中国储能网讯：
本文亮点：1.本文作者团队提出将计算机模拟与数据驱动的AI技术相结合，建立了具备高度可解释性的多物理场驱动模型，并通过机器学习辅助分析与优化液流电池设计。2.本文作者团队通过SHAP分析识别关键影响因素，并结合电化学反应机理进行解释，为液流电池性能优化提供了科学依据。3.本文作者团队还开发了一个专门针对液流电池领域的大语言模型，通过精细的提示工程和文本分析流程，有效提升了信息处理效率和准确性。
摘 要 近年来，人工智能(AI)技术在电池设计与优化领域取得了显著进展，特别是在液流电池的研究中展现出巨大的应用潜力。液流电池因其低成本、大规模、长循环寿命及高安全性，成为新型电力储能系统的研究重点。然而，传统的实验与仿真方法在探索液流电池设计空间方面效率较低，难以揭示其复杂的物理化学机制。本工作提出将计算机模拟与数据驱动的AI技术相结合，建立了具备高度可解释性的多物理场驱动模型，并通过机器学习辅助分析与优化液流电池设计。研究表明，机器学习模型在电压效率、库仑效率和容量预测方面表现优异，特别是梯度提升模型(gradient boosting, GB)在预测准确性上优于其他模型。通过SHAP分析识别关键影响因素，并结合电化学反应机理进行解释，为液流电池性能优化提供了科学依据。此外，本工作还开发了一个专门针对液流电池领域的大语言模型，通过精细的提示工程和文本分析流程，尽可能最小化“幻觉”，有效提升了信息处理的准确性。本工作的研究表明，AI驱动的模拟与优化方法为液流电池的设计与性能提升提供了新途径，未来随着计算能力和算法的不断发展，AI在液流电池及其他储能技术中的应用前景将更加广阔。
关键词 人工智能；液流电池；机器学习；大语言模型
当今全球对可持续能源的需求不断增长，太阳能和风能等可再生资源由于其间歇性和不稳定性，需要通过大规模储能系统进行有效管理以支撑环境友好的能源转型。在众多大规模储能技术中，新型电力储能系统近年来得到了广泛的支持和快速发展。特别是液流电池，由于其低成本、大规模部署能力、长期循环稳定性以及高安全性等显著优点，已经成为电力储能领域的重点研究对象。如图1所示，典型的液流电池储能系统是由电堆单元、电解液存储单元和循环系统与控制单元几个部分组成。
图1 液流电池示意图以及设计和优化角度
在实验室研究转向商业化的过程中，新材料和结构开发所依赖的传统试错方法因其高成本和低效率面临挑战。液流电池的设计和优化过程复杂，涉及电解液配方、电极材料、流道结构与离子交换膜等多个方面。传统的实验和仿真方法在时间和资源消耗方面较为繁重，且难以对设计空间进行全面和深入的探索。人工智能(AI)作为一个广泛的研究领域，致力于探究如何让计算机模拟人类智能行为，其技术的引入为解决这些问题提供了创新的途径。具体来说，机器学习(ML)作为人工智能的一个重要分支，专注于研究计算机系统如何能够通过分析数据和累积经验来不断提升其性能，并为研究人员提供了一种新的工具，能够更高效地进行设计优化和问题解决。在人工智能应用领域，大模型如ChatGPT显著提升了自然语言处理中的理解与生成能力，被广泛用于设计与研发中的材料筛选和数据分析，提升了研发进程和工作效率。然而，液流电池商业化的加速导致相关学术出版物数量激增，这些文献中关于电池性能提升的方法需要全面总结和系统化存储，以推动下一代液流电池性能的提升。在实践中，虽然ChatGPT在辅助液流电池的研发和设计中提升了信息处理和知识传播的效率，但在回答高度专业问题时表现不够精准，揭示了其在面对高度专业化领域时的局限。
