中國儲能網(wǎng)訊：
本文亮點：1.本文作者團隊提出將計算機模擬與數(shù)據(jù)驅(qū)動的AI技術(shù)相結(jié)合，建立了具備高度可解釋性的多物理場驅(qū)動模型，并通過機器學習輔助分析與優(yōu)化液流電池設(shè)計。2.本文作者團隊通過SHAP分析識別關(guān)鍵影響因素，并結(jié)合電化學反應機理進行解釋，為液流電池性能優(yōu)化提供了科學依據(jù)。3.本文作者團隊還開發(fā)了一個專門針對液流電池領(lǐng)域的大語言模型，通過精細的提示工程和文本分析流程，有效提升了信息處理效率和準確性。
摘 要 近年來，人工智能(AI)技術(shù)在電池設(shè)計與優(yōu)化領(lǐng)域取得了顯著進展，特別是在液流電池的研究中展現(xiàn)出巨大的應用潛力。液流電池因其低成本、大規(guī)模、長循環(huán)壽命及高安全性，成為新型電力儲能系統(tǒng)的研究重點。然而，傳統(tǒng)的實驗與仿真方法在探索液流電池設(shè)計空間方面效率較低，難以揭示其復雜的物理化學機制。本工作提出將計算機模擬與數(shù)據(jù)驅(qū)動的AI技術(shù)相結(jié)合，建立了具備高度可解釋性的多物理場驅(qū)動模型，并通過機器學習輔助分析與優(yōu)化液流電池設(shè)計。研究表明，機器學習模型在電壓效率、庫侖效率和容量預測方面表現(xiàn)優(yōu)異，特別是梯度提升模型(gradient boosting, GB)在預測準確性上優(yōu)于其他模型。通過SHAP分析識別關(guān)鍵影響因素，并結(jié)合電化學反應機理進行解釋，為液流電池性能優(yōu)化提供了科學依據(jù)。此外，本工作還開發(fā)了一個專門針對液流電池領(lǐng)域的大語言模型，通過精細的提示工程和文本分析流程，盡可能最小化“幻覺”，有效提升了信息處理的準確性。本工作的研究表明，AI驅(qū)動的模擬與優(yōu)化方法為液流電池的設(shè)計與性能提升提供了新途徑，未來隨著計算能力和算法的不斷發(fā)展，AI在液流電池及其他儲能技術(shù)中的應用前景將更加廣闊。
關(guān)鍵詞 人工智能；液流電池；機器學習；大語言模型
當今全球?qū)沙掷m(xù)能源的需求不斷增長，太陽能和風能等可再生資源由于其間歇性和不穩(wěn)定性，需要通過大規(guī)模儲能系統(tǒng)進行有效管理以支撐環(huán)境友好的能源轉(zhuǎn)型。在眾多大規(guī)模儲能技術(shù)中，新型電力儲能系統(tǒng)近年來得到了廣泛的支持和快速發(fā)展。特別是液流電池，由于其低成本、大規(guī)模部署能力、長期循環(huán)穩(wěn)定性以及高安全性等顯著優(yōu)點，已經(jīng)成為電力儲能領(lǐng)域的重點研究對象。如圖1所示，典型的液流電池儲能系統(tǒng)是由電堆單元、電解液存儲單元和循環(huán)系統(tǒng)與控制單元幾個部分組成。
圖1 液流電池示意圖以及設(shè)計和優(yōu)化角度
在實驗室研究轉(zhuǎn)向商業(yè)化的過程中，新材料和結(jié)構(gòu)開發(fā)所依賴的傳統(tǒng)試錯方法因其高成本和低效率面臨挑戰(zhàn)。液流電池的設(shè)計和優(yōu)化過程復雜，涉及電解液配方、電極材料、流道結(jié)構(gòu)與離子交換膜等多個方面。傳統(tǒng)的實驗和仿真方法在時間和資源消耗方面較為繁重，且難以對設(shè)計空間進行全面和深入的探索。人工智能(AI)作為一個廣泛的研究領(lǐng)域，致力于探究如何讓計算機模擬人類智能行為，其技術(shù)的引入為解決這些問題提供了創(chuàng)新的途徑。具體來說，機器學習(ML)作為人工智能的一個重要分支，專注于研究計算機系統(tǒng)如何能夠通過分析數(shù)據(jù)和累積經(jīng)驗來不斷提升其性能，并為研究人員提供了一種新的工具，能夠更高效地進行設(shè)計優(yōu)化和問題解決。在人工智能應用領(lǐng)域，大模型如ChatGPT顯著提升了自然語言處理中的理解與生成能力，被廣泛用于設(shè)計與研發(fā)中的材料篩選和數(shù)據(jù)分析，提升了研發(fā)進程和工作效率。