×
维沙尔·斯利瓦斯塔瓦;瓦伦丁·苏尔寿;佩曼·莫塔;杰森·西格尔（Jason B.Siegel）。;卡提克省杜莱萨米

一种物理约束学习的非侵入式方法，应用于燃料电池建模。 （英语） 兹伯利07719579

计算。机械。 72，编号2，411-430（2023）.
摘要：为了提高物理模型的预测精度，提出了一种数据驱动的模型增强框架，称为弱耦合集成推理和机器学习（IIML）。与…对比参数校准，这项工作寻求对结构通过（a）推断与基础模型一致的增强字段，以及（b）将这些字段转换为校正模型形式。该方法通过交替优化方法将推理和学习步骤耦合在弱意义上。这种耦合确保增强字段保持可学习性，并在整个训练数据集中与本地建模数量保持一致的功能关系。本文提出了一种迭代求解过程，消除了在推理过程中嵌入增强函数的需要。该框架用于使用少量训练数据（仅来自14个训练案例）推断聚合物电解质膜燃料电池（PEMFC）模型中引入的增强。这些训练案例属于由第一代丰田Mirai高保真模型获得的高保真仿真数据组成的数据集。该数据集中的所有情况都具有相同几何形状上不同的流入和流出条件。当在1224种不同配置上进行测试时，推断的增强显著提高了对各种物理条件的预测准确性。还比较了电流密度分布的预测和可用数据，以证明该模型对推理过程中未涉及的相关量的预测能力。结果表明，弱耦合IIML框架提供了复杂而稳健的模型增强功能，而无需对数值求解器进行大量更改。

理学硕士：

76M99型 流体力学基本方法
76伏05 流动中的反应效应
68T05型 人工智能中的学习和自适应系统
78A57型 电化学

关键词：

数据驱动模型;机器学习;模型增强;统计推断;电化学能量转换

软件：

PyBaMM公司;亚当;日晷;凯拉斯;卡萨迪
PDF格式BibTeX公司 XML格式引用
\textit{V.Srivastava}等人，计算。机械。72，编号2411-430（2023；Zbl 07719579）
全文： 内政部 arXiv公司

