢原子对管线钢的氢致劣化作用,传统的天然气管道并不适用于氢气的长距离运输,通过现有城镇燃气管网掺入氢气实现氢能民用化,兼具设施经济性与减排增效潜力。 然而,上述输送方式需要防止氢含量过高引发的氢脆失效风险。 在民用终端设备上,民用燃气灶具和燃气热水器受掺氢影响较大[7],气体组分的变化可能引发燃烧特性的改变,继而导致CO和NOx等有害气体的排放,对居民人身安全造成危害。
2 氢安全研究进展
2.1 金属材料氢脆及零部件疲劳失效
氢能产业链中材料与零部件的可靠性是系统安全的基石,材料在氢环境中的性能劣化以及零部件在充放氢过程中的疲劳失效已成为临氢场景下的核心风险源。 这种风险源于氢原子侵入金属晶格引发的氢脆现象,其微观机制较为复杂,学术界存在多种理论解释[8],如图6所示:氢增强局部塑性(HELP)理论指出氢原子促进裂纹尖端位错运动,导致局部塑性破坏[9];氢致弱键(HEDE)模型强调氢降低金属原子间结合力,使材料在低应力下脆断;内部压力理论认为在高浓度下氢原子重组为分子,并在缺陷处产生高压引发为裂纹;氢化物理论表明金属中主要元素与氢结合生成脆性析出物相加速断裂[10];氢/应力诱发空位(HESIV)机制揭示氢增强位错运动产生空位团簇,加速裂纹形核[11];吸附诱导位错发射模型(AIDE)强调金属表面吸附的氢原子对促进裂纹尖端位错发射的影响,从而促进了裂纹的扩展[12]。 研究表明,HELP诱导局部氢浓度升高,从而导致HEDE的激活[13];管线钢X52在掺氢天然气中的氢脆机制以HELP协同HESIV机制为主[14]。
图6 常见的氢脆机理模型[8]
Fig.6 Common models of the hydrogen embrittlement mechanisms[8]
在各类氢脆机制的共同作用下,金属材料在氢环境中的力学性能演化规律呈现出劣化趋势,且受材料类型、氢气压力、温度及杂质气体的影响。 Nanninga等证明了X80、X70和X65等牌号管线钢在10 MPa纯氢环境中均出现46.2% ～67.0%的韧性下降,且氢脆程度随材料强度增大而增大[15]。 其中,X80钢发生氢脆的临界氢气压力较低,在0.1 ～5.0 MPa之间[16]。 与管线钢相比,奥氏体不锈钢的耐氢脆能力更高,因此被广泛应用于更高压力等级的临氢设施中。 这主要归因于奥氏体组织具有更高的氢溶解度以及更低的氢扩散速率,当代表奥氏体稳定性指标的镍当量大于27%时,奥氏体不锈钢在1 MPa常温氢气下几乎没有氢脆现象[17],但在低温氢气环境中则表现出明显的氢损伤现象[18]。 此外,有研究表明氢含量的增加会导致金属材料疲劳寿命严重缩短[19],长期承受充放氢交变载荷的金属临氢设施更容易在服役过程发生失效。
金属材料的力学性能退化直接导致临氢零部件在氢环境中可靠性降低及服役寿命下降。 对加氢软管的研究表明[20],在经过44 MPa压力等级10 000次充放氢循环后,软管微观组织出现氢诱导侵蚀坑、裂纹及壁厚减薄等现象,泄漏率也从实验前的1 488 mL·h-1增加到实验后的4 848 mL·h-1,严重超出标准要求数值。 依赖锥面密封的单向阀或截止阀在氢环境存在加速磨损的趋势,导致长期服役后锥面密封无法紧密贴合,增加了氢气泄漏或高压窜低压的风险。
综上所述,当前研究在金属材料氢脆微观机制及典型材料在氢环境中的性能劣化规律层面已形成系统性认识,临氢零部件(如软管和阀门)的典型失效模式亦得到初步揭示。 然而,面向氢能规模化应用下更高压力、更严苛循环载荷及复杂服役环境的安全挑战仍需重点攻关。 在高压(＞90 MPa,见于氢气压缩机或高压氢储罐设备等)、深低温及含杂质气体环境等极端工况下,材料氢脆行为的定量表征及微观机理验证是当前研究热点与前沿领域,发展耦合多物理场(应力、氢浓度和温度)的氢致失效预测模型是重点发展方向。 此外,当前实验研究多集中于实验室小尺度试样,面向工程应用的全尺寸零部件在真实服役条件下的长周期氢损伤演化与失效阈值数据仍较缺乏,极端高压氢环境循环载荷下的材料与部件寿命预测方法及设计标准亟待建立。
2.2 氢泄漏风险评估
随着氢能产业的快速发展,氢泄漏及其引发的安全风险成为研究热点。 韩国科学技术院、英国HSE研究所、德国卡尔斯鲁厄理工学院(KIT)、美国桑迪亚国家实验室、山东大学等机构针对氢泄漏扩散行为开展了一系列实验和数值模拟研究工作,发现氢气泄漏后的扩散行为受泄漏源参数(压力、孔径和形状)、环境条件(风速和障碍物)及浮力效应共同影响,并发展了泄漏过程的动力学和热力学理论模型[21-25]。 Winters等分析了液氢储罐发生的氢蒸汽小尺度泄漏,将泄漏的流场划分为3个区域:初始卷吸和加热区、流动建立区和流动充分发展区[26-28]。 Hansen等通过大规模液氢泄放与点燃实验,量化了液氢泄漏释放与扩散的最大气云扩展距离[29],如图7所示。 与常温高压氢和液氢相比,低温高压氢实验的实验条件较为严苛。 KIT的低温氢气射流实验发现了3种典型燃烧状态[30-32]:(1)火焰从点火源回火至泄放口,形成稳定射流火焰;(2)火焰在点火位置附近保持稳定燃烧且无回火现象;(3)火焰瞬时燃烧并淬熄,即闪火。
图7 大规模液氢泄放与点燃实验及模拟结果图[29]
Fig.7 Large-scale liquid hydrogen discharge, ignition experiment and simulation results[29]
值得注意的是,在氢气燃爆事故中,约62%的案例并未发现明确点火源。 虽然理论上氢气自燃的最低压力仅需4 MPa,但实际工况压力往往远超此值。 针对高压氢气泄放自燃问题,Zhang等建立了考虑管长、管径等6个关键参数的临界压力预测模型,发现管道结构和惰性气体掺混显著影响自燃特性[33]。 Zhang等研究证实泄放口形状对激波强度具有决定性影响,圆形泄放口的激波传播速度最快[34]。 Cha等的研究表明,减小泄放口面积可指数级提高自燃临界压力[35]。
综上所述,当前研究在氢气泄漏动力学、扩散机理及自燃机制方面取得重要进展。 然而,全尺寸场景的验证实验较少,超高压与低温压缩氢泄漏的实验数据匮乏,高压氢气泄放自燃的多因素耦合临界判据尚不明晰,未形成完整的自燃防控技术体系。 未来需重点突破跨尺度实验验证、多参数临界判据建模及智能防控技术开发等关键问题。
2.3 安全防护技术
2.3.1 氢气泄漏检测技术
氢气传感器作为检测氢气泄漏的关键装置,其技术发展已历经百年演进。 为满足不同应用场景的需求,研究者致力于开发具有快速响应、高灵敏度及高稳定性的检测技术。 目前,主流的氢气传感器主要包括催化燃烧型、电化学型、半导体型和光学氢致变色型等,这些技术均已实现商业化应用,并在各自适用领域展现出独特优势。
催化燃烧型氢气传感器凭借高稳定性、高灵敏度与快速响应特性在工业领域广泛应用,具有寿命长、结构简单等优势,但具有高能耗且体积较大等问题。 因此,降低功耗、优化响应及小型化是研究重点。 Henriquez等通过在微型加热平台上通过特殊工艺合成空心铂纳米棒催化层,利用氢气燃烧热改变加热器电阻,实现了低功耗(4 mW)、高灵敏度(ΔR/Ro ～0.46%/H2)和快速响应/恢复(＜12 s)[36]。Kalinin等采用多孔阳极氧化铝微加热器结构,如图8所示,使传感器具备76 mV/vol%的高灵敏度和0.4 s超快响应特性[37]。 然而,该类传感器存在选 择性较差、依赖氧气环境等问题,且反应释放的热 量积聚可能导致燃爆事故,因此不适用于在密闭空 间内应用。
图8 催化燃烧式氢气传感器微结构图[37]
Fig.8 The microstructure diagram of the hydrogen sensor based on catalytic combustion[37]
热导式氢气传感器利用气体热导率差异工作,具有长寿命、宽量程、结构简单、成本低及耐无氧环境等优点,但传统器件尺寸大、功耗高,显著限制了其适用性。 基于此,Wu等开发基于悬浮铂纳米线的双蛇形/桥形元件结构,实现3.32 μW超低工作功耗,氢浓度响应线性度达99.99%,重复稳定性超30 000次,该传感器有望广泛应用于各种管道配电系统中的氢气检测和泄漏预警[38]。 Cho等采用晶圆级微加工技术制造纳米加热器,通过悬浮结构尺寸优化,使该传感器具备小于1 μs的超快响应/恢复时间,且对1%～20%浓度氢气保持较好的线性响应,有望用于各种便携式物联网设备[39]。
电学型氢气传感器通过电化学反应或电特性变化实现检测,可分为电化学型、半导体型和电容型三类。 其中,电化学型基于氢气阳极氧化与氧气阴极还原的电子转移,Huang等采用Pt修饰掺磷碳纳米管气凝胶使灵敏度提升21倍[40]。 半导体型则分为电阻式(ZnO/SnO2等电阻变化)与非电阻式(Pd/半导体肖特基结势垒变化)氢气传感器,研究人员可以通过表面改性或添加纳米颗粒来改善电阻式氢气传感器的性能[41-43]。 电容型依据气敏材料形变引发电容变化,Yu等开发的GaN传感器可实现1.3 s超快响应[44];Hayashi等通过MEMS集成技术达成5 ppm(1 ppm = 1×10-6)的氢气检测下限[45]。 这3类传感器中电化学型灵敏度突出,半导体型易规模化,电容型响应快且集成度高,但均需提升抗干扰性、环境适应性,并消除电火花风险。