然而，液流電池商業(yè)化的加速導致相關(guān)學術(shù)出版物數(shù)量激增，這些文獻中關(guān)于電池性能提升的方法需要全面總結(jié)和系統(tǒng)化存儲，以推動下一代液流電池性能的提升。在實踐中，雖然ChatGPT在輔助液流電池的研發(fā)和設(shè)計中提升了信息處理和知識傳播的效率，但在回答高度專業(yè)問題時表現(xiàn)不夠精準，揭示了其在面對高度專業(yè)化領(lǐng)域時的局限。
為了解決液流電池設(shè)計與優(yōu)化中的挑戰(zhàn)，本工作采取了一種針對性的方法，即通過廣泛收集和整理液流電池相關(guān)文獻資料，并結(jié)合數(shù)據(jù)驅(qū)動與機理驅(qū)動的方法，構(gòu)建了一個專門針對液流電池領(lǐng)域的大語言模型(圖1)。該模型利用專業(yè)數(shù)據(jù)集進行訓練，旨在生成更精確、更具專業(yè)深度的答案。與通用大型語言模型如ChatGPT不同，本研究開發(fā)的FlowBD(液流電池大語言模型)專門針對液流電池的獨特需求和挑戰(zhàn)進行優(yōu)化，能夠從大量學術(shù)文獻中精確提取關(guān)鍵信息和創(chuàng)新點。通過該模型，作者團隊提取學術(shù)論文中的實驗數(shù)據(jù)、模擬結(jié)果和理論分析，驗證數(shù)據(jù)準確性和來源可靠性，并將其系統(tǒng)化地整合入包含電解液類型、電極材料改性、流動設(shè)計等關(guān)鍵參數(shù)，以及能量密度和功率密度等性能指標的結(jié)構(gòu)化數(shù)據(jù)庫。FlowBD模型的核心優(yōu)勢在于其專注于液流電池儲能這一垂直領(lǐng)域，顯著降低了生成內(nèi)容中的幻覺現(xiàn)象。這得益于其在專業(yè)數(shù)據(jù)集上的深度訓練，使模型能夠更準確地理解和處理液流電池相關(guān)的復雜概念和數(shù)據(jù)。通過精準提取和整合學術(shù)文獻中的關(guān)鍵信息，F(xiàn)lowBD能夠提供高度專業(yè)化的回答，避免了通用大語言模型在面對專業(yè)問題時可能出現(xiàn)的錯誤或幻覺現(xiàn)象。此外，F(xiàn)lowBD專門優(yōu)化了信息處理流程，確保生成的內(nèi)容不僅具備較高的準確性，還能夠有效應對液流電池設(shè)計與優(yōu)化中的實際問題，為研究人員和工程師提供可靠的決策支持。
1 基于數(shù)據(jù)驅(qū)動方法的液流電池設(shè)計
如圖2所示，機器學習通用流程首先是收集數(shù)據(jù)，包括實驗數(shù)據(jù)、文獻數(shù)據(jù)和模擬仿真數(shù)據(jù)，所收集的特征涵蓋流道間距、電極尺寸和電流密度等液流電池的材料信息和工作條件信息，目標預測值則包括電池的性能參數(shù)如電壓效率(VE)、泵基電壓效率(VEpump)和庫侖效率(CE)。接下來，通過選取多個機器學習模型進行訓練，并使用測試集對這些模型進行評估，從中選出預測最準確的模型。然后，利用Shapley Additive Explanations(SHAP)技術(shù)識別出影響電池性能的關(guān)鍵特征，并通過電化學反應機理對這些關(guān)鍵特征的影響進行解釋。例如，電流密度與電壓效率呈負相關(guān)關(guān)系，這是由于電流密度增加會導致電池內(nèi)部阻抗增加，從而降低電壓效率。最后，模型迭代選擇和測試新的數(shù)據(jù)點以進一步優(yōu)化材料信息和操作條件或選取最優(yōu)組合，以提升電池性能。通過這種方法，模型能夠推薦合適的電池材料及尺寸，并確定最佳電流密度等電池運行條件，以達到預期效果。最終，通過實驗和模擬數(shù)據(jù)對優(yōu)化結(jié)果進行驗證，確保模型推薦的設(shè)計在實際應用中具備可行性。
圖2 機器學習通用流程
1.1 機器學習建模、模型評估和解釋