为了解决液流电池设计与优化中的挑战，本工作采取了一种针对性的方法，即通过广泛收集和整理液流电池相关文献资料，并结合数据驱动与机理驱动的方法，构建了一个专门针对液流电池领域的大语言模型(图1)。该模型利用专业数据集进行训练，旨在生成更精确、更具专业深度的答案。与通用大型语言模型如ChatGPT不同，本研究开发的FlowBD(液流电池大语言模型)专门针对液流电池的独特需求和挑战进行优化，能够从大量学术文献中精确提取关键信息和创新点。通过该模型，作者团队提取学术论文中的实验数据、模拟结果和理论分析，验证数据准确性和来源可靠性，并将其系统化地整合入包含电解液类型、电极材料改性、流动设计等关键参数，以及能量密度和功率密度等性能指标的结构化数据库。FlowBD模型的核心优势在于其专注于液流电池储能这一垂直领域，显著降低了生成内容中的幻觉现象。这得益于其在专业数据集上的深度训练，使模型能够更准确地理解和处理液流电池相关的复杂概念和数据。通过精准提取和整合学术文献中的关键信息，FlowBD能够提供高度专业化的回答，避免了通用大语言模型在面对专业问题时可能出现的错误或幻觉现象。此外，FlowBD专门优化了信息处理流程，确保生成的内容不仅具备较高的准确性，还能够有效应对液流电池设计与优化中的实际问题，为研究人员和工程师提供可靠的决策支持。
1 基于数据驱动方法的液流电池设计
如图2所示，机器学习通用流程首先是收集数据，包括实验数据、文献数据和模拟仿真数据，所收集的特征涵盖流道间距、电极尺寸和电流密度等液流电池的材料信息和工作条件信息，目标预测值则包括电池的性能参数如电压效率(VE)、泵基电压效率(VEpump)和库仑效率(CE)。接下来，通过选取多个机器学习模型进行训练，并使用测试集对这些模型进行评估，从中选出预测最准确的模型。然后，利用Shapley Additive Explanations(SHAP)技术识别出影响电池性能的关键特征，并通过电化学反应机理对这些关键特征的影响进行解释。例如，电流密度与电压效率呈负相关关系，这是由于电流密度增加会导致电池内部阻抗增加，从而降低电压效率。最后，模型迭代选择和测试新的数据点以进一步优化材料信息和操作条件或选取最优组合，以提升电池性能。通过这种方法，模型能够推荐合适的电池材料及尺寸，并确定最佳电流密度等电池运行条件，以达到预期效果。最终，通过实验和模拟数据对优化结果进行验证，确保模型推荐的设计在实际应用中具备可行性。
图2 机器学习通用流程
1.1 机器学习建模、模型评估和解释
数据收集是构建机器学习模型的第一步。本工作从现有文献中提取了303个数据点，每个数据点包含11个输入变量和3个输出变量。如表1所示，输入变量包括流速、电极类型、电极尺寸、膜类型和电解质浓度等，而输出变量则是库仑效率、电压效率和容量。为了确保数据的准确性和一致性，本工作采取了多项措施。对于连续变量，本工作使用了文献中提到的精确数值；对于离散变量，采用了编码器(LabelEncoder)为不同类别分配了特定的编码，从而确保数据的标准化处理。数据处理和机器学习模型构建是在Python 3.7环境下进行的，使用了NumPy、pandas和sklearn等广泛使用的软件包。数据集最初是从现有文献中系统地收集和整理的。在定义了特征和输出变量后，进行了数据清洗和规范化处理，包括处理缺失值和异常值，以确保数据的完整性。随后，数据集被划分为训练集(75%)和测试集(25%)，并对模型的超参数进行了测试和调整，以便模型的预测性能达到最佳状态。
表1 输入参数和相对应的范围或类别
本工作采用了线性回归(linear regression, LR)、随机森林(random forest, RF)、极端随机树(extra trees regressor, ET)以及梯度提升(gradient boosting, GB)四种机器学习模型来进行建模。如表2所示，通过比较各模型的决定系数(R²)、平均绝对误差(MAE)和均方误差(MSE)，本工作发现GB模型在预测准确性方面表现最佳。因此，选择GB模型作为进一步预测和优化的首选模型。在模型训练过程中，本工作通过交叉验证方法调整了模型的超参数，确保其在不同数据集上的稳定性和泛化能力。本工作采用了10折交叉验证方法来调整模型的超参数。具体而言，通过计算每个模型在不同超参数设置下的平均交叉验证均方根误差(MCRS)，来评估模型的性能。此外，为了避免过拟合，并合理划分训练集和测试集，本工作绘制了学习曲线。学习曲线显示，当训练样本数达到225时，10折交叉验证的平均R2得分趋于稳定，这表明模型在此时已经达到了良好的泛化性能。因此，最终将训练集的比例设置为75%，测试集的比例为25%，以确保模型在不同数据集上的稳定性和泛化能力。
