赵天寿/邓劲良院士，最新EES: 机器学习+液流电池！

氧化还原液流电池（RFB）是最有前途的储能技术之一，具有能量与功率解耦、可扩展性灵活、响应速度快、安全性高等优点。高昂的成本仍是RFB广泛应用的主要障碍，降低成本的一种有效策略是开发更高功率密度的电池，这可通过流场设计来实现，而通过试错法和有限的人类直觉设计的常规流场难以优化。

在此，香港科技大学赵天寿院士、加拿大维多利亚大学邓劲良（Nedjib Djilali）院士等人通过结合机器学习和实验开发了一种端到端的流场设计方法，包括库生成、多物理场仿真模拟、机器学习、筛选发现和实验验证。通过结合定制的路径生成算法、成百上千的多物理场模拟和训练有素的卷积神经网络（CNN）回归模型，最终生成了一个包含11564个流场设计的搜索库。通过协作筛选过程，已成功确定了8个与目前已知的RFB流场高度不同的有希望的候选者。

实验结果表明，与传统蛇形流场相比，具有新设计流场的电池的极限电流密度提高了22% 左右，能效提高了11%。此外，为了探索流场的设计规则，作者提出了5种几何特性来描述流道的形态特征，分别是匝数（P1）、直通道的标准偏差长度（P2）、方向偏差（P3）、节省的流道长度（P4）和扭矩积分（P5）。

图1. 筛选和发现过程

进一步，作者对8个候选者共有几何特性的识别揭示了流场的定量设计规则：低P1（18±1）、中等P2（2.45±0.16）、低P3（0.23±0.18）、高P4（1490±100）和高 P5（20.1±1.8）。需要强调的是，本研究开发的方法在3个方面具有广泛的普遍性:

1）本研究考虑了具有单个通道的RFB流场，但在修改路径生成算法后很容易扩展到具有两个或多个通道的流场，这将是未来工作的重点；

2）虽然这项研究是用实验室规模的RFB来证明的，但如果在路径生成算法中包含适当的放大方法，该设计方法将很好地转移到放大的系统；

3）该方法不仅可应用于RFBs流场设计，而且只要有可靠的模拟工具、积累的设计直觉和方便的器件制造，也可应用于其他器件流场的研究和优化，如燃料电池和锂离子电池组冷却板的流场等。

图2. 实验验证

Machine learning-assisted design of flow fields for redox flow batteries, Energy & Environmental Science 2022. DOI: 10.1039/D1EE03224K

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/09/d715d4e88e/

赵天寿/邓劲良院士，最新EES: 机器学习+液流电池！

相关推荐

发表回复