數(shù)據(jù)收集是構(gòu)建機器學習模型的第一步。本工作從現(xiàn)有文獻中提取了303個數(shù)據(jù)點，每個數(shù)據(jù)點包含11個輸入變量和3個輸出變量。如表1所示，輸入變量包括流速、電極類型、電極尺寸、膜類型和電解質(zhì)濃度等，而輸出變量則是庫侖效率、電壓效率和容量。為了確保數(shù)據(jù)的準確性和一致性，本工作采取了多項措施。對于連續(xù)變量，本工作使用了文獻中提到的精確數(shù)值；對于離散變量，采用了編碼器(LabelEncoder)為不同類別分配了特定的編碼，從而確保數(shù)據(jù)的標準化處理。數(shù)據(jù)處理和機器學習模型構(gòu)建是在Python 3.7環(huán)境下進行的，使用了NumPy、pandas和sklearn等廣泛使用的軟件包。數(shù)據(jù)集最初是從現(xiàn)有文獻中系統(tǒng)地收集和整理的。在定義了特征和輸出變量后，進行了數(shù)據(jù)清洗和規(guī)范化處理，包括處理缺失值和異常值，以確保數(shù)據(jù)的完整性。隨后，數(shù)據(jù)集被劃分為訓練集(75%)和測試集(25%)，并對模型的超參數(shù)進行了測試和調(diào)整，以便模型的預測性能達到最佳狀態(tài)。
表1 輸入?yún)?shù)和相對應的范圍或類別
本工作采用了線性回歸(linear regression, LR)、隨機森林(random forest, RF)、極端隨機樹(extra trees regressor, ET)以及梯度提升(gradient boosting, GB)四種機器學習模型來進行建模。如表2所示，通過比較各模型的決定系數(shù)(R2)、平均絕對誤差(MAE)和均方誤差(MSE)，本工作發(fā)現(xiàn)GB模型在預測準確性方面表現(xiàn)最佳。因此，選擇GB模型作為進一步預測和優(yōu)化的首選模型。在模型訓練過程中，本工作通過交叉驗證方法調(diào)整了模型的超參數(shù)，確保其在不同數(shù)據(jù)集上的穩(wěn)定性和泛化能力。本工作采用了10折交叉驗證方法來調(diào)整模型的超參數(shù)。具體而言，通過計算每個模型在不同超參數(shù)設(shè)置下的平均交叉驗證均方根誤差(MCRS)，來評估模型的性能。此外，為了避免過擬合，并合理劃分訓練集和測試集，本工作繪制了學習曲線。學習曲線顯示，當訓練樣本數(shù)達到225時，10折交叉驗證的平均R2得分趨于穩(wěn)定，這表明模型在此時已經(jīng)達到了良好的泛化性能。因此，最終將訓練集的比例設(shè)置為75%，測試集的比例為25%，以確保模型在不同數(shù)據(jù)集上的穩(wěn)定性和泛化能力。
表2 測試子集模型的準確性評估
在模型評估方面，本工作計算了各模型在測試集上的R2、MSE和MAE值(表2)。結(jié)果顯示，GB模型在預測庫侖效率、電壓效率和容量方面具有最高的R2值，分別為0.9212、0.9859和0.9940。這表明GB模型能夠有效捕捉系統(tǒng)特征與性能結(jié)果之間的關(guān)系，因而選擇GB模型作為進一步預測和優(yōu)化的首選。通過多輪迭代，GB模型不斷優(yōu)化其預測能力，最終實現(xiàn)了高精度的性能預測。為了進一步解釋模型的預測結(jié)果，本工作采用了SHAP方法。SHAP分析顯示，操作條件(如電流密度和循環(huán)次數(shù))和電極類型是影響鐵鉻液流電池性能的關(guān)鍵變量，如圖3所示。SHAP值的基本原理是將每個特征的影響視為合作博弈中的“貢獻”，通過計算各特征在不同特征組合中的邊際貢獻，得出每個特征對預測結(jié)果的影響度量。過SHAP分析能夠定量評估每個特征對電池性能的具體影響，幫助優(yōu)化設(shè)計和操作參數(shù)。
圖3 (a) 電壓效率和 (b) 容量的GB模型特征的SHAP分數(shù)；(c) 膜和(d) 電極類型的電壓效率、庫侖效率和容量的特征SHAP值的絕對值。A：電流密度，B：周期數(shù)，C：電極類型，D：催化劑-Bi3+，E：電解液-H+，F(xiàn)：催化劑-In3+，G：膜，H：電解液Cr3+，I：流速，J：電解液Fe2+，K：電極尺寸
