利用物理知情学习加速建模：电化学器件实时控制的框架与展望
应用物理
2026-01-27 v1
摘要
在绿色能源转型的推动下，电化学器件（电池、燃料电池和电解槽）正在全面发展。其实时控制需要毫秒级预测，以便在快速瞬态或故障期间做出关键决策。其背后的物理机制包含耦合的多物理场现象，而传统有限元方法在当前 CPU 技术下无法如此快速地求解。本文通过评估训练难度、推理速度和外推能力，评估了由三个框架代表的物理知情机器学习的潜力：\ac{pinn}、\ac{pideeponet} 和 \ac{pino}。我们的分析揭示了有价值的性能权衡。\acp{pinn} 对固定问题实例提供了简便性，但参数改变时需要重新训练。\ac{pideeponet} 能够在不同条件下进行算子学习，具有无网格几何灵活性。\ac{pino} 在规则网格上提供卓越性能，由于谱导数计算和分辨率不变性而具有最强的外推能力。\ac{pideeponet} 特别适用于不规则、非结构化几何形状（例如多孔电极或复杂流场），而 \ac{pino} 最适合需要快速推理的分层、结构化网格问题（例如跨越堆叠电化学层的传输）。可能的未来应用包括用于安全快充的实时锂浓度预测和微短路检测、燃料电池中的水管理，以及间歇性可再生能源输入下电解槽的优化功率管理。这些发现确立了物理知情算子学习作为下一代电化学器件控制技术的变革性方法。
引用
@article{arxiv.2601.18297,
title = {Acceleration of Modelling with Physics Informed Learning: Frameworks and Perspectives for Real-Time Control of Electrochemical Devices},
author = {Remus Teodorescu and Yusheng Zheng and Yi Zhuang and Dominic Karnehm and Javid Beyrami},
journal= {arXiv preprint arXiv:2601.18297},
year = {2026}
}