表2 测试子集模型的准确性评估
在模型评估方面，本工作计算了各模型在测试集上的R²、MSE和MAE值(表2)。结果显示，GB模型在预测库仑效率、电压效率和容量方面具有最高的R²值，分别为0.9212、0.9859和0.9940。这表明GB模型能够有效捕捉系统特征与性能结果之间的关系，因而选择GB模型作为进一步预测和优化的首选。通过多轮迭代，GB模型不断优化其预测能力，最终实现了高精度的性能预测。为了进一步解释模型的预测结果，本工作采用了SHAP方法。SHAP分析显示，操作条件(如电流密度和循环次数)和电极类型是影响铁铬液流电池性能的关键变量，如图3所示。SHAP值的基本原理是将每个特征的影响视为合作博弈中的“贡献”，通过计算各特征在不同特征组合中的边际贡献，得出每个特征对预测结果的影响度量。过SHAP分析能够定量评估每个特征对电池性能的具体影响，帮助优化设计和操作参数。
图3 (a) 电压效率和 (b) 容量的GB模型特征的SHAP分数；(c) 膜和(d) 电极类型的电压效率、库仑效率和容量的特征SHAP值的绝对值。A：电流密度，B：周期数，C：电极类型，D：催化剂-Bi3+，E：电解液-H+，F：催化剂-In3+，G：膜，H：电解液Cr3+，I：流速，J：电解液Fe2+，K：电极尺寸
1.2 主动学习辅助设计
在机器学习模型构建和评估之后，本工作进一步引入了主动学习技术，以优化铁铬液流电池(ICRFBs)的设计。主动学习是一种机器学习的子领域，通过迭代选择未观察到的数据点来提高模型的预测能力。
首先，在收集的303个数据点基础上，进行了初步的机器学习模型训练。接下来，通过主动学习框架，迭代选择新的实验数据点，并利用这些数据点不断更新和优化模型。具体而言，在每轮迭代中，选取30个候选样本，分别包括电压效率、库仑效率、容量及其相关特征值，进行模型训练和验证。每轮迭代的目标是找到性能最高的电池设计方案，并通过实验验证模型预测的准确性。在10轮迭代之后，观察到电压效率达到88%左右，库仑效率达到98%左右，容量达到1.75 Ah左右。这些结果表明，通过主动学习技术，模型能够有效地优化电池的设计和操作参数。在实验验证中，选取了两种电极(TCC和SCC)进行测试。测试结果显示，TCC电极的能量效率为82.73%，容量为1.755 Ah；SCC电极的能量效率为83.15%，容量为1.776 Ah。这些实验结果与模型预测值高度一致，进一步验证了所开发模型的可靠性和有效性。
通过主动学习技术的应用，不仅能够显著提高铁铬液流电池的设计效率，还能够深入理解不同操作参数对电池性能的影响。例如，电流密度和电极类型在电池性能优化过程中起到了至关重要的作用。通过不断调整和优化这些参数，可以在实验室阶段实现电池性能的最大化。此外，主动学习技术还可以帮助我们发现一些潜在的优化路径，这些路径可能在传统的实验方法中被忽视。这为研究人员在未来的研究中提供了更多的可能性。
2 基于机理驱动的液流电池设计
机器学习技术不仅适用于性能预测与优化，亦可广泛应用于模拟结果的深入分析。机器学习辅助模拟分析技术有助于构建具备高度可解释性的多物理场驱动模型，并通过结合数据驱动方法，对液流电池系统中电化学性能与流动耦合现象进行系统化分析，从而有效评估系统能量效率。此方法为液流电池系统设计提供了科学的分析工具，加强了模型的预测与应用实效性。此外，在液流电池的研究和开发中，准确建立设计参数与电池性能之间的联系对优化设计和提高电池效率非常重要。机器学习因其出色的数据处理和模式识别能力，使研究者能够通过复杂数据集识别和验证影响电池性能的关键变量，从而为液流电池设计提供更为科学和精准的决策支持。