氢致变色传感器基于MoO3/WO3负载贵金属(Pt/Pd)的可逆变色特性检测氢气,其柔性复合材料(如WO3/聚合物)成本低、耐候性好,适用于加氢站泄漏监测[46-48]。 Yeasmin等研究的自愈合传感胶带(断裂伸长率500%,30 s自愈)能在10 s内对100% 氢气产生显著变色[49],如图9所示,中石化安全工程研究院研发人员将此类产品的响应时间缩短至1 s。 由于传统变色传感器依赖人工巡检,无法自动报警,Girma等结合电学传感开发了融合方案,研制的WO3/Pd/SiO2双信号薄膜在2%氢气浓度下响应值高、响应/恢复速度快(6 s/5 s),并支持蓝牙无线监控,显著提升了实时监测能力与实用性[50,51]。
图9 柔性可视化氢致变色复合胶带[49]
Fig.9 Flexible visualization hydrogen-chromic composite tape[49]
当前,各类氢气传感器仍面临关键挑战,催化燃烧型需解决本质安全问题,热导式氢气传感器仍需降低功耗,电学型需提升环境适应性,氢致变色型需优化自动报警能力。 未来研究应聚焦于高选择性敏感材料设计、微纳集成工艺创新、环境鲁棒性增强及多信号融合技术,以推动氢能安全监测体系的进一步发展。
2.3.2 氢气燃爆抑制技术
氢泄漏燃爆抑制技术可用于“制-储-运-加-用”等涉氢环节中的封闭/半封闭空间,通过向氢泄漏危险区域喷洒抑制剂,达到抑制火焰传播、降低爆炸压力的目的。 若在点火发生前喷洒,称为惰化;若在点火发生后喷洒,称为抑爆。 由于现有技术中“火焰探测-信号传输-机械动作”所需时间较长,抑爆技术实际应用难度较大。 在物理抑制作用方面,抑制剂主要通过吸收反应热、隔绝反应物、稀释反应组分浓度、吸附反应自由基等作用阻碍反应进行;在化学抑制作用方面,抑制剂可直接参与或通过产物间接参与燃烧基元反应,捕获并降低反应自由基浓度,阻碍链式反应进行[52-56]。
气相抑制材料主要分为惰性气体和氟代烷烃。大连理工大学、河南理工大学、密歇根大学等机构研究表明[57-60]:二氧化碳具有较高的比热容,并可通过参与基元反应消耗反应自由基,降低氢气层流燃烧速度,抑制效果优于氮气、氦气和氩气。 然而,虽然惰性气体可完全抑制氢气爆炸,但所需体积分数较大(40%～60%),且在实际应用中长时保存难度较高。 对于氟代烷烃,大连理工大学、重庆大学、俄罗斯消防科学研究所等结构研究表明[61-64]:CF·、CF3·、CFO·等含氟自由基可与H·、OH·反应自由基结合,生成相对稳定产物HF,降低反应自由基浓度。贫燃条件下,由于可燃气体CO的产生以及形成HF过程中释放的热量,少量添加氟代烷烃可产生促爆作用[65];惰性气体和氟代烷烃联合使用可产生更优的抑制效果。
液相抑制材料主要包括细水雾和卤化物。 南京工业大学、伦敦南岸大学等机构研究表明[66,67]:细水雾可通过吸热、稀释、隔绝等作用降低氢气层流燃烧速度,减轻爆炸危害,但所需水雾浓度较高、粒径较小,实际应用难度较大。 此外,细水雾在一定条件下可产生促爆作用[68]。 添加氢氧化钠、碳酸氢钠等活性物质的细水雾增强了化学抑制作用,较高的比表面积允许细水雾快速受热,释放活性物质进入火焰区,切断链式反应进程,但仍需达到一定浓度和粒径范围才可发挥较好抑制作用。 Zhang等研究表明:全氟己酮等卤化物具有较好的抑制效果,但与气相的氟代烷烃相似,在贫燃条件下同样会产生促爆作用[69]。
固相抑制材料主要为超细粉体。 西安科技大学、南京工业大学等机构研究表明[70-72]:粉体材料热解速率较慢,难以匹配氢气较快的燃烧速率,不能完全发挥热解吸热、消耗自由基等抑制作用。 随着掺氢天然气中氢气比例的增大,碳酸氢盐、磷酸氢盐等粉体材料的抑制效果逐渐降低,在部分工况下可能会产生促爆作用,如表1所示。
表1 气体爆炸抑制试验结果[70]
Table 1 Gas explosion suppression test results[70]
注:“-”代表削弱;“+”代表促进。
掺氢比 无粉剂压力峰值/kPa添加BC 粉剂压力峰/kPa压力下降率/%0.0 7.0 1.2 -82.86 0.7 12.4 11.0 -11.29 0.8 13.5 14.5 +7.41 0.9 19.0 24.0 +26.32 1.0 35.0 41.0 +17.14
近年来,多相态材料配合可发挥协同增效作用[73,74],成为了研究热点。 河南理工大学、伦敦南岸大学等机构研究表明[75]:惰性气体和细水雾联用对氢火焰产生了更为有效的抑制作用,且氮气与细水雾配合抑制效果优于二氧化碳。 西安科技大学、中国石油大学(华东)等机构研究表明[76-78]:气固两相抑制剂显著降低反应自由基生成速率,可在较低的惰性气体和粉体用量下实现完全惰化。
上述研究表明,惰化抑制是氢泄漏燃爆防护的研究热点,多组分复配及多相协同增效技术是重要发展方向。 现有研究主要集中于抑制机理揭示及抑制材料研发,尚未形成成熟可用的技术及装备。
3 AI 赋能氢安全技术发展
3.1 临氢设备服役寿命智能化预测
面对临氢零部件频繁失效的难题,实时评估在役设施的剩余寿命极其重要。 当前临氢设施(如储氢罐、输氢管道)面临的核心矛盾在于氢损伤的隐蔽性与多阶段耦合特性:氢原子渗透引发的脆性断裂常在宏观缺陷检出时已进入加速期,传统检测手段难以捕捉微裂纹萌生;氢损伤与疲劳损伤的交互作用,导致寿命预测误差居高不下。 尽管基于断裂力学的疲劳寿命预测方法能够较为准确地进行预测,其通过计算应力强度因子预测疲劳裂纹扩展速率,并综合考虑材料的物理性质以及机械性能[79]。然而,该类方法需要大量疲劳试验数据支撑,并存在模型建立困难、求解效率不高的问题。
为解决疲劳寿命预测方面的问题,相关学者将机器学习概念引入模型,发挥其在处理高维非线性关系、挖掘复杂数据模式及构建高效预测模型方面的显著优势,助力解决氢环境下多因素(应力、氢浓度、材料微观结构等)耦合作用导致的寿命预测难题。 Mortazavi等建立了一种基于径向函数的神经网络模型(RBF-ANN)来预测疲劳裂纹扩展中短裂纹与长裂纹的状态[80],经数据验证,该模型具有良好的差值能力。 北京科技大学张英杰利用机理和数据混合驱动的方法对氢环境下管线钢断裂韧性、疲劳寿命进行预测,结合裂纹扩展速率方程和氢损伤偏差估计,提出了一种基于累计损伤的物理信息网络,用于预测不同氢分压条件下掺氢管道的疲劳寿命,结果表明模型的拟合度(R2)达到0.986,相较于单纯依赖数据驱动模型具有明显提升。 程涵通过深度迁移学习预测零部件的剩余使用寿命,重点解决跨域数据分布差异度量、退化信息可迁移性评估等关键问题[81],为临氢场景下设备剩余寿命的实时评估提供了一种可行的解决思路。
机器学习技术通过物理信息驱动与数据驱动建模,能够建立高精度、实时动态更新、高效计算的氢损伤寿命预测方法,为临氢设施剩余寿命评估提供了新思路。 但需解决极端工况数据匮乏、模型泛化性等问题。 未来研究应聚焦多学科深度协同,强化机理模型约束下的数据驱动方法,重点开发基于实时监测数据动态调整的失效评估阈值方法,以消除因设备老化和服役工况偏移导致的预测偏差,最终实现临氢设施服役寿命的智能预测与精准化管理。
3.2 临氢场景氢能动态风险评估
近年来,人工智能(AI)技术在计算流体力学(CFD)领域的融合应用显著提升了复杂流体模拟的效率和精度,在氢能动态风险评估中展现出巨大潜力。 传统气体泄漏后果评估主要依赖经验模型和CFD数值模拟两类方法。 经验模型基于实验数据拟合,虽计算高效但难以准确预测复杂工程场景下的泄漏扩散行为[82]。 CFD方法通过数值求解Navier-Stokes(N-S)方程可获得高精度结果,但求解复杂度高、耗时长,难以满足实时风险评估需求[83]。这一“效率-精度”矛盾促使研究者探索机器学习/深度学习等新型解决方案。 基于深度学习的代理模型通过海量CFD数据进行模型训练,已在可燃气体云团预测、毒性羽流扩散模拟等场景展现出高准确度和实时性[84-88],如图10所示。 Jiao等基于150组泄漏场景模拟结果构建数据集,训练用于浓度预测的深度神经网络模型[89]。 Di Natale等采用30 022个模拟样本开发羽流预测模型[90]。 然而,上述模型需要耗费大量计算资源预先构建训练集,并且在小样本下易产生违背流体力学定律的预测,难以适应未训练工况[91]。
图10 基于深度学习的气体扩散浓度预测模型[87,88]
Fig.10 The gas diffusion concentration prediction model based on deep learning[87,88]
为突破数据瓶颈,Bode等于2019年提出物理信息神经网络(PINN)[92],通过将控制方程作为正则项嵌入损失函数,在训练中同步优化数据拟合误差与物理残差,使模型从有限的数据中学习一般性物理特征[93,94]。 PINN在解决与常/偏微分方程相关的方程求解、参数反演、模型发现、控制与优化等问题中展现了出色的性能[95,96]。 在流体动力学建模任务中,Raissi等提出隐藏流体力学模型,将N-S方程嵌入深度神经网络用于速度和压力预测[97]。Zhang等提出了氢气射流扩散微分方程驱动的PINN,确保了氢气自由射流的浓度、速度空间分布的预测值符合物理分布规律[98]。 尽管上述物理信息驱动的代理模型通过集成先验知识,提高了模型的可靠性和物理一致性,但现有研究尚未考虑临氢设施泄漏这种复杂边界条件处理,对多障碍物场景的可压缩流模拟精度不足,在工程适用性方面也缺乏标准化的验证基准。
