基于二维单元模型的全钒液流电池物理信息机器学习
机器学习
2023-09-11 v2 化学物理
摘要
本文提出一种物理信息神经网络（PINN）方法，用于预测全钒液流电池的性能，其物理约束由二维（2D）数学模型强制施加。该 2D 模型包含 6 个控制方程与 24 个边界条件，详细刻画了液流电池内部的电化学反应、质量传输与流体动力学。为以 PINN 方法求解 2D 模型，采用复合神经网络逼近物种浓度与电势；依据电池系统的先验知识对输入与输出进行归一化；控制方程与边界条件首先被缩放至量级约为 1，随后通过自加权方法进一步平衡。数值结果表明 PINN 能正确预测电池电压，但电势预测呈现类常数偏移。为修正该偏移，通过由电流收集器边界导出的进一步约束增强 PINN。最后，我们展示若有少量标注数据可用，增强后的 PINN 还能进一步改进。
引用
@article{arxiv.2306.01010,
title = {Physics-informed machine learning of redox flow battery based on a two-dimensional unit cell model},
author = {Wenqian Chen and Yucheng Fu and Panos Stinis},
journal= {arXiv preprint arXiv:2306.01010},
year = {2023}
}
备注
7 figures