在最近的研究中，本工作成功开发并应用了一个可解释的三维多物理场铁铬液流电池机理驱动模型，用以分析在不同流道间距、比流量和电流密度条件下铁铬液流电池的性能。面对庞大且复杂的数据，研究团队利用机器学习技术辅助分析模拟仿真过程，有效地探究了流道间距、流速和电流密度这三个关键参数与电池性能之间的关系。此外，通过机理分析，本研究为未来开发更高效的铁铬液流电池提供了一种精确的预测模型，为液流电池设计与优化提供了理论依据和技术支持。此外，由三维多物理场铁铬液流电池机理驱动模型得出的结果涵盖了复杂的流体动力学模拟(如速度场和压力场)及电化学反应的数据，这些数据需进行详细分析和深入挖掘。得益于机器学习技术在数据降维和拟合方面的卓越表现，它已经成为分析这类模拟数据的重要工具。例如，研究团队采用多任务机器学习模型处理仿真数据，能够精确预测在不同流道设计和操作条件下铁铬液流电池的电压效率及泵基电压效率，进而有效指导流道设计的优化。
本工作采用了四种不同的模型来处理复杂数据集(表3)，包括LR、RF、ET和GB模型。通过比较发现，GB模型在评价电压效率和泵基电压效率时表现出最高的R²值、最低的均方误差MSE和MAE，其准确度显著优于其他模型，显示了其在捕获和分析系统特征与性能结果之间关系的卓越能力。其他模型相对于GB模型表现较差，这是由于本研究所分析的电池性能数据集包含了多个复杂特征，如电流密度、电解液浓度和电极类型等，这些变量间存在明显的非线性关系和复杂的交互作用。面对这样的数据结构，传统的LR模型由于其线性假设，在处理非线性和特征交互时表现不佳，导致预测准确性低下。虽然RF和ET模型能够处理一定的非线性关系，但在高维特征空间中，特别是在数据稀疏和复杂的环境下，这些模型容易发生过拟合或欠拟合。相比之下GB模型通过迭代方式逐步减少预测误差，展现出更高的适应性和预测准确性。GB模型有效地处理了数据的非线性和特征间的复杂相互作用，从而在电压效率和泵基电压效率的预测上获得了最高的R²和最低的MSE及MAE。因此，考虑到数据集的特性和处理需求，GB模型被证明是本研究中处理和预测电池性能的理想选择，其优异的数据拟合能力和强大的泛化性确保了预测结果的高度准确性和可靠性。选择GB模型作为进一步预测和优化的首选模型后，本工作首先利用COMSOL模拟得到的数据集对该模型进行了初步训练。接下来，进行了广泛的SHAP分析，以评估各个参数对性能的影响，并针对所有使用的特征绘制了电池性能，以监测最佳操作效率状态及其相应的特征范围。此后，构建了一个包含所有可能组合的大型数据集，并利用机器学习模型对这些数据进行了效率分析。
表3 模型精度评价
图4展示了电压效率和泵基电压效率的多维度分析结果，其中，图4(a)泵基电压效率的梯度增压模型的残差图均显示了实际值与预测值之间的高度一致性，充分展示了所建模型在预测方面的准确性。本工作采用SHAP分析方法[图4(b)]，对电压效率和泵基电压效率进行了详细探讨。分析结果揭示了各设计参数在优化泵基电压效率中的影响程度，其中电流密度、通道间距及比流量的影响顺序依次为：电流密度>通道间距>比流量，从而明确了各因素在优化电压效率中的重要性，为进一步的系统优化提供了科学依据。图4(c)和图4(d)分别展示了泵基电压效率与电流密度、电解液比流量及通道间距的二维和三维归一化值变化(括号内为实际值)。这些图通过颜色条表示泵基电压效率值，提供了不同操作条件下电压效率变化的直观展示。具体而言，电流密度的范围为1～250 mA/cm²，流速范围为1～5 mL/(min·cm²)，通道间距则在1～50 mm之间波动。这种多维度分析方法不仅增强了对影响电压效率因素的理解，也为优化铁铬液流电池的性能提供了数据支持。通过综合分析不同操作参数对电压效率的影响，可以为电池设计和运行策略的制定提供科学依据。
图4 (a) 泵基电压效率的GB模型残差图；(b) 泵基电压效率的SHAP分析；泵基电压效率与电流密度(mA/cm²)、特定流速[mL/(min·cm²)]和流道间距(mm)的标准值的变化的 (c) 二维和(d) 三维三角图
3 液流电池大语言模型