AI通过数据驱动/物理信息驱动建模,有潜力建立高精度、实时动态更新、高效计算的简化流体动力学方法,为氢能动态风险量化提供了新思路。但需解决数据依赖性与泛化性不足、物理可解释性及工程落地问题。 未来研究可融合机理模型与数据驱动优势,发展混合建模框架,推动氢能安全向智能化、精准化方向发展。
3.3 基于机器学习的化学反应动力学计算
氢能安全防护技术核心是高性能功能材料,例如前文提到的氢致变色材料、燃爆抑制材料等。 在新型材料研发过程中,现有研究存在“排列组合”的盲目性,化学反应动力学分析大多用于实验结果的定性解释,而非用于指导材料筛选或合成,导致研发效率低下且难以突破传统的材料体系。 反应分子动力学模拟的核心是势能面的构建,其描述了分子间和分子内的相互作用。 目前,主要有2种方法可用于构建给定分子系统的势能面:基于量子力学的从头算分子动力学模拟(AIMD)和经验力场。 其中,AIMD通过求解薛定谔方程,实现对原子核运动与电子结构协同演化的精确描述,但由于从头算计算的巨大成本,仅限于相对较小的反应系统和较短的模拟时间。 尽管一些AIMD方法开始被用于处理较大的化学系统,但目前用于模拟大规模复杂反应系统仍是不切实际的。 经验力场通过预设的参数化函数描述原子间的相互作用力,在保证计算效率的同时实现对分子运动和热力学性质的预测。 目前,一些经验力场由于较高的计算效率而被广泛应用于燃烧系统的分子动力学模拟,但由于其依赖于实验和人为参数设置,计算准确性和可靠性较低。
获取详细精确的反应动力学机理的核心是势能面的构建,随着计算机算力的不断提高和人工智能的不断发展,研究人员已开发出多种方法,并且针对水、有机小分子和非金属材料提出了不同类型的神经网络势能面,例如sGDML、SchNet、PhysNet和FCHL 31等方法。 此外,神经网络势也开始被应用于研究化学反应机理。 Brickel等通过神经网络势研究了水中的亲核取代反应[Cl-CH3-Br]-[99]。通过结合高精度神经网络势能面和量子碰撞理论,Yin等研究了一系列的气相和气相-表面反应,实现了全维分析的低成本和高质量模拟[100-102]。 Huang等开发了LASP程序,基于神经网络势能面研究多相催化反应,并构建了随机势能面行走(SSW)的方法来探索从葡萄糖到5-羟甲基糠醛的反应路径[103,104],如图11所示。 针对甲烷燃烧,Zeng等基于AIMD数据和DeePMD模型训练高维神经网络模型,该神经网络势能面可以准确预测反应物、产物和反应中间体的能量和原子间作用力。 模拟结果不仅与实验结果一致,还发现了一些此前未被记录的反应路径[105],标志着基于神经网络的分子动力学模拟可提供对化学反应过程的原子级理解。
图11 SSW方法构建有机反应神经网络势[104]
Fig.11 SSW method for constructing neural network potential of organic reaction[104]
在人工智能范式下,基于AIMD数据构建机器学习反应力场,可以实现以量子计算精度高效构建反应势能面,以此获取过渡态、自由基、反应路径和反应速率等动力学信息,从而可为材料功能定向调控和优化提供精确指导。 然而,未来仍需解决高质量数据集缺乏、模型通用性不足等问题。
4 结论
氢能产业的快速发展对氢安全技术提出了更高要求,本论文首先对氢能产业链中的风险问题进行了梳理,而后对氢脆机理及零部件失效、泄漏扩散及致灾机制、氢泄漏检测及燃爆抑制等领域的研究进展进行了总结,最后对人工智能范式下氢安全技术发展进行了展望,主要结论如下。
(1)氢能“制-储-运-加-用”全链条中的涉氢风险可分为共性风险和特性风险,其中,共性风险包括:材料氢脆、设备超压、长周期服役疲劳、密封失效、安全设备缺失、泄漏难检及人员误操作等。 在绿电制氢环节,特性风险主要为上游电力波动、电解槽两侧压差过大等因素导致的氢氧混合。 在氢能交通应用环节,特性风险主要为氢燃料电池汽车存在的氢电耦合风险以及受限场景下氢气积聚和超压累积。 在民用终端应用环节,特性风险主要为现有天然气管道在掺氢输送过程中的氢脆失效以及不完全燃烧产生的有害气体。
(2)在材料氢脆及零部件失效方面,氢脆微观机制已得到系统性揭示,极端工况下材料失效的定量表征和临氢设备寿命预测是研究热点。 在风险评估方面,现有研究集中于氢气泄漏扩散行为及自燃机理,极端工况下的研究缺乏实验数据验证,考虑尺度效应以及耦合障碍物的泄漏扩散是重点研究方向。 在氢泄漏检测方面,不同类型传感器互有优劣,未来需针对性解决本质安全问题,提升抗干扰性能并优化自动报警功能。 在燃爆抑制方面,传统抑制剂对氢燃爆的抑制作用较低,现有研究集中于燃爆抑制机理等基础研究,抑制剂研发趋向于多组分复配及多相协同增效,然而目前尚未形成成熟可用的技术及装备。
(3)数据驱动的人工智能技术将会促进氢安全技术的迭代升级,在设备服役寿命预测方面,AI可助力提出高精度、实时动态更新、高效计算的氢损伤寿命预测方法;在风险评估方面,AI可促进建立高精度、实时动态更新、高效计算的动力学模型;在材料研发方面,AI可以实现以量子计算精度高效构建反应动力学模型,从而可为材料功能的定向调控和优化提供精确指导。 然而,在未来发展中,AI的应用仍需解决以下问题:高质量数据缺乏,如极端工况(超高压、深低温)下的氢脆实验数据、长周期服役设备的失效数据、AIMD数据等;模型通用性不足,如跨场景(如加氢站与氢能汽车)模型迁移能力弱,需强化多源数据融合;工程落地应用难,如AI模型的实时性与硬件部署成本矛盾,需开发轻量化算法。
[1] 王玉柱, 辛钰莹. 大国竞争下的氢产业政策与世界市场格局[J]. 国际经济合作, 2025(2): 1-12, 89 WANG Yuzhu, XIN Yuying. Hydrogen industrial policies and world market patterns under great power competition[J]. Journal of International Economic Cooperation, 2025(2): 1-12, 89(in Chinese)
[2] 马雅静, 杨铭, 王祖光, 等. 多国加快氢能产业部署我国氢能应用前景广阔[J]. 中国环保产业, 2025(5): 47-50 MA Yajing, YANG Ming, WANG Zuguang, et al. Many countries are accelerating the deployment of the hydrogen energy industry, and China’s hydrogen energy application prospects are broad[J]. China Environmental Protection Industry, 2025(5):47-50(in Chinese)
[3] 李洋洋, 邓欣涛, 古俊杰, 等. 碱性水电解制氢系统建模综述及展望[J]. 汽车工程, 2022, 44(4): 567-582 LI Yangyang, DENG Xintao, GU Junjie, et al. Comprehensive review and prospect of the modeling of alkaline water electrolysis system for hydrogen production[J]. Automotive Engineering,2022, 44(4): 567-582(in Chinese)
[4] 梁峰. 降低可再生能源水电解制氢时氧中氢安全风险的措施[J]. 安全、健康和环境, 2024, 24(8): 11-16 LIANG Feng. Measures to reduce the safety risk of hydrogen in oxygen during hydrogen production by hydrogen electrolysis from renewable energy sources[J]. Safety Health & Environment,2024, 24(8): 11-16(in Chinese)
[5] 郭克星, 贾云鹏, 赵苗苗, 等. Ⅳ型储氢瓶研究现状[J]. 化工设备与管道, 2025, 62(3): 96-103 GUO Kexing, JIA Yunpeng, ZHAO Miaomiao, et al. Research status of type Ⅳ hydrogen storage bottles[J]. Process Equipment& Piping, 2025, 62(3): 96-103(in Chinese)
[6] 黄腾. 大型地下车库内氢气泄漏与扩散研究[D]. 济南: 山东大学, 2021 HUANG Teng. Study on hydrogen leakage and diffusion in large underground garage[D]. Jinan: Shandong University, 2021 (in Chinese)
