双男主纯肉小黄文h,深夜视频,免费观看老年镖客视频中文版

研究背景

當今社會，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)展已經從以金屬為中心的氧化還原活性材料過渡到有機分子體系，即水系有機氧化還原液流電池(AORFB)。然而，研究人員發(fā)現水溶性有機(ASO)氧化還原活性材料需要高效的機器學習替代方案來預測電池性能。傳統(tǒng)機器學習存在災難性的遺忘問題，這就是當前研究領域所面臨的挑戰(zhàn)。

美國太平洋西北國家實驗室Yucheng Fu等人提出了一種名為物理引導的持續(xù)學習(PGCL)方法，旨在解決傳統(tǒng)機器學習中的災難性遺忘問題。PGCL方法通過使用一個包含一千種潛在材料的AORFB數據庫，并結合780 cm2交叉電池模型，利用AORFB物理信息優(yōu)化持續(xù)學習任務和訓練策略，以保留先前學習的電池材料知識。

研究亮點

1、PGCL方法的設計：這項研究的創(chuàng)新點在于引入了物理引導的持續(xù)學習方法，這能夠更有效地評估新型ASO材料的性能，為未來水性有機氧化還原流電池材料的發(fā)展提供了重要參考。

2、機器學習框架的優(yōu)化：PGCL強調了在確定任務劃分策略、靈敏度參數和優(yōu)化AORFB系統(tǒng)CL算法的任務序列時，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)機器學習中的災難性遺忘問題。

3、PGCL方法的前瞻性應用：PGCL的性能可以通過整合更先進的物理知識或結構信息來進一步提高，從而更精準地指導ASO材料性能。

計算方法

本文3D數值模型使用COMSOL Multiphysics軟件構建，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。并且陰極電解質的SOC保持在0.15到0.85之間，以確保陰極電解質的剩余體積。

圖文導讀

圖1 物理引導持續(xù)學習方法示意圖

作者提出了一種物理引導的持續(xù)學習(PGCL)方法，利用基礎物理學來預測AORFB材料性能。PGCL框架如圖1所示，關鍵在于集成AORFB材料復雜的物理特性來探究材料性能。

圖2 3D 780 cm² AORFB模型設計及機械學習預測

為了評估ASO材料在實際操作條件下的性能，作者使用了一個基于物理學的780 cm2的交叉電池模型來生成數據，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濃度分布示意圖。從圖中可以看出入口通道的物質濃度最高，穿過電極進入流出通道后，物質濃度逐漸降低。

圖3 AORFB能量效率隨陽極液參數的可視化

為了獲得最佳的CL性能，將AORFB電池物理性質納入CL訓練任務非常重要。作者首先探討了用于任務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參數和輸出能量效率(EE)之間的關系，使用多元自適應回歸樣條(MARS)模型進行敏感性分析，以確定最敏感的陽極電解質和電池特性。圖3為材料屬性與EE的關系的散點圖，可以看出陽極液標準電位(E_n)和膜離子電導率(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，電解質粘度(μ_n)和離子電導率(k_eff)等參數對EE的影響較小。

根據靈敏度分析，作者分別由反應傳遞系數α_n、標準電位E_n和能量效率EE劃分一組任務來評估彈性權重鞏固(EWC)和無遺忘學習(LwF)的性能，如圖4所示。

圖4 采用 EWC方法和LwF方法的能效預測誤差對比

通過計算每個任務測試數據的預測EE值與實際值之間的均方誤差(MSE)來確定EE預測誤差。從圖中可以看出，對敏感的參數E_n的第5項任務，較大EE范圍和粒度增加導致CL預測誤差急劇增加。

該示例表明，任務參數的選擇在訓練和評估AORFB系統(tǒng)的CL算法中起著至關重要的作用。隨著敏感參數范圍的擴大，需要額外的任務來學習材料的新物理特性。另外，如果新引入的任務只是在不同的非敏感參數范圍內，則CL算法的性能變化很小。

本研究進一步推廣到更復雜的場景，如圖5所示，根據ASO材料的屬性劃分了數據批次。如圖5a，根據初始濃度C_n和標準電位E_n將ASO材料分為9批。圖5d中，根據反應傳遞系數α_n和膜離子電導率σ_m值劃分為了16個數據批次。

圖5 不同ASO材料的CL和PGCL預測對比

考慮到AORFB晶胞的相關物理特性，作者提出了一種PGCL方法，通過優(yōu)化新任務創(chuàng)建和數據分組的時間和策略，進一步提高了CL算法的性能。對于標準CL方法，每個新數據批都會導致創(chuàng)建一個新任務，從而產生圖5a所示場景中的9個任務。然而，PGCL通過利用AORFB材料特性的見解來優(yōu)化這一過程。當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象，并且盡管有額外的任務，預測誤差仍然保持穩(wěn)定。因此，PGCL將新數據分組到具有類似敏感屬性范圍的現有任務中，從而避免不必要的任務創(chuàng)建。

在圖5a中，用黃色圓圈標記的數據批表示為PGCL創(chuàng)建的新任務，而用藍色圓圈標記的數據批是使用現有任務處理的。使用PGCL，這將所需的任務數從9個減少到3個。之后，CL算法使用EWC架構，每個測試重復10次，結果如圖5b所示，在所有數據批次中，常規(guī)CL和PGCL的誤差都在4%以下。然而，這會導致更多的時間成本。隨著每增加一批數據，常規(guī)CL方法的訓練時間單調增加，如圖5c所示，在對全部9批數據進行訓練后，需要48 s才能完成整個訓練過程。與之相比，PGCL只需不到10秒就能完成訓練過程，同時保持較高的準確性。

圖6 DHP氧化還原活性的預測

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

PGCL方法是為涵蓋一系列陽極電解質材料特性而開發(fā)的，使其能夠預測多個循環(huán)中的電池性能及降解機制。目前，表征ASO材料的降解機制仍然是一項具有挑戰(zhàn)性的任務。ASO材料的穩(wěn)定性受其化學結構、操作條件以及與其它電池組分(如膜、電極和電解質添加劑)的相互作用的影響，而PGCL方法無法直接預測這些因素。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作為基線來預測超過1000次循環(huán)的三種假設情景下材料性能降解的電池EE，三個示例的預測EE與實際情況的比較如圖6e所示。預測結果與實際趨勢一致，將絕對誤差保持在10%以內。

綜上所述，PGCL算法已被開發(fā)用于動態(tài)學習和預測給定ASO材料特性的AORFB電池性能。PGCL有效地解決了傳統(tǒng)的非調節(jié)深度神經網絡(DNN)方法經常遇到的災難性遺忘問題。通過結合物理原理，PGCL提高了對新型AORFB材料的預測精度，與傳統(tǒng)的CL方法相比，突出了其在動態(tài)材料發(fā)現場景中的適應性和效率。

PGCL對AORFB系統(tǒng)的主要見解可以總結為以下幾點:

1、標準電位、膜電導率和物質溶解度是決定AORFB性能的重要因素。

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

3、根據數據粒度確定CL任務的總數和順序，以減少AORFB EE預測誤差。

4、PGCL不僅簡化了訓練過程，而且根據ASO材料的物理特性提供了結構化的任務劃分方法。

文獻信息

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，如若轉載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2024/06/26/9b56d391b8/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

【機器學習】ACS Energy Letters：新型預測模型評估液流電池特性

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

【機器學習】ACS Energy Letters：新型預測模型評估液流電池特性

相關推薦