1.2 主動學習輔助設(shè)計
在機器學習模型構(gòu)建和評估之后，本工作進一步引入了主動學習技術(shù)，以優(yōu)化鐵鉻液流電池(ICRFBs)的設(shè)計。主動學習是一種機器學習的子領(lǐng)域，通過迭代選擇未觀察到的數(shù)據(jù)點來提高模型的預測能力。
首先，在收集的303個數(shù)據(jù)點基礎(chǔ)上，進行了初步的機器學習模型訓練。接下來，通過主動學習框架，迭代選擇新的實驗數(shù)據(jù)點，并利用這些數(shù)據(jù)點不斷更新和優(yōu)化模型。具體而言，在每輪迭代中，選取30個候選樣本，分別包括電壓效率、庫侖效率、容量及其相關(guān)特征值，進行模型訓練和驗證。每輪迭代的目標是找到性能最高的電池設(shè)計方案，并通過實驗驗證模型預測的準確性。在10輪迭代之后，觀察到電壓效率達到88%左右，庫侖效率達到98%左右，容量達到1.75 Ah左右。這些結(jié)果表明，通過主動學習技術(shù)，模型能夠有效地優(yōu)化電池的設(shè)計和操作參數(shù)。在實驗驗證中，選取了兩種電極(TCC和SCC)進行測試。測試結(jié)果顯示，TCC電極的能量效率為82.73%，容量為1.755 Ah；SCC電極的能量效率為83.15%，容量為1.776 Ah。這些實驗結(jié)果與模型預測值高度一致，進一步驗證了所開發(fā)模型的可靠性和有效性。
通過主動學習技術(shù)的應用，不僅能夠顯著提高鐵鉻液流電池的設(shè)計效率，還能夠深入理解不同操作參數(shù)對電池性能的影響。例如，電流密度和電極類型在電池性能優(yōu)化過程中起到了至關(guān)重要的作用。通過不斷調(diào)整和優(yōu)化這些參數(shù)，可以在實驗室階段實現(xiàn)電池性能的最大化。此外，主動學習技術(shù)還可以幫助我們發(fā)現(xiàn)一些潛在的優(yōu)化路徑，這些路徑可能在傳統(tǒng)的實驗方法中被忽視。這為研究人員在未來的研究中提供了更多的可能性。
2 基于機理驅(qū)動的液流電池設(shè)計
機器學習技術(shù)不僅適用于性能預測與優(yōu)化，亦可廣泛應用于模擬結(jié)果的深入分析。機器學習輔助模擬分析技術(shù)有助于構(gòu)建具備高度可解釋性的多物理場驅(qū)動模型，并通過結(jié)合數(shù)據(jù)驅(qū)動方法，對液流電池系統(tǒng)中電化學性能與流動耦合現(xiàn)象進行系統(tǒng)化分析，從而有效評估系統(tǒng)能量效率。此方法為液流電池系統(tǒng)設(shè)計提供了科學的分析工具，加強了模型的預測與應用實效性。此外，在液流電池的研究和開發(fā)中，準確建立設(shè)計參數(shù)與電池性能之間的聯(lián)系對優(yōu)化設(shè)計和提高電池效率非常重要。機器學習因其出色的數(shù)據(jù)處理和模式識別能力，使研究者能夠通過復雜數(shù)據(jù)集識別和驗證影響電池性能的關(guān)鍵變量，從而為液流電池設(shè)計提供更為科學和精準的決策支持。
在最近的研究中，本工作成功開發(fā)并應用了一個可解釋的三維多物理場鐵鉻液流電池機理驅(qū)動模型，用以分析在不同流道間距、比流量和電流密度條件下鐵鉻液流電池的性能。面對龐大且復雜的數(shù)據(jù)，研究團隊利用機器學習技術(shù)輔助分析模擬仿真過程，有效地探究了流道間距、流速和電流密度這三個關(guān)鍵參數(shù)與電池性能之間的關(guān)系。此外，通過機理分析，本研究為未來開發(fā)更高效的鐵鉻液流電池提供了一種精確的預測模型，為液流電池設(shè)計與優(yōu)化提供了理論依據(jù)和技術(shù)支持。此外，由三維多物理場鐵鉻液流電池機理驅(qū)動模型得出的結(jié)果涵蓋了復雜的流體動力學模擬(如速度場和壓力場)及電化學反應的數(shù)據(jù)，這些數(shù)據(jù)需進行詳細分析和深入挖掘。得益于機器學習技術(shù)在數(shù)據(jù)降維和擬合方面的卓越表現(xiàn)，它已經(jīng)成為分析這類模擬數(shù)據(jù)的重要工具。例如，研究團隊采用多任務機器學習模型處理仿真數(shù)據(jù)，能夠精確預測在不同流道設(shè)計和操作條件下鐵鉻液流電池的電壓效率及泵基電壓效率，進而有效指導流道設(shè)計的優(yōu)化。