[7] 孙颖楷, 杨彩云, 江先明, 等. 天然气掺氢对燃气热水器燃烧特性的影响[J]. 新能源进展, 2025, 13(3): 346-353 SUN Yingkai, YANG Caiyun, JIANG Xianming, et al. Influence of hydrogen blending in natural gas on the combustion characteristics of gas water heaters[J]. Advances in New and Renewable Energy, 2025, 13(3): 346-353(in Chinese)
[8] SUN B, ZHAO H, DONG X, et al. Current challenges in the utilization of hydrogen energy-a focused review on the issue of hydrogen-induced damage and embrittlement[J]. Advances in Applied Energy, 2024, 14: 100168
[9] 张倩茹, 孙擎擎. 氢促进局部塑性变形理论的发展趋势[J].中国腐蚀与防护学报, 2025, 45(2): 271-282 ZHANG Qianru, SUN Qingqing. Hydrogen enhanced localized plasticity: A critical review[J]. Journal of Chinese Society for Corrosion and Protection, 2025, 45(2): 271-282(in Chinese)
[10] BIRNBAUM H K. Mechanical properties of metal hydrides[J].Journal of the Less Common Metals, 1984, 104(1): 31-41
[11] LIANG S, HUANG M, ZHAO L, et al. Effect of multiple hydrogen embrittlement mechanisms on crack propagation behavior of FCC metals: Competition vs. synergy[J]. International Journal of Plasticity, 2021, 143: 103023
[12] LYNCH S. Discussion of some recent literature on hydrogen-embrittlement mechanisms: Addressing common misunderstandings[J]. Corrosion Reviews, 2019, 37(5): 377-395
[13] STARK A, SONNWEBER-RIBIC P, ELSÄSSER C. Theoretical study of individual and combined effects of HELP- and HEDEbased damage models on the fatigue behavior of ferritic steel by hydrogen[J]. International Journal of Hydrogen Energy, 2025,109: 27-39
[14] 程凯源, 彭杨, 黄峰, 等. 典型无缝钢管钢掺氢天然气环境适应性及氢致损伤机理[J]. 中国腐蚀与防护学报, 2025,45(2): 397-406 CHENG Kaiyuan, PENG Yang, HUANG Feng, et al. Adaptability of typical seamless tube steels to hydrogenblended natural gas environments and hydrogeninduced damage mechanism[J].Journal of Chinese Society for Corrosion and Protection, 2025, 45(2): 397-406(in Chinese)
[15] NANNINGA N E, LEVY Y S, DREXLER E S, et al. Comparison of hydrogen embrittlement in three pipeline steels in high pressure gaseous hydrogen environments[J]. Corrosion Science,2012, 59: 1-9
[16] MORO I, BRIOTTET L, LEMOINE P, et al. Hydrogen embrittlement susceptibility of a high strength steel X80[J]. Materials Science and Engineering: A, 2010, 527(27/28): 7252-7260
[17] 屈莎莎, 谭粤, 李蔚, 等. 奥氏体不锈钢在氢环境中的力学性能研究综述[J]. 山东化工, 2022, 51(21): 100-103 QU Shasha, TAN Yue, LI Wei, et al. Review on the research of mechanical properties of austenitic stainless steel in hydrogen environment[J]. Shandong Chemical Industry, 2022, 51(21):100-103(in Chinese)
[18] MICHLER T, NAUMANN J. Hydrogen environment embrittlement of austenitic stainless steels at low temperatures[J]. International Journal of Hydrogen Energy, 2008, 33(8): 2111-2122
[19] LI W, ZHAO S, HE P, et al. Experimental and numerical study on high-cycle fatigue performance of austenitic stainless steel with pre-charged hydrogen [J]. International Journal of Fatigue,2024, 185: 108359
[20] LUO Y, WANG Y, KANG Z, et al. Study on fatigue leakage failure characteristics of hydrogen dispenser hose after low temperature and high pressure hydrogen cycling impulse tests[J].International Journal of Hydrogen Energy, 2024, 110: 300-309
[21] HAN S, CHANG D, KIM J S. Experimental investigation of highly pressurized hydrogen release through a small hole[J]. International Journal of Hydrogen Energy, 2014, 39 ( 17):9552-9561
[22] MAKAROV D, MOLKOV V. Plane hydrogen jets[J]. International Journal of Hydrogen Energy, 2013, 38(19): 8068-8083
[23] VESER A, KUZNETSOV M, FAST G, et al. The structure and flame propagation regimes in turbulent hydrogen jets[J]. International Journal of Hydrogen Energy, 2011, 36(3): 2351-2359
[24] SCHEFER R W, EVANS G H, ZHANG J, et al. Ignitability limits for combustion of unintended hydrogen releases: Experimental and theoretical results[J]. International Journal of Hydrogen Energy, 2011, 36(3): 2426-2435
