이 연구는 멀티스케일, 다상 PEMFC 모델을 적용하여 고분자 전해질 막 연료전지(Polymer Electrolyte Membrane Fuel Cells, PEMFCs)를 시뮬레이션하였다. PEMFC 는 자동차, 트럭 등의 모빌리티 분야 또는 발전소에서 사용된다. 특히, 고출력 PEMFC 모빌리티 분야에서 산소가 산소극 촉매층(cathode catalyst layer, cCL)에 효과적으로 공급되는 것이 중요하다. 이를 달성하기 위해서는 cCL 에서 생성된 물을 효과적으로 제거하는 것이 중요하다. 따라서 기체 유동 효과를 향상시켜 물을 효과적으로 배출하기 위해 오리피스 형상을 지그재그 배치에 출구부 간격을 좁히는 방식을 적용했다. 이러한 오리피스 형상은 네 가지 설계 변수로 나눴으며, 이에 따른 목적함수로는 셀 전압(Vcell), 산소극 입구와 출구 간의 압력 강하(ΔP), 전류 밀도의 표준 편차(ISD)를 선정하였다. 그리고 설계변수에 따른 목적함수 데이터를 인공지능 기반의 다층 퍼셉트론(Multi-layer Perceptron, MLP) 모델에 학습하여 사용했다. 이 MLP 모델은 비지배 정렬 유전 알고리즘-II(Non-dominated Sorting Genetic Algorithm-II, NSGA-II)과 결합하여 설계 변수의 영향성을 분석하고 최적점을 결정하는 데 사용했다. 전류 밀도가 2.5 A/cm² 일 때, Reference 오리피스 형상은 Vcell = 442.97 mV , ΔP = 154 kPa 및 ISD = 0.8037 A/cm²의 값을 보였다. 특히, Vcell, ΔP, ISD의 가중치를 동일하게 설정한 Optideal 과 비교했을 때, ΔP가 9.3 kPa 증가했지만 Vcell 은 74.49 mV 향상되었고, ISD 는 0.4735 A/cm² 감소했다. 이러한 결과는 PEMFC 연료전지 설계에서 오리피스 형상을 최적화함으로써 성능과 안정성을 향상시킬 수 있다는 것을 의미한다.