国产三级精品三级在线观看,国产高清无码在线观看,中文字幕日本人妻久久久免费,亚洲精品午夜无码电影网

【機(jī)器學(xué)習(xí)】ACS Energy Letters：新型預(yù)測模型評估液流電池特性

研究背景

當(dāng)今社會，隨著對可再生能源需求的增加，氧化還原液流電池(簡稱RFB或液流電池)由于其穩(wěn)定高效的能源存儲性能在市場上占據(jù)了重要的地位。綜合考慮到成本、資源和環(huán)境的影響，氧化還原液流電池的發(fā)展已經(jīng)從以金屬為中心的氧化還原活性材料過渡到有機(jī)分子體系，即水系有機(jī)氧化還原液流電池(AORFB)。然而，研究人員發(fā)現(xiàn)水溶性有機(jī)(ASO)氧化還原活性材料需要高效的機(jī)器學(xué)習(xí)替代方案來預(yù)測電池性能。傳統(tǒng)機(jī)器學(xué)習(xí)存在災(zāi)難性的遺忘問題，這就是當(dāng)前研究領(lǐng)域所面臨的挑戰(zhàn)。

美國太平洋西北國家實(shí)驗(yàn)室Yucheng Fu等人提出了一種名為物理引導(dǎo)的持續(xù)學(xué)習(xí)(PGCL)方法，旨在解決傳統(tǒng)機(jī)器學(xué)習(xí)中的災(zāi)難性遺忘問題。PGCL方法通過使用一個包含一千種潛在材料的AORFB數(shù)據(jù)庫，并結(jié)合780 cm2交叉電池模型，利用AORFB物理信息優(yōu)化持續(xù)學(xué)習(xí)任務(wù)和訓(xùn)練策略，以保留先前學(xué)習(xí)的電池材料知識。

研究亮點(diǎn)

1、PGCL方法的設(shè)計：這項(xiàng)研究的創(chuàng)新點(diǎn)在于引入了物理引導(dǎo)的持續(xù)學(xué)習(xí)方法，這能夠更有效地評估新型ASO材料的性能，為未來水性有機(jī)氧化還原流電池材料的發(fā)展提供了重要參考。

2、機(jī)器學(xué)習(xí)框架的優(yōu)化：PGCL強(qiáng)調(diào)了在確定任務(wù)劃分策略、靈敏度參數(shù)和優(yōu)化AORFB系統(tǒng)CL算法的任務(wù)序列時，整合物理知識并理解材料特性如何影響其輸出效率，該方法解決了傳統(tǒng)機(jī)器學(xué)習(xí)中的災(zāi)難性遺忘問題。

3、PGCL方法的前瞻性應(yīng)用：PGCL的性能可以通過整合更先進(jìn)的物理知識或結(jié)構(gòu)信息來進(jìn)一步提高，從而更精準(zhǔn)地指導(dǎo)ASO材料性能。

計算方法

本文3D數(shù)值模型使用COMSOL Multiphysics軟件構(gòu)建，所有的模擬都是在流速為0.4 L/min，電流密度為160 mA/cm²的情況下進(jìn)行的。同時，所有模擬的陰極液固定為0.923 M M₄[Fe(CN)₆]和0.0577 M M₃[Fe(CN)₆]，其中M代表K ⁺， Na⁺，以1:1的比例混合。并且陰極電解質(zhì)的SOC保持在0.15到0.85之間，以確保陰極電解質(zhì)的剩余體積。

圖文導(dǎo)讀

圖1 物理引導(dǎo)持續(xù)學(xué)習(xí)方法示意圖

作者提出了一種物理引導(dǎo)的持續(xù)學(xué)習(xí)(PGCL)方法，利用基礎(chǔ)物理學(xué)來預(yù)測AORFB材料性能。PGCL框架如圖1所示，關(guān)鍵在于集成AORFB材料復(fù)雜的物理特性來探究材料性能。

圖2 3D 780 cm² AORFB模型設(shè)計及機(jī)械學(xué)習(xí)預(yù)測

為了評估ASO材料在實(shí)際操作條件下的性能，作者使用了一個基于物理學(xué)的780 cm2的交叉電池模型來生成數(shù)據(jù)，如圖2a所示。圖2b為剩余電量(SOC)為0.5時，放電狀態(tài)下氧化還原活性物質(zhì)濃度分布示意圖。從圖中可以看出入口通道的物質(zhì)濃度最高，穿過電極進(jìn)入流出通道后，物質(zhì)濃度逐漸降低。