[25] 李雪芳, 王俞杰, 罗峰, 等. 欠膨胀氢气射流激波结构数值模拟研究[J]. 工程热物理学报, 2018, 39(4): 880-886 LI Xuefang, WANG Yujie, LUO Feng, et al. Numerical simulation of shock structures of under-expanded hydrogen jets[J].Journal of Engineering Thermophysics, 2018, 39(4): 880-886(in Chinese)
[26] WINTERS W S, HOUF W G. Simulation of small-scale releases from liquid hydrogen storage systems[J]. International Journal of Hydrogen Energy, 2011, 36(6): 3913-3921
[27] HECHT E S, PANDA P P. Mixing and warming of cryogenic hydrogen releases[J]. International Journal of Hydrogen Energy,2019, 44(17): 8960-8970
[28] HOUF W G, WINTERS W S. Simulation of high-pressure liquid hydrogen releases[J]. International Journal of Hydrogen Energy,2013, 38(19): 8092-8099
[29] HANSEN O R, HANSEN E S. CFD-modelling of large-scale LH2 release and explosion experiments[J]. Process Safety and Environmental Protection, 2023, 174: 376-390
[30] CIRRONE D, MAKAROV D, KASHKAROV S, et al. Physical model of non-adiabatic blowdown of cryo-compressed hydrogen storage tanks[J]. International Journal of Hydrogen Energy,2023, 48(90): 35387-35406
[31] FRIEDRICH A, BREITUNG W, STERN G, et al. Ignition and heat radiation of cryogenic hydrogen jets[J]. International Journal of Hydrogen Energy, 2012, 37(22): 17589-17598
[32] XIAO J, TRAVIS J R, BREITUNG W. Hydrogen release from a high pressure gaseous hydrogen reservoir in case of a small leak[J]. International Journal of Hydrogen Energy, 2011, 36(3):2545-2554
[33] ZHANG S, ZENG Q, TANG J, et al. Critical criterion for spontaneous ignition of high-pressure hydrogen released into the atmosphere through a tube[J]. International Journal of Hydrogen Energy, 2024, 92: 342-348
[34] ZHANG T, JIANG Y, PAN X, et al. Effects of tubes with different inlet shapes on the shock wave and self-ignition induced by accidental release of pressurized hydrogen [J]. Fuel, 2022,317: 123554
[35] CHA S, ROH T, LEE H J. Effect of opening area on the suppression of self-ignition of high-pressure hydrogen gas leaking in the air by an extension tube[J]. International Journal of Hydrogen Energy, 2021, 46(7): 5904-5915
[36] DEL ORBE HENRIQUEZ D, CHO I, YANG H, et al. Pt nanostructures fabricated by local hydrothermal synthesis for low-power catalytic-combustion hydrogen sensors[J]. ACS Applied Nano Materials, 2021, 4(1): 7-12
[37] KALININ I A, ROSLYAKOV I V, BOGRACHEV D, et al.High performance microheater-based catalytic hydrogen sensors fabricated on porous anodic alumina substrates[J]. Sensors and Actuators B: Chemical, 2024, 404: 135270
[38] WU Z, ZHANG X, CHEN L, et al. Ultra-low-power, extremely stable, highly linear-response thermal conductivity sensor based on a suspended device with single bare Pt nanowire[J]. ACS Sensors, 2024, 9(9): 4721-4730
[39] CHO W, KIM T, SHIN H. Thermal conductivity detector(TCD)-type gas sensor based on a batch-fabricated 1D nanoheater for ultra-low power consumption[J]. Sensors and Actuators B:Chemical, 2022, 371: 132541
[40] HUANG L, SUN H, LI W, et al. Pt loading of phosphorusdoped carbon nanotube aerogels in fuel cell-type gas sensors for ultrasensitive H2 detection[J]. ACS Sensors, 2024, 9(7):3763-3772
[41] LI Z, YAO Z, ALI H A, et al. Resistive-type hydrogen gas sensor based on TiO2: A review[J]. International Journal of Hydrogen Energy, 2018, 43(45): 21114-21132
[42] WANG C, LI J, LUO C, et al. SnO2-based resistive hydrogen gas sensor: A comprehensive review from performance to function optimization[J]. Materials Science in Semiconductor Processing,2025, 188: 109209
[43] MIRZAEI A, YOUSEFI H R, FALSAFI F, et al. An overview on how Pd on resistive-based nanomaterial gas sensors can enhance response toward hydrogen gas[J]. International Journal of Hydrogen Energy, 2019, 44(36): 20552-20571
[44] YU H, SUN A, LIU Y, et al. Capacitive sensor based on GaN honeycomb nanonetwork for ultrafast and low temperature hydrogen gas detection [J]. Sensors and Actuators B: Chemical,2021, 346: 130488
