研究背景
當今社會，隨著對可再生能源需求的增加，氧化還原液流電池(簡稱RFB或液流電池)由於其穩定高效的能源儲存效能在市場上占據了重要的地位。綜合考慮到成本、資源和環境的影響，氧化還原液流電池的發展已經從以金屬為中心的氧化還原活性材料過渡到有機分子體系，即水系有機氧化還原液流電池(AORFB)。然而，研究人員發現水溶性有機(ASO)氧化還原活性材料需要高效的機器學習替代方案來預測電池效能。傳統機器學習存在災難性的遺忘問題，這就是當前研究領域所面臨的挑戰。
美國太平洋西北國家實驗室Yucheng Fu等人提出了一種名為物理引導的持續學習(PGCL)方法，旨在解決傳統機器學習中的災難性遺忘問題。PGCL方法透過使用一個包含一千種潛在材料的AORFB數據庫，並結合780 cm²交叉電池模型，利用AORFB物理資訊最佳化持續學習任務和訓練策略，以保留先前學習的電池材料知識。
研究亮點
1、 PGCL方法的設計： 這項研究的創新點在於引入了物理引導的持續學習方法，這能夠更有效地評估新型ASO材料的效能，為未來水性有機氧化還原流電池材料的發展提供了重要參考。
2、 機器學習框架的最佳化 ： PGCL強調了在確定任務劃分策略、靈敏度參數和最佳化AORFB系統CL演算法的任務序列時，整合物理知識並理解材料特性如何影響其輸出效率，該方法解決了傳統機器學習中的災難性遺忘問題。
3、 PGCL方法的前瞻性套用 ： PGCL的效能可以透過整合更先進的物理知識或結構資訊來進一步提高，從而更精準地指導ASO材料效能。
計算方法
本文3D數值模型使用COMSOL Multiphysics軟件構建，所有的模擬都是在流速為0.4 L/min，電流密度為160 mA/cm2的情況下進行的。 同時，所有模擬的陰極液固定為0.923 M M4[Fe(CN)6]和0.0577 M M3[Fe(CN)6]，其中M代表K +， Na+，以1:1的比例混合。並且陰極電解質的SOC保持在0.15到0.85之間，以確保陰極電解質的剩余體積。
圖文導讀
圖1 物理引導持續學習方法示意圖
作者提出了一種物理引導的持續學習(PGCL)方法，利用基礎物理學來預測AORFB材料效能。PGCL框架如圖1所示，關鍵在於整合AORFB材料復雜的物理特性來探究材料效能。
圖2 3D 780 cm2 AORFB模型設計及機械學習預測
為了評估ASO材料在實際操作條件下的效能，作者使用了一個基於物理學的780 cm²的交叉電池模型來生成數據，如圖2a所示。圖2b為剩余電量(SOC)為0.5時，放電狀態下氧化還原活性物質濃度分布示意圖。從圖中可以看出入口通道的物質濃度最高，穿過電極進入流出通道後，物質濃度逐漸降低。
圖3 AORFB能量效率隨陽極液參數的視覺化
為了獲得最佳的CL效能，將AORFB電池物理性質納入CL訓練任務非常重要。作者首先探討了用於任務劃分的材料和單元內容的選擇如何影響CL演算法的效能。為了更好地理解輸入參數和輸出能量效率(EE)之間的關系，使用多元自適應回歸樣條(MARS)模型進行敏感性分析，以確定最敏感的陽極電解質和電池特性。圖3為材料內容與EE的關系的散點圖，可以看出陽極液標準電位(En)和膜離子電導率(σm)對電池能量效率有較大影響。隨著En的降低，電池的平衡電位增加，從而導致更高的EE。σm的取值越大，系統的歐姆電阻越小，電氣效率越高。另一方面，電解質粘度(μn)和離子電導率(keff)等參數對EE的影響較小。
根據靈敏度分析，作者分別由反應傳遞系數αn、標準電位En和能量效率EE劃分一組任務來評估彈性權重鞏固(EWC)和無遺忘學習(LwF)的效能，如圖4所示。
圖4 采用 EWC方法和LwF方法的能效預測誤差對比
透過計算每個任務測試數據的預測EE值與實際值之間的均方誤差(MSE)來確定EE預測誤差。從圖中可以看出，對敏感的參數En的第5項任務，較大EE範圍和粒度增加導致CL預測誤差急劇增加。
該範例表明，任務參數的選擇在訓練和評估AORFB系統的CL演算法中起著至關重要的作用。隨著敏感參數範圍的擴大，需要額外的任務來學習材料的新物理特性。另外，如果新引入的任務只是在不同的非敏感參數範圍內，則CL演算法的效能變化很小。