本工作采用了四種不同的模型來處理復雜數(shù)據(jù)集(表3)，包括LR、RF、ET和GB模型。通過比較發(fā)現(xiàn)，GB模型在評價電壓效率和泵基電壓效率時表現(xiàn)出最高的R2值、最低的均方誤差MSE和MAE，其準確度顯著優(yōu)于其他模型，顯示了其在捕獲和分析系統(tǒng)特征與性能結(jié)果之間關(guān)系的卓越能力。其他模型相對于GB模型表現(xiàn)較差，這是由于本研究所分析的電池性能數(shù)據(jù)集包含了多個復雜特征，如電流密度、電解液濃度和電極類型等，這些變量間存在明顯的非線性關(guān)系和復雜的交互作用。面對這樣的數(shù)據(jù)結(jié)構(gòu)，傳統(tǒng)的LR模型由于其線性假設(shè)，在處理非線性和特征交互時表現(xiàn)不佳，導致預測準確性低下。雖然RF和ET模型能夠處理一定的非線性關(guān)系，但在高維特征空間中，特別是在數(shù)據(jù)稀疏和復雜的環(huán)境下，這些模型容易發(fā)生過擬合或欠擬合。相比之下GB模型通過迭代方式逐步減少預測誤差，展現(xiàn)出更高的適應性和預測準確性。GB模型有效地處理了數(shù)據(jù)的非線性和特征間的復雜相互作用，從而在電壓效率和泵基電壓效率的預測上獲得了最高的R2和最低的MSE及MAE。因此，考慮到數(shù)據(jù)集的特性和處理需求，GB模型被證明是本研究中處理和預測電池性能的理想選擇，其優(yōu)異的數(shù)據(jù)擬合能力和強大的泛化性確保了預測結(jié)果的高度準確性和可靠性。選擇GB模型作為進一步預測和優(yōu)化的首選模型后，本工作首先利用COMSOL模擬得到的數(shù)據(jù)集對該模型進行了初步訓練。接下來，進行了廣泛的SHAP分析，以評估各個參數(shù)對性能的影響，并針對所有使用的特征繪制了電池性能，以監(jiān)測最佳操作效率狀態(tài)及其相應的特征范圍。此后，構(gòu)建了一個包含所有可能組合的大型數(shù)據(jù)集，并利用機器學習模型對這些數(shù)據(jù)進行了效率分析。
表3 模型精度評價
圖4展示了電壓效率和泵基電壓效率的多維度分析結(jié)果，其中，圖4(a)泵基電壓效率的梯度增壓模型的殘差圖均顯示了實際值與預測值之間的高度一致性，充分展示了所建模型在預測方面的準確性。本工作采用SHAP分析方法[圖4(b)]，對電壓效率和泵基電壓效率進行了詳細探討。分析結(jié)果揭示了各設(shè)計參數(shù)在優(yōu)化泵基電壓效率中的影響程度，其中電流密度、通道間距及比流量的影響順序依次為：電流密度>通道間距>比流量，從而明確了各因素在優(yōu)化電壓效率中的重要性，為進一步的系統(tǒng)優(yōu)化提供了科學依據(jù)。圖4(c)和圖4(d)分別展示了泵基電壓效率與電流密度、電解液比流量及通道間距的二維和三維歸一化值變化(括號內(nèi)為實際值)。這些圖通過顏色條表示泵基電壓效率值，提供了不同操作條件下電壓效率變化的直觀展示。具體而言，電流密度的范圍為1～250 mA/cm2，流速范圍為1～5 mL/(min·cm2)，通道間距則在1～50 mm之間波動。這種多維度分析方法不僅增強了對影響電壓效率因素的理解，也為優(yōu)化鐵鉻液流電池的性能提供了數(shù)據(jù)支持。通過綜合分析不同操作參數(shù)對電壓效率的影響，可以為電池設(shè)計和運行策略的制定提供科學依據(jù)。
圖4 (a) 泵基電壓效率的GB模型殘差圖；(b) 泵基電壓效率的SHAP分析；泵基電壓效率與電流密度(mA/cm2)、特定流速[mL/(min·cm2)]和流道間距(mm)的標準值的變化的 (c) 二維和(d) 三維三角圖
3 液流電池大語言模型