[45] HAYASHI Y, YAMAZAKI H, MASUNISHI K, et al. Integrated hybrid MEMS hydrogen sensor with high sensitivity and high dynamic range[J]. Electrical Engineering in Japan, 2021, 214(2): e23317
[46] QI W, GAO G, WU G, et al. Flexible gasochromic films with favorable high temperature resistance and energy efficiency[J].Solar Energy Materials and Solar Cells, 2019, 195: 63-70
[47] LEE J, KOO H, KIM S Y, et al. Electrostatic spray deposition of chemochromic WO3-Pd sensor for hydrogen leakage detection at room temperature[J]. Sensors and Actuators B: Chemical,2021, 327: 128930
[48] LEE Y A, KALANUR S S, SHIM G, et al. Highly sensitive gasochromic H2 sensing by nano-columnar WO3-Pd films with surface moisture[J]. Sensors and Actuators B: Chemical, 2017,238: 111-119
[49] YEASMIN R, JUNG G, HAN S, et al. Self-healing and self-adhesive hydrogen gas sensing tape for robust applications[J].Chemical Engineering Journal, 2024, 482: 148911
[50] GIRMA H G, RYU K Y, TANG X, et al. Large-area printed oxide film sensors enabling ultrasensitive and dual electrical/colorimetric detection of hydrogen at room temperature[J]. ACS Sensors, 2023, 8(8): 3004-3013
[51] GIRMA H G, LEE H M, KIM Y, et al. Highly sensitive and wrappable room temperature wireless gasochromic and chemiresistive dual-response H2 sensors using spray coating[J]. Nano Energy, 2023, 113: 108551
[52] WEI L, SU M, WANG K, et al. Suppression effects of ABC powder on explosion characteristics of hybrid C2 H4/polyethylene dust[J]. Fuel, 2022, 310: 122159
[53] ZHAO Q, CHEN X, YANG M, et al. Suppression characteristics and mechanisms of ABC powder on methane/coal dust compound deflagration[J]. Fuel, 2021, 298: 120831
[54] 贺涛. 高岭土基改性/复配抑爆剂抑制瓦斯煤尘复合爆炸特性研究[D]. 重庆: 重庆大学, 2022 HE Tao. Study on the characteristics of Kaolin-based modified/compound explosion suppressant to suppress the combined explosion of gas and coal dust[D]. Chongqing: Chongqing University, 2022 (in Chinese)
[55] WANG M, ZHOU Z, LIANG Z, et al. The preparation and fire extinguishing mechanism research of a novel high-efficiency KHCO3 @ HM dry powder[J]. Materials Today Communications,2024, 38: 107817
[56] WANG Q, JIANG X, DENG J, et al. Analysis of the effectiveness of Mg(OH)2/NH4 H2 PO4 composite dry powder in suppressing methane explosion [J]. Powder Technology, 2023,417: 118255
[57] ZHANG S, WEN X, GUO Z, et al. Effect of N2 and CO2 on explosion behavior of hydrogen-air mixtures in non-premixed state[J]. Fire Safety Journal, 2023, 138: 103790
[58] YAN C, BI M, LI Y, et al. Effects of nitrogen and carbon dioxide on hydrogen explosion behaviors near suppression limit[J].Journal of Loss Prevention in the Process Industries, 2020,67: 104228
[59] WANG T, LIANG H, LUO Z, et al. Thermal suppression effects of diluent gas on the deflagration behavior of H2-air mixtures[J].Energy, 2023, 272: 127146
[60] QIAO L, KIM C H, FAETH G M. Suppression effects of diluents on laminar premixed hydrogen/oxygen/nitrogen flames[J]. Combustion and Flame, 2005, 143(1/2): 79-96
[61] 高梦迪. 氢氟烃对氢气-空气爆炸行为抑制研究[D]. 辽宁大连: 大连理工大学, 2020 GAO Mengdi. Study on suppression of hydrogen-air explosion behavior by hydrofluorocarbons[D]. Liaoning Dalian: Dalian University of Technology, 2020 (in Chinese)
[62] GAO M, BI M, YE L, et al. Suppression of hydrogen-air explosions by hydrofluorocarbons[J]. Process Safety and Environmental Protection, 2021, 145: 378-387
[63] WANG F, YE L, ZHANG L, et al. A kinetic study of the inhibition mechanism of HFC-227ea on hydrogen combustion[J].Combustion and Flame, 2024, 260: 113262
[64] MI H, SHAO P, LUO N, et al. Determination of CF3 CHFCF3 suppression effects on premixed hydrogen-methane deflagration via experiment and simulation[J]. Fuel, 2024, 358: 130190
[65] ZHANG J, GAO W, GAO Y, et al. Inhibition and enhancement of CHF3 and C2 HF5 on hydrogen explosion[J]. International Journal of Hydrogen Energy, 2024, 80: 161-172
[66] DAS S K, SWAMI V V, JOSHI G N, et al. Inhibition of hydrogen-air mixtures by using chemical vapor additives[J]. Journal of Loss Prevention in the Process Industries, 2024, 87: 105225
