論文の概要: Physics-informed machine learning of redox flow battery based on a two-dimensional unit cell model

• arxiv url: http://arxiv.org/abs/2306.01010v1
• Date: Wed, 31 May 2023 22:06:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-05 18:41:38.748138
• Title: Physics-informed machine learning of redox flow battery based on a two-dimensional unit cell model
• Title（参考訳）: 2次元単位セルモデルに基づくレドックスフローバッテリの物理インフォーム機械学習
• Authors: Wenqian Chen, Yucheng Fu, Panos Stinis
• Abstract要約: 本稿では,全バナジウムレドックスフローバッテリの性能を予測するために,物理インフォームドニューラルネットワーク(PINN)を提案する。 数値計算の結果,PINNはセル電圧を正確に予測できるが,電位の予測は一定の変化を示す。
• 参考スコア（独自算出の注目度）: 0.14502611532302037
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present a physics-informed neural network (PINN) approach for predicting the performance of an all-vanadium redox flow battery, with its physics constraints enforced by a two-dimensional (2D) mathematical model. The 2D model, which includes 6 governing equations and 24 boundary conditions, provides a detailed representation of the electrochemical reactions, mass transport and hydrodynamics occurring inside the redox flow battery. To solve the 2D model with the PINN approach, a composite neural network is employed to approximate species concentration and potentials; the input and output are normalized according to prior knowledge of the battery system; the governing equations and boundary conditions are first scaled to an order of magnitude around 1, and then further balanced with a self-weighting method. Our numerical results show that the PINN is able to predict cell voltage correctly, but the prediction of potentials shows a constant-like shift. To fix the shift, the PINN is enhanced by further constrains derived from the current collector boundary. Finally, we show that the enhanced PINN can be even further improved if a small number of labeled data is available.
• Abstract（参考訳）: 本稿では,全バナジウムレドックスフロー電池の性能を予測するための物理インフォームドニューラルネットワーク (PINN) を提案する。 2dモデルは6つの制御方程式と24の境界条件を含み、レドックスフローバッテリ内で起こる電気化学反応、物質輸送、流体力学の詳細な表現を提供する。 pinnアプローチによる2次元モデルを解くために、複合ニューラルネットワークを用いて種濃度とポテンシャルを近似し、入力と出力をバッテリシステムの事前知識に従って正規化し、制御式と境界条件をまず1等程度までスケールし、さらに自己重み付け法でバランスをとる。 その結果,pinnはセル電圧を正確に予測できるが,電位の予測は定常的なシフトを示すことがわかった。 シフトを修正するために、PINNは現在のコレクタ境界から派生したさらなる制約によって強化される。 最後に,少数のラベル付きデータが利用可能であれば,拡張PINNをさらに改善できることを示す。

関連論文リスト

• Data-driven 2D stationary quantum droplets and wave propagations in the amended GP equation with two potentials via deep neural networks learning [0.3683202928838613]
  2次元(2次元)定常量子滴(QD)を解くための体系的深層学習手法を開発する。 2次元修正グロス・ピタエフスキー方程式の波動伝播について,リー・フン・ヤン補正と2種類のポテンシャルを用いて検討した。 学習された定常QDは、物理学インフォームドニューラルネットワーク(PINN)の初期値条件として使われ、ある時空領域における彼らの進化を探索する。
  論文  参考訳（メタデータ） (2024-09-04T00:01:15Z)
• Neural Pfaffians: Solving Many Many-Electron Schrödinger Equations [58.130170155147205]
  神経波関数は、計算コストが高いにもかかわらず、多電子系の基底状態の近似において前例のない精度を達成した。 近年の研究では、個々の問題を個別に解くのではなく、様々な構造や化合物にまたがる一般化波動関数を学習することでコストを下げることが提案されている。 この研究は、分子間の一般化に適した過度にパラメータ化され、完全に学習可能なニューラルウェーブ関数を定義することで、この問題に取り組む。
  論文  参考訳（メタデータ） (2024-05-23T16:30:51Z)
• PINN surrogate of Li-ion battery models for parameter inference. Part II: Regularization and application of the pseudo-2D model [0.0]
  擬似2D(P2D)バッテリモデルのキャリブレーションのサロゲートとして物理インフォームドニューラルネットワーク(PINN)を開発した。 パラメータ推論研究では、これらのPINNを使用してカソードLi拡散と陽極交換電流密度のスケーリングパラメータを校正する能力を強調している。
  論文  参考訳（メタデータ） (2023-12-28T19:28:23Z)
• Towards Neural Variational Monte Carlo That Scales Linearly with System Size [67.09349921751341]
  量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。 量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。 ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
  論文  参考訳（メタデータ） (2022-12-21T19:00:04Z)
• Inferring electrochemical performance and parameters of Li-ion batteries based on deep operator networks [1.8369974607582584]
  Liイオン電池は複雑な物理化学システムであり、一般に入力電圧として印加電流、出力電圧として端子電圧を用いる。 我々は、基礎となる物理を制約として組み込んで、バッテリシステムのためのデータ駆動サロゲートを構築することを提案する。
  論文  参考訳（メタデータ） (2022-05-06T23:55:48Z)
• Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery [62.997667081978825]
  本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。 ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
  論文  参考訳（メタデータ） (2022-03-03T19:56:24Z)
• Learning Physics-Informed Neural Networks without Stacked Back-propagation [82.26566759276105]
  我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。 特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。 実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
  論文  参考訳（メタデータ） (2022-02-18T18:07:54Z)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)
• Physics-Informed Neural Nets-based Control [5.252190504926357]
  この研究は、Physical-Informed Neural Nets-based Control (PINC)と呼ばれる新しいフレームワークを提示する。 PINCは問題を制御でき、事前に固定されていない長距離時間地平線をシミュレートすることができる。 本手法を2つの非線形動的システムの制御において紹介する。
  論文  参考訳（メタデータ） (2021-04-06T14:55:23Z)
• Exponentially Weighted l_2 Regularization Strategy in Constructing Reinforced Second-order Fuzzy Rule-based Model [72.57056258027336]
  従来の高木スゲノカン(TSK)型ファジィモデルでは、定数あるいは線形関数がファジィ規則の連続部分として使用されるのが普通である。 調和解析で遭遇する重み関数理論にインスパイアされた指数重みアプローチを導入する。
  論文  参考訳（メタデータ） (2020-07-02T15:42:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。