在本研究中，作者团队开发并验证了一种自建的液流电池专用大语言模型，该模型在专业性和定制化方面表现出显著的优势。通过精细的提示工程和详尽的文本分析流程，确保了信息的准确性，极大地降低了错误信息的出现率，从而展示了其在液流电池设计与性能优化领域的应用潜力。为提高研究效率和精度，模型模仿人类阅读策略，分三个主要步骤进行任务(图5)：首先，通过自然语言处理技术对学术文献进行初步解析，识别关键内容；其次，利用高级文本分析技术精确解析这些内容中的设计和性能优化策略；最后，通过数据提取算法准确提取关键参数，如设计优化结构、物质浓度和电极改性方法。此策略使FlowBD能够系统地从大量学术文献中提取和汇总有价值的数据，形成结构化的数据集，供进一步分析或报告使用，推动液流电池技术的进一步发展和性能优化。
图5 FlowBD工作流程示意图该流程（FlowBD简化测试版已经上传至网址
https://github.com/Liuziyu0329/FLowBD-/tree/master）
3.1 提示工程构建
本研究通过精心设计的指令来提高FlowBD的输出准确性和相关性，称之为提示工程。为了优化这一模型的效率和效果，制定了三个核心原则与四个关键要素(图6)，以指导准确的提示指令设计。这种方法不仅显著提高了信息处理的效率，还确保了输出的高度相关性和准确性，使得该模型成为研究与实践中的一个重要工具。提示词的设计必须具体明确，以避免产生不精确的输出，确保语言模型能准确执行任务。因而提示词应包括以下四个要素：
图6 提示工程设计要素与原则
（1）指令部分需要明确模型需要执行的具体特定任务或指令。这要求在设计提示时就清晰地表达期望模型完成的具体操作，确保指令的直接性和操作性。
（2）上下文是提示词的重要组成部分。合适的上下文信息可以提供必要的背景，帮助模型更好地理解任务的全局意图和具体需求。这包括相关的外部信息、历史数据或任何能够增强模型响应质量的补充内容。
（3）输入数据指用户提供给模型的具体内容或问题。这部分内容直接影响模型的处理和输出，因此需要确保输入数据的准确性和相关性，以便模型能够基于这些数据生成恰当的反馈。
（4）输出指示应明确指定输出的类型或格式。这一要求确保模型的输出结果符合用户的具体需求，无论是文本形式的回答、数据报告还是其他形式的信息。
在构建液流电池大预言模型的过程中，本研究坚持遵循三个关键的设计原则以确保模型的准确性和效率。
（1）避免歧义并尽量避免错误信息。在指导液流电池储能系统设计时，需要提供准确无误的信息来保证设计的有效性，避免误导使用者给出错误的设计思路。
（2）实施详细指示并逐步细化问题提高输出质量。本研究构建的大模型通过提供明确而具体的指示，帮助模型准确理解需求的上下文和回答格式。
（3）本研究强调请求结构化输出的重要性。通过规定特定的输出格式(如表格)并提供清晰的列标题，FlowBD的使用用户能够有效地整理和优化输出内容，从而加速液流电池研究的进展并积累精确的知识。
3.2 液流电池大语言模型与ChatGPT回答对比
与依赖通用大型语言模型如ChatGPT不同，本研究专门开发的FlowBD是针对液流电池技术领域的独特需求和挑战进行定制的。这种模型在设计之初就考虑到了液流电池技术的特性和复杂性，能够更有效地从众多学术文献中提取出关键信息和创新点。这样的优化使得模型在专业性和准确性上都有显著提升，减少了生成不专业或错误信息的风险。
本工作设计FlowBD模型的初衷，正是为了应对大语言模型在专业领域中常见的“幻觉”问题，即生成错误或虚构信息的现象。液流电池技术作为一个高度专业化的领域，对信息的准确性和专业性有着严格的要求。因此，在FlowBD的开发过程中，特别关注了减少幻觉这一关键问题，并通过对模型架构的优化和特定训练方法的应用，提升了模型在这一方面的性能。通过多次对比发现FlowBD在减少幻觉现象方面明显优于现有的通用大语言模型(ChatGPT)。专注于最小化幻觉，使得FlowBD能够更可靠地提供准确的信息，确保研究人员在液流电池领域的工作中得到更加可信的支持。本工作相信将研究重点放在减少幻觉这一关键指标上，能够充分展示FlowBD在液流电池技术领域中的独特优势，并为相关研究和应用提供更为坚实的保障。