[67] XU Y, ZHANG H. Hydrogen explosion and detonation mitigation by water sprays: A mini review[J]. International Journal of Hydrogen Energy, 2024, 66: 242-257
[68] LI Y, BI M, ZHOU Y, et al. Hydrogen cloud explosion suppression by micron-size water mist[J]. International Journal of Hydrogen Energy, 2022, 47(55): 23462-23470
[69] ZHANG J, GAO W, CHEN L, et al. Inhibition and enhancement of hydrogen explosion by perfluorohexanone[J]. International Journal of Hydrogen Energy, 2024, 53: 522-534
[70] LUO Z, SU Y, CHEN X, et al. Effect of BC powder on hydrogen/methane/air premixed gas deflagration[J]. Fuel, 2019,257: 116095
[71] 陈晓坤, 王君, 程方明. 氢气抑爆材料及其抑爆机理研究进展[J]. 爆炸与冲击, 2024, 44(11): 16-40 CHEN Xiaokun, WANG Jun, CHENG Fangming. Research progress on hydrogen gas explosion suppression materials and their suppression mechanisms [J]. Explosion and Shock Waves,2024, 44(11): 16-40(in Chinese)
[72] 苏洋. 氢气/甲烷/空气预混气体爆燃特性及抑制规律研究[D]. 河南焦作: 河南理工大学, 2018 SU Yang. Study on deflagration characteristics and inhibition law of hydrogen/methane/air premixed gas [D]. Henan Jiaozuo:Henan Polytechnic University, 2018 (in Chinese)
[73] LI M, JI S, LI Q, et al. Study on suppression of ABC powder and potassium bicarbonate-zeolite composite powder on explosion of hydrogen enriched compressed natural gas[J]. International Journal of Hydrogen Energy, 2024, 81: 346-352
[74] GUO X, LIU J, XUE S, et al. Experimental study on suppression of hydrogen jet flame by solid-liquid two-phase composite powders containing core-shell structure [J]. Fuel, 2024,371: 131900
[75] PEI B, LYU H, WU Z, et al. Study on the synergistic effect of inert gas and ultrafine water mist on hydrogen explosion suppression[J]. International Journal of Hydrogen Energy, 2024, 82:531-543
[76] LUO Z, SUN Y, WANG T, et al. Synergistic inhibition of H2/CH4 explosions by CO2/modified KHCO3 powder[J]. Journal of Loss Prevention in the Process Industries, 2023, 86: 105197
[77] QU J, WANG R, DENG J, et al. Synergistic inhibition characteristics and kinetics of hydrogen explosion by two-phase suppressant N2-KHCO3[J]. Journal of Loss Prevention in the Process Industries, 2024, 92: 105487
[78] YU Y, QU H, PING P, et al. Study on the inhibition of hydrogen explosion using gas-solid two-phase inhibitors[J]. Journal of Loss Prevention in the Process Industries, 2024, 92: 105466
[79] 聂鹏, 杨世源, 郭永强, 等. 氢环境下金属材料的疲劳寿命预测: 从裂纹的角度[J]. 长沙理工大学学报(自然科学版), 2024, 21(4): 44-67 NIE Peng, YANG Shiyuan, GUO Yongqiang, et al. Fatigue life prediction of metal materials in hydrogen environment based on cracks[J]. Journal of Changsha University of Science & Technology (Natural Science), 2024, 21(4): 44-67(in Chinese)
[80] MORTAZAVI S N S, INCE A. An artificial neural network modeling approach for short and long fatigue crack propagation[J].Computational Materials Science, 2020, 185: 109962
[81] 程涵. 基于深度迁移学习的旋转部件剩余使用寿命预测方法研究[D]. 西安: 西安电子科技大学, 2023 CHENG Han. Research on prediction method of residual service life of rotating parts based on deep migration learning[D]. Xi’an: Xidian University, 2023 (in Chinese)
[82] SHI J, XIE W, LI J, et al. Real-time plume tracking using transfer learning approach[J]. Computers & Chemical Engineering, 2023, 172: 108172
[83] KEENAN J J, MAKAROV D V, MOLKOV V V. Modelling and simulation of high-pressure hydrogen jets using notional nozzle theory and open source code OpenFOAM[J]. International Journal of Hydrogen Energy, 2017, 42(11): 7447-7456
[84] VINUESA R, BRUNTON S L. Enhancing computational fluid dynamics with machine learning[J]. Nature Computational Science, 2022, 2(6): 358-366
[85] KOCHKOV D, SMITH J A, ALIEVA A, et al. Machine learning-accelerated computational fluid dynamics[J]. Proceedings of the National Academy of Sciences of the United States of America, 2021, 118(21): e2101784118