在本研究中，作者團隊開發(fā)并驗證了一種自建的液流電池專用大語言模型，該模型在專業(yè)性和定制化方面表現(xiàn)出顯著的優(yōu)勢。通過精細的提示工程和詳盡的文本分析流程，確保了信息的準確性，極大地降低了錯誤信息的出現(xiàn)率，從而展示了其在液流電池設(shè)計與性能優(yōu)化領(lǐng)域的應用潛力。為提高研究效率和精度，模型模仿人類閱讀策略，分三個主要步驟進行任務(圖5)：首先，通過自然語言處理技術(shù)對學術(shù)文獻進行初步解析，識別關(guān)鍵內(nèi)容；其次，利用高級文本分析技術(shù)精確解析這些內(nèi)容中的設(shè)計和性能優(yōu)化策略；最后，通過數(shù)據(jù)提取算法準確提取關(guān)鍵參數(shù)，如設(shè)計優(yōu)化結(jié)構(gòu)、物質(zhì)濃度和電極改性方法。此策略使FlowBD能夠系統(tǒng)地從大量學術(shù)文獻中提取和匯總有價值的數(shù)據(jù)，形成結(jié)構(gòu)化的數(shù)據(jù)集，供進一步分析或報告使用，推動液流電池技術(shù)的進一步發(fā)展和性能優(yōu)化。
圖5 FlowBD工作流程示意圖該流程（FlowBD簡化測試版已經(jīng)上傳至網(wǎng)址
https://github.com/Liuziyu0329/FLowBD-/tree/master）
3.1 提示工程構(gòu)建
本研究通過精心設(shè)計的指令來提高FlowBD的輸出準確性和相關(guān)性，稱之為提示工程。為了優(yōu)化這一模型的效率和效果，制定了三個核心原則與四個關(guān)鍵要素(圖6)，以指導準確的提示指令設(shè)計。這種方法不僅顯著提高了信息處理的效率，還確保了輸出的高度相關(guān)性和準確性，使得該模型成為研究與實踐中的一個重要工具。提示詞的設(shè)計必須具體明確，以避免產(chǎn)生不精確的輸出，確保語言模型能準確執(zhí)行任務。因而提示詞應包括以下四個要素：
圖6 提示工程設(shè)計要素與原則
（1）指令部分需要明確模型需要執(zhí)行的具體特定任務或指令。這要求在設(shè)計提示時就清晰地表達期望模型完成的具體操作，確保指令的直接性和操作性。
（2）上下文是提示詞的重要組成部分。合適的上下文信息可以提供必要的背景，幫助模型更好地理解任務的全局意圖和具體需求。這包括相關(guān)的外部信息、歷史數(shù)據(jù)或任何能夠增強模型響應質(zhì)量的補充內(nèi)容。
（3）輸入數(shù)據(jù)指用戶提供給模型的具體內(nèi)容或問題。這部分內(nèi)容直接影響模型的處理和輸出，因此需要確保輸入數(shù)據(jù)的準確性和相關(guān)性，以便模型能夠基于這些數(shù)據(jù)生成恰當?shù)姆答仭?
（4）輸出指示應明確指定輸出的類型或格式。這一要求確保模型的輸出結(jié)果符合用戶的具體需求，無論是文本形式的回答、數(shù)據(jù)報告還是其他形式的信息。
在構(gòu)建液流電池大預言模型的過程中，本研究堅持遵循三個關(guān)鍵的設(shè)計原則以確保模型的準確性和效率。
（1）避免歧義并盡量避免錯誤信息。在指導液流電池儲能系統(tǒng)設(shè)計時，需要提供準確無誤的信息來保證設(shè)計的有效性，避免誤導使用者給出錯誤的設(shè)計思路。
（2）實施詳細指示并逐步細化問題提高輸出質(zhì)量。本研究構(gòu)建的大模型通過提供明確而具體的指示，幫助模型準確理解需求的上下文和回答格式。
（3）本研究強調(diào)請求結(jié)構(gòu)化輸出的重要性。通過規(guī)定特定的輸出格式(如表格)并提供清晰的列標題，F(xiàn)lowBD的使用用戶能夠有效地整理和優(yōu)化輸出內(nèi)容，從而加速液流電池研究的進展并積累精確的知識。
3.2 液流電池大語言模型與ChatGPT回答對比