圖3 AORFB能量效率隨陽極液參數(shù)的可視化

為了獲得最佳的CL性能，將AORFB電池物理性質(zhì)納入CL訓(xùn)練任務(wù)非常重要。作者首先探討了用于任務(wù)劃分的材料和單元屬性的選擇如何影響CL算法的性能。為了更好地理解輸入?yún)?shù)和輸出能量效率(EE)之間的關(guān)系，使用多元自適應(yīng)回歸樣條(MARS)模型進(jìn)行敏感性分析，以確定最敏感的陽極電解質(zhì)和電池特性。圖3為材料屬性與EE的關(guān)系的散點(diǎn)圖，可以看出陽極液標(biāo)準(zhǔn)電位(E_n)和膜離子電導(dǎo)率(σ_m)對電池能量效率有較大影響。隨著En的降低，電池的平衡電位增加，從而導(dǎo)致更高的EE。σ_m的取值越大，系統(tǒng)的歐姆電阻越小，電氣效率越高。另一方面，電解質(zhì)粘度(μ_n)和離子電導(dǎo)率(k_eff)等參數(shù)對EE的影響較小。

根據(jù)靈敏度分析，作者分別由反應(yīng)傳遞系數(shù)α_n、標(biāo)準(zhǔn)電位E_n和能量效率EE劃分一組任務(wù)來評估彈性權(quán)重鞏固(EWC)和無遺忘學(xué)習(xí)(LwF)的性能，如圖4所示。

圖4 采用 EWC方法和LwF方法的能效預(yù)測誤差對比

通過計算每個任務(wù)測試數(shù)據(jù)的預(yù)測EE值與實(shí)際值之間的均方誤差(MSE)來確定EE預(yù)測誤差。從圖中可以看出，對敏感的參數(shù)E_n的第5項(xiàng)任務(wù)，較大EE范圍和粒度增加導(dǎo)致CL預(yù)測誤差急劇增加。

該示例表明，任務(wù)參數(shù)的選擇在訓(xùn)練和評估AORFB系統(tǒng)的CL算法中起著至關(guān)重要的作用。隨著敏感參數(shù)范圍的擴(kuò)大，需要額外的任務(wù)來學(xué)習(xí)材料的新物理特性。另外，如果新引入的任務(wù)只是在不同的非敏感參數(shù)范圍內(nèi)，則CL算法的性能變化很小。

本研究進(jìn)一步推廣到更復(fù)雜的場景，如圖5所示，根據(jù)ASO材料的屬性劃分了數(shù)據(jù)批次。如圖5a，根據(jù)初始濃度C_n和標(biāo)準(zhǔn)電位E_n將ASO材料分為9批。圖5d中，根據(jù)反應(yīng)傳遞系數(shù)α_n和膜離子電導(dǎo)率σ_m值劃分為了16個數(shù)據(jù)批次。

圖5 不同ASO材料的CL和PGCL預(yù)測對比

考慮到AORFB晶胞的相關(guān)物理特性，作者提出了一種PGCL方法，通過優(yōu)化新任務(wù)創(chuàng)建和數(shù)據(jù)分組的時間和策略，進(jìn)一步提高了CL算法的性能。對于標(biāo)準(zhǔn)CL方法，每個新數(shù)據(jù)批都會導(dǎo)致創(chuàng)建一個新任務(wù)，從而產(chǎn)生圖5a所示場景中的9個任務(wù)。然而，PGCL通過利用AORFB材料特性的見解來優(yōu)化這一過程。當(dāng)新批處理只在非敏感屬性中引入更改時，CL不會遇到新的物理現(xiàn)象，并且盡管有額外的任務(wù)，預(yù)測誤差仍然保持穩(wěn)定。因此，PGCL將新數(shù)據(jù)分組到具有類似敏感屬性范圍的現(xiàn)有任務(wù)中，從而避免不必要的任務(wù)創(chuàng)建。

在圖5a中，用黃色圓圈標(biāo)記的數(shù)據(jù)批表示為PGCL創(chuàng)建的新任務(wù)，而用藍(lán)色圓圈標(biāo)記的數(shù)據(jù)批是使用現(xiàn)有任務(wù)處理的。使用PGCL，這將所需的任務(wù)數(shù)從9個減少到3個。之后，CL算法使用EWC架構(gòu)，每個測試重復(fù)10次，結(jié)果如圖5b所示，在所有數(shù)據(jù)批次中，常規(guī)CL和PGCL的誤差都在4%以下。然而，這會導(dǎo)致更多的時間成本。隨著每增加一批數(shù)據(jù)，常規(guī)CL方法的訓(xùn)練時間單調(diào)增加，如圖5c所示，在對全部9批數(shù)據(jù)進(jìn)行訓(xùn)練后，需要48 s才能完成整個訓(xùn)練過程。與之相比，PGCL只需不到10秒就能完成訓(xùn)練過程，同時保持較高的準(zhǔn)確性。