[86] SHI J, XIE W, HUANG X, et al. Real-time natural gas release forecasting by using physics-guided deep learning probability model[J]. Journal of Cleaner Production, 2022, 368: 133201
[87] LI J, XIE W, LI H, et al. Real-time hydrogen release and dispersion modelling of hydrogen refuelling station by using deep learning probability approach[J]. International Journal of Hydrogen Energy, 2024, 51: 794-806
[88] SONG D, LEE K, PHARK C, et al. Spatiotemporal and layoutadaptive prediction of leak gas dispersion by encoding-prediction neural network[J]. Process Safety and Environmental Protection, 2021, 151: 365-372
[89] JIAO Z, JI C, SUN Y, et al. Deep learning based quantitative property-consequence relationship (QPCR) models for toxic dispersion prediction[J]. Process Safety and Environmental Protection, 2021, 152: 352-360
[90] DI NATALE L, SVETOZAREVIC B, HEER P, et al. Towards scalable physically consistent neural networks: An application to data-driven multi-zone thermal building models[J]. Applied Energy, 2023, 340: 121071
[91] RAISSI M, PERDIKARIS P, KARNIADAKIS G E. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations[J]. Journal of Computational Physics, 2019,378: 686-707
[92] BODE M, GAUDING M, LIAN Z Y, et al. Using physics-informed enhanced super-resolution generative adversarial networks for subfilter modeling in turbulent reactive flows[J]. Proceedings of the Combustion Institute, 2021, 38(2): 2617-2625
[93] BÜNNING F, HUBER B, SCHALBETTER A, et al. Physics-informed linear regression is competitive with two Machine Learning methods in residential building MPC [J]. Applied Energy,2022, 310: 118491
[94] ZHANG J, ZHAO X. Spatiotemporal wind field prediction based on physics-informed deep learning and LIDAR measurements[J]. Applied Energy, 2021, 288: 116641
[95] ZHANG J, ZHAO X. Three-dimensional spatiotemporal wind field reconstruction based on physics-informed deep learning[J].Applied Energy, 2021, 300: 117390
[96] YIN X, WEN K, HUANG W, et al. A high-accuracy online transient simulation framework of natural gas pipeline network by integrating physics-based and data-driven methods[J]. Applied Energy, 2023, 333: 120615
[97] RAISSI M, YAZDANI A, KARNIADAKIS G E. Hidden fluid mechanics: Learning velocity and pressure fields from flow visualizations[J]. Science, 2020, 367(6481): 1026-1030
[98] ZHANG X, SHI J, LI J, et al. Hydrogen jet and diffusion modeling by physics-informed graph neural network[J]. Renewable and Sustainable Energy Reviews, 2025, 207: 114898
[99] BRICKEL S, DAS A K, UNKE O T, et al. Reactive molecular dynamics for the [Cl-CH3-Br]-reaction in the gas phase and in solution: A comparative study using empirical and neural network force fields[J]. Electronic Structure, 2019, 1(2): 024002
[100] YIN Z, GUAN Y, FU B, et al. Two-state diabatic potential energy surfaces of ClH2 based on nonadiabatic couplings with neural networks[J]. Physical Chemistry Chemical Physics, 2019, 21(36): 20372-20383
[101] LU X, MENG Q, WANG X, et al. Rate coefficients of the H +H2 O2 → H2 + HO2 reaction on an accurate fundamental invariantneural network potential energy surface [J]. The Journal of Chemical Physics, 2018, 149(17): 174303
[102] ZHANG Y, ZHOU X, JIANG B. Bridging the gap between direct dynamics and globally accurate reactive potential energy surfaces using neural networks[J]. The Journal of Physical Chemistry Letters, 2019, 10(6): 1185-1191
[103] HUANG S, SHANG C, KANG P, et al. LASP: Fast global potential energy surface exploration[J]. Wiley Interdisciplinary Reviews: Computational Molecular Science, 2019, 9(6): e1415
[104] KANG P L, SHANG C, LIU Z. Glucose to 5-hydroxymethylfurfural: Origin of site-selectivity resolved by machine learning based reaction sampling[J]. Journal of the American Chemical Society, 2019, 141(51): 20525-20536
[105] ZENG J, CAO L, XU M, et al. Complex reaction processes in combustion unraveled by neural network-based molecular dynamics simulation[J]. Nature Communications, 2020, 11(1): 5713