與依賴通用大型語言模型如ChatGPT不同，本研究專門開發(fā)的FlowBD是針對液流電池技術(shù)領(lǐng)域的獨特需求和挑戰(zhàn)進行定制的。這種模型在設(shè)計之初就考慮到了液流電池技術(shù)的特性和復雜性，能夠更有效地從眾多學術(shù)文獻中提取出關(guān)鍵信息和創(chuàng)新點。這樣的優(yōu)化使得模型在專業(yè)性和準確性上都有顯著提升，減少了生成不專業(yè)或錯誤信息的風險。
本工作設(shè)計FlowBD模型的初衷，正是為了應對大語言模型在專業(yè)領(lǐng)域中常見的“幻覺”問題，即生成錯誤或虛構(gòu)信息的現(xiàn)象。液流電池技術(shù)作為一個高度專業(yè)化的領(lǐng)域，對信息的準確性和專業(yè)性有著嚴格的要求。因此，在FlowBD的開發(fā)過程中，特別關(guān)注了減少幻覺這一關(guān)鍵問題，并通過對模型架構(gòu)的優(yōu)化和特定訓練方法的應用，提升了模型在這一方面的性能。通過多次對比發(fā)現(xiàn)FlowBD在減少幻覺現(xiàn)象方面明顯優(yōu)于現(xiàn)有的通用大語言模型(ChatGPT)。專注于最小化幻覺，使得FlowBD能夠更可靠地提供準確的信息，確保研究人員在液流電池領(lǐng)域的工作中得到更加可信的支持。本工作相信將研究重點放在減少幻覺這一關(guān)鍵指標上，能夠充分展示FlowBD在液流電池技術(shù)領(lǐng)域中的獨特優(yōu)勢，并為相關(guān)研究和應用提供更為堅實的保障。
為了更全面地評估FlowBD的性能，本研究將任務分為三種類型：搜索任務、預測任務和設(shè)計任務(圖7)。在搜索任務中，F(xiàn)lowBD展示了強大的文獻信息提取能力。例如，當從大量學術(shù)文獻中提取關(guān)于電解液配方的關(guān)鍵信息時，F(xiàn)lowBD能夠快速準確地找到所需數(shù)據(jù)。在預測任務中，F(xiàn)lowBD展現(xiàn)了卓越的精確性，最后，在設(shè)計任務中，F(xiàn)lowBD能夠根據(jù)具體的操作條件和材料特性，生成優(yōu)化的設(shè)計方案，例如為液流電池提出最優(yōu)的流道設(shè)計，以提高整體性能。
圖片
圖7 FlowBD模型在搜索、預測和設(shè)計任務中的表現(xiàn)
在對比分析中，F(xiàn)lowBD在這些任務中均表現(xiàn)出比ChatGPT4.0更高的準確率。在搜索任務中，F(xiàn)lowBD的文獻信息提取準確率達到了93%，相比之下，ChatGPT4.0的準確率為88.2%。在預測任務中，F(xiàn)lowBD的預測準確率為90%，而ChatGPT4.0為87.5%。在設(shè)計任務中，F(xiàn)lowBD生成的設(shè)計方案在實際應用中的目標性能實現(xiàn)率為70%，顯著高于ChatGPT4.0的45.3%。這些結(jié)果顯示出FlowBD在處理復雜任務時的專業(yè)性和高效性，為液流電池領(lǐng)域的研究者和工程師提供了一個強有力的工具。
為了進一步驗證開發(fā)的FlowBD的實用性和效果，本工作將其與本工作開發(fā)的液流電池大型語言模型(圖8)與通用大語言模型ChatGPT(圖9)進行了對比分析。在這一對比中，本工作針對FlowBD給出的回答對比ChatGPT 4.0的回答，通過人為對比分析發(fā)現(xiàn)，F(xiàn)lowBD在理解液流電池的專業(yè)術(shù)語、技術(shù)細節(jié)以及創(chuàng)新發(fā)展方面展現(xiàn)出更高的精確度和適應性。此外，該模型在處理液流電池特有問題時，展示了更強的問題解析能力和信息整合能力。
圖8 FlowBD回答鐵鉻液流電池優(yōu)化方式
圖9 ChatGPT回答鐵鉻液流電池優(yōu)化方式
3.3 液流電池大語言模型輔助性能優(yōu)化
在液流電池性能影響因素分析中，電化學極化、歐姆極化和濃差極化是影響電池性能的三個主要因素。這些極化現(xiàn)象是造成電池在充放電過程中電壓損失的關(guān)鍵原因(圖10)。本研究將通過構(gòu)建的FlowBD來輔助解決這些極化問題，從而提高液流電池的整體效率。
圖10 影響液流電池電壓的主要因素