圖6 DHP氧化還原活性的預(yù)測

為了評估PGCL預(yù)測材料性能的能力，作者采用二羥基非那嗪(DHP)異構(gòu)體作為陽極電解質(zhì)材料進(jìn)行了測試。PGCL按照圖5a提出的流程進(jìn)行訓(xùn)練，將AORFB數(shù)據(jù)庫分成9批，對每個DHP異構(gòu)體的預(yù)測精度如圖6b所示。從圖中可以看出，大多數(shù)DHP異構(gòu)體的EE預(yù)測誤差在25%以內(nèi)，這適用于PGCL在訓(xùn)練過程中遇到的所有任務(wù)。其中，1，9- DHP異構(gòu)體，濃度較低(C_n = 152 mol/m³)，位于ASO數(shù)據(jù)庫濃度范圍的邊緣，因此EE預(yù)測呈現(xiàn)較大的波動。

PGCL方法是為涵蓋一系列陽極電解質(zhì)材料特性而開發(fā)的，使其能夠預(yù)測多個循環(huán)中的電池性能及降解機(jī)制。目前，表征ASO材料的降解機(jī)制仍然是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。ASO材料的穩(wěn)定性受其化學(xué)結(jié)構(gòu)、操作條件以及與其它電池組分(如膜、電極和電解質(zhì)添加劑)的相互作用的影響，而PGCL方法無法直接預(yù)測這些因素。然而，一旦確定了材料的降解途徑，PGCL就可以有效地預(yù)測電池在多個循環(huán)中的性能。為了直觀的說明這一情況，作者使用1，8- DHP作為基線來預(yù)測超過1000次循環(huán)的三種假設(shè)情景下材料性能降解的電池EE，三個示例的預(yù)測EE與實(shí)際情況的比較如圖6e所示。預(yù)測結(jié)果與實(shí)際趨勢一致，將絕對誤差保持在10%以內(nèi)。

綜上所述，PGCL算法已被開發(fā)用于動態(tài)學(xué)習(xí)和預(yù)測給定ASO材料特性的AORFB電池性能。PGCL有效地解決了傳統(tǒng)的非調(diào)節(jié)深度神經(jīng)網(wǎng)絡(luò)(DNN)方法經(jīng)常遇到的災(zāi)難性遺忘問題。通過結(jié)合物理原理，PGCL提高了對新型AORFB材料的預(yù)測精度，與傳統(tǒng)的CL方法相比，突出了其在動態(tài)材料發(fā)現(xiàn)場景中的適應(yīng)性和效率。

PGCL對AORFB系統(tǒng)的主要見解可以總結(jié)為以下幾點(diǎn):

1、標(biāo)準(zhǔn)電位、膜電導(dǎo)率和物質(zhì)溶解度是決定AORFB性能的重要因素。

2、任務(wù)劃分策略會顯著影響CL算法的性能，任務(wù)創(chuàng)建應(yīng)該只在擴(kuò)展包含敏感屬性的ASO材料時發(fā)生

3、根據(jù)數(shù)據(jù)粒度確定CL任務(wù)的總數(shù)和順序，以減少AORFB EE預(yù)測誤差。

4、PGCL不僅簡化了訓(xùn)練過程，而且根據(jù)ASO材料的物理特性提供了結(jié)構(gòu)化的任務(wù)劃分方法。

文獻(xiàn)信息

Fu, Y., Howard, A., Zeng, C., Chen, Y., Gao, P., & Stinis, P. (2024). Physics-Guided Continual Learning for Predicting Emerging Aqueous Organic Redox Flow Battery Material Performance.?ACS Energy Letters,?9, 2767-2774.

https://doi.org/10.1021/acsenergylett.4c00493

原創(chuàng)文章，作者：計算搬磚工程師，如若轉(zhuǎn)載，請注明來源華算科技，注明出處：http://m.xiubac.cn/index.php/2024/06/26/9b56d391b8/

国产三级精品三级在线观看,国产高清无码在线观看,中文字幕日本人妻久久久免费,亚洲精品午夜无码电影网

【機(jī)器學(xué)習(xí)】ACS Energy Letters：新型預(yù)測模型評估液流電池特性

相關(guān)推薦