用于估算氧化还原液流电池参数的物理约束深度神经网络方法
化学物理
2022-03-07 v2 机器学习
摘要
本文提出一种物理约束深度神经网络（PCDNN）方法，用于钒氧化还原液流电池（VRFB）零维（0D）模型中的参数估计。在该方法中，我们使用深度神经网络（DNNs）将模型参数近似为操作条件的函数。该方法允许将VRFB计算模型作为物理约束集成到参数学习过程中，从而提升参数估计与电池电压预测的精度。利用实验数据集，我们证明PCDNN方法能估算一系列操作条件下的模型参数，并相比采用传统反演方法估算的与操作条件无关的常数参数的0D模型电压预测，改进了0D模型的电压预测。我们还证明PCDNN方法对估算未用于DNN训练的操作条件下的参数值具有改进的泛化能力。
引用
@article{arxiv.2106.11451,
title = {Physics-constrained deep neural network method for estimating parameters in a redox flow battery},
author = {QiZhi He and Panos Stinis and Alexandre Tartakovsky},
journal= {arXiv preprint arXiv:2106.11451},
year = {2022}
}