PEMNET：一种基于迁移学习的高温聚合物电解质膜电化学系统建模方法
机器学习
2022-03-01 v2 化学物理
摘要
高温聚合物电解质膜燃料电池（HT-PEMFCs）和HT-PEM电化学氢泵（HT-PEM ECHPs）的广泛采用需要能够提供准确放大与优化的模型和计算工具。基于知识的建模存在局限性，因其耗时且需要并非总是可用的系统信息（例如材料性质和不同材料间的界面行为）。另一方面，数据驱动建模更易于实现，但往往需要难以获取的大型数据集。在本工作中，通过实施小样本学习（FSL）方法，将基于知识的建模与数据驱动建模独特结合。最初为HT-PEMFC开发的基于知识的模型用于生成模拟数据（887,735个点）并预训练神经网络源模型。此外，为HT-PEMFCs开发的源模型被成功应用于HT-PEM ECHPs——一种使用与燃料电池相似材料的不同电化学系统。来自具有不同材料和操作条件的HT-PEMFCs与HT-PEM ECHPs的实验数据集（各约50个点）通过FSL用于训练8个目标模型。在所有情况下，对未见数据的模型均达到高准确度（HT-PEMFCs的rRMSE介于1.04%至3.73%之间，HT-PEM ECHPs的rRMSE介于6.38%至8.46%之间）。
引用
@article{arxiv.2105.03057,
title = {PEMNET: A Transfer Learning-based Modeling Approach of High-Temperature Polymer Electrolyte Membrane Electrochemical Systems},
author = {Luis A. Briceno-Mena and Christopher G. Arges and Jose A. Romagnoli},
journal= {arXiv preprint arXiv:2105.03057},
year = {2022}
}
备注
13 pages, 8 figures