極化現(xiàn)象對液流電池的性能產(chǎn)生了顯著影響，特別是在高負荷操作或大電流密度的條件下這一影響更為突出。本研究利用專為液流電池開發(fā)的大語言模型來深入分析和預測這些極化現(xiàn)象的具體影響，特別關(guān)注了活化極化、歐姆極化以及濃差極化三種主要的極化類型。通過模型的分析，可以詳細了解這些極化現(xiàn)象的成因和影響，進而制定出相應的優(yōu)化策略。
（1）活化極化主要是由電極反應的動力學控制導致的，涉及到電極材料的表面特性和反應動力學特性。模型通過模擬不同條件下的電極反應過程，幫助識別影響活化極化的關(guān)鍵因素，如電極材料的選擇和表面處理技術(shù)。
（2）歐姆極化涉及到電池內(nèi)部的電阻問題，包括電極材料、電解液及其界面的接觸電阻。該模型能夠評估不同材料和設(shè)計對電阻的具體影響，提供降低內(nèi)阻、優(yōu)化電流分布的有效途徑。
（3）濃差極化發(fā)生在電解液中，由反應物和產(chǎn)物濃度的梯度變化引起。模型可以模擬電解液流動和物質(zhì)傳輸過程，分析不同操作條件下的濃差極化效應，指導優(yōu)化流體動力學設(shè)計和操作參數(shù)。
圖11展示了本研究如何利用FlowBD模型對鐵鉻液流電池的關(guān)鍵參數(shù)進行優(yōu)化，如流速、膜類型、電極類型和尺寸。通過FlowBD輔助設(shè)計，顯著提升了能量效率和容量，并通過實驗驗證得到了確認。這些實例凸顯了FlowBD在改進鐵鉻液流電池設(shè)計和性能中的實際應用效果和優(yōu)勢。
圖11 FlowBD輔助鐵鉻液流電池優(yōu)化和設(shè)計具體應用實例
本工作選擇了在實驗室中易于獲取的熱處理碳布(TCC)和硅氧碳布(SCC)作為電極材料，用于實驗驗證，實驗使用的液流電池系統(tǒng)中，鐵離子和鉻離子的濃度分別為1.2 mol/L和1.4 mol/L，酸的濃度為2.5 mol/L，并且額外加入了0.001 mol/L的鉍離子作為催化劑，使用尺寸為5 cm長、2 cm寬的碳布電極作為正負極，并采用N 212膜作為電解質(zhì)隔膜，電解液流速設(shè)置為20 mL/min，電池的充放電測試在恒定電流模式下進行，電流密度為140 mA/cm2，電壓限制在1.2 V(上限)和0.7 V(下限)，總共進行了50次充放電循環(huán)。TCC電極的實驗結(jié)果顯示，能量效率為82.73%(模型預測為82.69%)，容量為1.755 Ah(模型預測為1.769 Ah)。SCC電極的實驗結(jié)果顯示，能量效率為83.15%(模型預測為83.31%)，容量為1.776 Ah(模型預測為1.785 Ah)。實驗結(jié)果與模型預測的誤差非常小，能量效率誤差為±0.15%，容量誤差為±0.8%，驗證了模型的準確性和可靠性。
4 結(jié)論和展望
AI與各個學科的融合發(fā)展已成為當今科研領(lǐng)域的熱點話題。本工作通過引入AI技術(shù)，特別是機器學習，探索和優(yōu)化液流電池的設(shè)計與性能，驗證了AI在液流電池研究中的應用價值和潛力。研究表明，AI技術(shù)在提升設(shè)計效率和優(yōu)化性能預測方面具有顯著優(yōu)勢。然而，在實際應用中，AI模型的適用性和完善性仍面臨挑戰(zhàn)。未來，隨著計算技術(shù)的進步和數(shù)據(jù)分析方法的革新，AI將在液流電池的研究與開發(fā)中扮演更加重要的角色。特別是在高度專業(yè)化的應用場景中，AI有望實現(xiàn)更高效的設(shè)計和優(yōu)化，推動液流電池技術(shù)的進一步發(fā)展。本文作者研究團隊繼續(xù)深化AI的應用研究，探索和開發(fā)FlowBD，用以輔助指導液流電池系統(tǒng)的設(shè)計和優(yōu)化。
綜上所述，AI驅(qū)動的液流電池領(lǐng)域應用不僅是技術(shù)的應用，更是科學研究和技術(shù)創(chuàng)新的深度融合。隨著AI技術(shù)的不斷發(fā)展，預計其在液流電池及其他能源技術(shù)中的應用將更加廣泛和深入，為能源科技帶來革命性的改變。
