氧化还原液流电池的物理信息协同克里金模型
化学物理
2021-06-18 v1 机器学习
摘要
氧化还原液流电池（RFBs）能够以廉价且高效的方式储存大量能量，然而，为了潜在地提升电池容量与性能，需要快速且准确的RFB充放电曲线模型。我们开发了一种用于预测RFB充放电曲线的多保真度模型。在该多保真度模型中，我们采用了物理信息协同克里金（CoPhIK）机器学习方法，该方法在实验数据上训练并受所谓“零维”基于物理的模型约束。在此我们证明，该模型与实验结果吻合良好，并较现有零维模型有显著改进。我们表明所提模型具有鲁棒性，因其对零维模型中的输入参数不敏感。我们还表明，对于所考虑的输入参数范围（包括电流密度、流速和初始浓度），仅需少量高保真实验数据集即可实现准确预测。
引用
@article{arxiv.2106.09188,
title = {Physics-informed CoKriging model of a redox flow battery},
author = {Amanda A. Howard and Alexandre M. Tartakovsky},
journal= {arXiv preprint arXiv:2106.09188},
year = {2021}
}