本研究進一步推廣到更復雜的場景，如圖5所示，根據ASO材料的內容劃分了數據批次。如圖5a，根據初始濃度Cn和標準電位En將ASO材料分為9批。圖5d中，根據反應傳遞系數αn和膜離子電導率σm值劃分為了16個數據批次。
圖5 不同ASO材料的CL和PGCL預測對比
考慮到AORFB晶胞的相關物理特性，作者提出了一種PGCL方法，透過最佳化新任務建立和數據分組的時間和策略，進一步提高了CL演算法的效能。對於標準CL方法，每個新數據批都會導致建立一個新任務，從而產生圖5a所示場景中的9個任務。然而，PGCL透過利用AORFB材料特性的見解來最佳化這一過程。當新批次處理只在非敏感內容中引入更改時，CL不會遇到新的物理現象，並且盡管有額外的任務，預測誤差仍然保持穩定。因此，PGCL將新數據分組到具有類似敏感內容範圍的現有任務中，從而避免不必要的任務建立。
在圖5a中，用黃色圓圈標記的數據批表示為PGCL建立的新任務，而用藍色圓圈標記的數據批是使用現有任務處理的。使用PGCL，這將所需的任務數從9個減少到3個。之後，CL演算法使用EWC架構，每個測試重復10次，結果如圖5b所示，在所有數據批次中，常規CL和PGCL的誤差都在4%以下。然而，這會導致更多的時間成本。隨著每增加一批數據，常規CL方法的訓練時間單調增加，如圖5c所示，在對全部9批數據進行訓練後，需要48 s才能完成整個訓練過程。與之相比，PGCL只需不到10秒就能完成訓練過程，同時保持較高的準確性。
圖6 DHP氧化還原活性的預測
為了評估PGCL預測材料效能的能力，作者采用二羥基非那嗪(DHP)異構體作為陽極電解質材料進行了測試。PGCL按照圖5a提出的流程進行訓練，將AORFB數據庫分成9批，對每個DHP異構體的預測精度如圖6b所示。從圖中可以看出，大多數DHP異構體的EE預測誤差在25%以內，這適用於PGCL在訓練過程中遇到的所有任務。其中，1，9- DHP異構體，濃度較低(Cn = 152 mol/m3)，位於ASO數據庫濃度範圍的邊緣，因此EE預測呈現較大的波動。
PGCL方法是為涵蓋一系列陽極電解質材料特性而開發的，使其能夠預測多個迴圈中的電池效能及降解機制。目前，表征ASO材料的降解機制仍然是一項具有挑戰性的任務。ASO材料的穩定性受其化學結構、操作條件以及與其它電池組分(如膜、電極和電解質添加劑)的相互作用的影響，而PGCL方法無法直接預測這些因素。然而，一旦確定了材料的降解途徑，PGCL就可以有效地預測電池在多個迴圈中的效能。為了直觀的說明這一情況，作者使用1，8- DHP作為基線來預測超過1000次迴圈的三種假設情景下材料效能降解的電池EE，三個範例的預測EE與實際情況的比較如圖6e所示。預測結果與實際趨勢一致，將絕對誤差保持在10%以內。
綜上所述，PGCL演算法已被開發用於動態學習和預測給定ASO材料特性的AORFB電池效能。PGCL有效地解決了傳統的非調節深度神經網絡(DNN)方法經常遇到的災難性遺忘問題。透過結合物理原理，PGCL提高了對新型AORFB材料的預測精度，與傳統的CL方法相比，突出了其在動態材料發現場景中的適應力和效率。
PGCL對AORFB系統的主要見解可以總結為以下幾點:
1、標準電位、膜電導率和物質溶解度是決定AORFB效能的重要因素。
2、任務劃分策略會顯著影響CL演算法的效能，任務建立應該只在擴充套件包含敏感內容的ASO材料時發生
3、根據數據粒度確定CL任務的總數和順序，以減少AORFB EE預測誤差。
4、PGCL不僅簡化了訓練過程，而且根據ASO材料的物理特性提供了結構化的任務劃分方法。
文獻資訊
Fu, Y., Howard, A., Zeng, C., Chen, Y., Gao, P., & Stinis, P. (2024). Physics-Guided Continual Learning for Predicting Emerging Aqueous Organic Redox Flow Battery Material Performance. ACS Energy Letters, 9, 2767-2774.
https://doi.org/10.1021/acsenergylett.4c00493