参考文献：

[1] Weatheritt，J。；Sandberg，R.，应用于RANS应力应变关系代数修改的新型进化算法，《计算物理杂志》，325，22-37（2016）·Zbl 1375.76141号 ·doi:10.1016/j.jcp.2016.08.015
[2] Schmelzer，M。；德怀特，RP；Cinnella，P.，使用稀疏符号回归发现代数雷诺应力模型，Flow Turbul Combust，104，2，579-603（2020）·doi:10.1007/s10494-019-00089-x
[3] Ling，J。；Kurzawski，A。；Templeton，J.，使用嵌入不变性的深度神经网络进行雷诺平均湍流建模，《流体力学杂志》，807155-166（2016）·Zbl 1383.76175号 ·doi:10.1017/jfm.2016.615
[4] 教区，EJ；Duraisamy，K.，《使用场反演和机器学习的数据驱动预测建模范式》，《计算物理杂志》，305758-774（2016）·Zbl 1349.76006号 ·doi:10.1016/j.jcp.2015.11.012
[5] 美联社辛格；Medida，S。；Duraisamy，K.，《翼型湍流分离流动的机器学习增强预测模型》，AIAA J，55，7，2215-2227（2017）·doi:10.2514/1.J055595
[6] Holland JR、Baeder JD、Duraisamy K（2019）《嵌入神经网络的场反演和机器学习：物理一致性神经网络训练》。AIAA航空2019论坛（2019）doi:10.2514/6.2019-3200。doi:10.2514/6.2019-3200
[7] Holland JR、Baeder JD、Duraisamy K（2019），《利用嵌入式神经网络实现场内反演和机器学习的一体化，以进行RAS建模》。AIAA 2019年科学技术论坛doi:10.2514/6.2019-1884。doi:10.2514/6.2019-1884
[8] 伊迪，IBH；Schmelzer，M。；Cinnella，P。；Grasso，F.，代数雷诺应力模型的CFD驱动符号识别，计算物理杂志，457（2022）·Zbl 1515.76105号 ·doi:10.1016/j.jcp.2022.111037
[9] Waschkowski，F。；赵，Y。；桑德伯格，R。；Klewicki，J.，耦合湍流闭合模型的多目标CFD驱动开发，计算物理杂志，452（2022）·Zbl 07517748号 ·doi:10.1016/j.jcp.2021.110922
[10] 奥拉比股份有限公司；威尔伯福斯，T。；Abdelkareem，MA，《燃料电池在汽车行业的应用和未来展望》，能源，214（2021）·doi:10.1016/j.energy.2020.118955
[11] 道德，WRW；罗斯利，RE；爱荷华州马伊兰；哈米德，SAA；穆罕默德，R。；Husaini，T.，《PEM燃料电池系统控制：综述》，《可再生能源》（2017年）·doi:10.1016/j.renene.2017.06.027
[12] 袁，H。；戴，H。；魏，X。；Ming，P.，质子交换膜燃料电池系统内部状态估计和控制的基于模型的观测器：综述，J Power Sources（2020）·doi:10.1016/j.jpowsour.2020.228376
[13] Priya，K。；Sathishkumar，K。；Rajasekar，N.，《质子交换膜燃料电池建模参数估计技术综合评述》，《可再生能源评论》（2018年）·doi:10.1016/j.rser.2018.05.017
[14] Arif，M。；SCP Cheung；Andrews，J.，《用于聚合物电解质膜燃料电池建模和模拟的不同方法：综述》，《能源燃料》，34，10，11897-11915（2020）·doi:10.1021/acs.energyfuels.0c02414
[15] Goshtasbi，A。；彭斯，BL；陈，J。；马萨诸塞州德博尔特；王，C。；Waldecker，JR；平野，S。；Ersal，T.，汽车PEM燃料电池实时监测的数学模型，《电化学社会杂志》，167，2（2020）·doi:10.1149/1945-7111/ab6dd1
[16] 维特，R。；舒马赫，JO，两相PEM燃料电池模型的自由开放参考实现，计算物理通讯，234223-234（2019）·doi:10.1016/j.cpc.2018.07.023
[17] 那不勒斯，G。；费拉罗，M。；Sergi，F。；Brunacini，G。；Antonucci，V.，PEM燃料电池堆性能预测的数据驱动模型，国际氢能杂志，38，26，11628-11638（2013）·doi:10.1016/j.ijhydene.2013.04.135
[18] 李，Z。；Outbib，R。；希塞尔，D。；Giurgea，S.，《PEM燃料电池的数据驱动诊断：比较研究》，《控制工程实践》，28，1-12（2014）·doi:10.1016/j.engprac.2014.02.019文件
[19] 韩，I-S；Chung，C-B，使用数据驱动模型对纯氧运行的PEM燃料电池的性能预测和分析：人工神经网络和支持向量机的比较，国际氢能杂志，41，24，10202-10211（2016）·doi:10.1016/j.ijhydene.2016.04.247
[20] 马·R。；Yang，T。；Breaz，E。；李，Z。；Briois，P。；Gao，F.，通过深度学习方法预测数据驱动的质子交换膜燃料电池降解，Appl Energy，231102-115（2018）·doi:10.1016/j.可行性.2018.09.111
[21] 朱，G。；Chen，W。；卢，S。；Chen，X.，使用数据驱动模型进行高温质子交换膜燃料电池参数研究，国际氢能杂志，44，54，28958-28967（2019）·doi:10.1016/j.ijhydene.2019.09.115
[22] Sun，L。；李·G。；华强。；Jin，Y.，燃料电池堆冷却控制基于模型和数据驱动方法的混合范式，可再生能源，1471642-1652（2020）·doi:10.1016/j.renene.2019.09.048
[23] 王，B。；谢，B。；Xuan，J。；Jiao，K.，基于AI的PEM燃料电池催化剂层优化，通过数据驱动替代建模实现最大功率密度，《能源转化管理》，205（2020）·doi:10.1016/j.enconman.2019.112460
[24] 西格尔，JB；波哈克，SV；Stefanopoulou，AG公司；Yesilyurt，S.，带封闭阳极的净化聚合物电解质膜燃料电池中的氮锋演变，《电化学学会杂志》，157，7，1081-1093（2010）·数字对象标识代码：10.1149/1.3425743
[25] Duraisamy，K.，《机器学习视角——增强的雷诺平均湍流和大涡模拟模型》，Phys Rev Fluids（2021）·doi:10.1103/PhysRevFluids.6.050504
[26] 施普林格，TE；扎沃津斯基，TA；Gottesfeld，S.，《聚合物电解质燃料电池模型》，《电化学社会杂志》，138,82334-2341（1991）·doi:10.1149/1.2085971
[27] Sulzer V，Mohtat P，Siegel JB（2022）使用渐近分析对PEM燃料电池进行降阶建模。ECS arXiv.服务器。doi:10.1149/osf.io/yntze
[28] 苏尔寿，V。；马奎斯，SG；蒂姆斯，R。；罗宾逊，M。；查普曼，SJ，Python电池数学建模（PyBaMM），J Open Res Softw（2021）·doi:10.5334/jors.309
[29] 安德森，JA；Gillis，J。；霍恩，G。；罗林斯，JB；Diehl，M.，CasADI:非线性优化和最优控制的软件框架，数学程序计算，11，1，1-36（2019）·Zbl 1411.90004号 ·数字对象标识代码：10.1007/s12532-018-0139-4
[30] Hindmarsh AC、Brown PN、Grant KE、Lee SL、Serban R、Shumaker DE、Woodward CS（2005）SUNDIALS：非线性和微分/代数方程求解器套件。ACM Trans数学软件（TOMS）31（3）：363-396·Zbl 1136.65329号
[31] Chollet F等人（2015）Keras。https://keras.io网址
[32] Kingma DP，Ba J（2014）Adam:一种随机优化方法。arXiv预打印arXiv:1412.6980
[33] Ho J，Pepper N，Dodwell T（2023）改进数据驱动湍流模型推广的概率机器学习
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。