为了更全面地评估FlowBD的性能，本研究将任务分为三种类型：搜索任务、预测任务和设计任务(图7)。在搜索任务中，FlowBD展示了强大的文献信息提取能力。例如，当从大量学术文献中提取关于电解液配方的关键信息时，FlowBD能够快速准确地找到所需数据。在预测任务中，FlowBD展现了卓越的精确性，最后，在设计任务中，FlowBD能够根据具体的操作条件和材料特性，生成优化的设计方案，例如为液流电池提出最优的流道设计，以提高整体性能。
图片
图7 FlowBD模型在搜索、预测和设计任务中的表现
在对比分析中，FlowBD在这些任务中均表现出比ChatGPT4.0更高的准确率。在搜索任务中，FlowBD的文献信息提取准确率达到了93%，相比之下，ChatGPT4.0的准确率为88.2%。在预测任务中，FlowBD的预测准确率为90%，而ChatGPT4.0为87.5%。在设计任务中，FlowBD生成的设计方案在实际应用中的目标性能实现率为70%，显著高于ChatGPT4.0的45.3%。这些结果显示出FlowBD在处理复杂任务时的专业性和高效性，为液流电池领域的研究者和工程师提供了一个强有力的工具。
为了进一步验证开发的FlowBD的实用性和效果，本工作将其与本工作开发的液流电池大型语言模型(图8)与通用大语言模型ChatGPT(图9)进行了对比分析。在这一对比中，本工作针对FlowBD给出的回答对比ChatGPT 4.0的回答，通过人为对比分析发现，FlowBD在理解液流电池的专业术语、技术细节以及创新发展方面展现出更高的精确度和适应性。此外，该模型在处理液流电池特有问题时，展示了更强的问题解析能力和信息整合能力。
图8 FlowBD回答铁铬液流电池优化方式
图9 ChatGPT回答铁铬液流电池优化方式
3.3 液流电池大语言模型辅助性能优化
在液流电池性能影响因素分析中，电化学极化、欧姆极化和浓差极化是影响电池性能的三个主要因素。这些极化现象是造成电池在充放电过程中电压损失的关键原因(图10)。本研究将通过构建的FlowBD来辅助解决这些极化问题，从而提高液流电池的整体效率。
图10 影响液流电池电压的主要因素
极化现象对液流电池的性能产生了显著影响，特别是在高负荷操作或大电流密度的条件下这一影响更为突出。本研究利用专为液流电池开发的大语言模型来深入分析和预测这些极化现象的具体影响，特别关注了活化极化、欧姆极化以及浓差极化三种主要的极化类型。通过模型的分析，可以详细了解这些极化现象的成因和影响，进而制定出相应的优化策略。
（1）活化极化主要是由电极反应的动力学控制导致的，涉及到电极材料的表面特性和反应动力学特性。模型通过模拟不同条件下的电极反应过程，帮助识别影响活化极化的关键因素，如电极材料的选择和表面处理技术。
（2）欧姆极化涉及到电池内部的电阻问题，包括电极材料、电解液及其界面的接触电阻。该模型能够评估不同材料和设计对电阻的具体影响，提供降低内阻、优化电流分布的有效途径。
（3）浓差极化发生在电解液中，由反应物和产物浓度的梯度变化引起。模型可以模拟电解液流动和物质传输过程，分析不同操作条件下的浓差极化效应，指导优化流体动力学设计和操作参数。
图11展示了本研究如何利用FlowBD模型对铁铬液流电池的关键参数进行优化，如流速、膜类型、电极类型和尺寸。通过FlowBD辅助设计，显著提升了能量效率和容量，并通过实验验证得到了确认。这些实例凸显了FlowBD在改进铁铬液流电池设计和性能中的实际应用效果和优势。
图11 FlowBD辅助铁铬液流电池优化和设计具体应用实例
本工作选择了在实验室中易于获取的热处理碳布(TCC)和硅氧碳布(SCC)作为电极材料，用于实验验证，实验使用的液流电池系统中，铁离子和铬离子的浓度分别为1.2 mol/L和1.4 mol/L，酸的浓度为2.5 mol/L，并且额外加入了0.001 mol/L的铋离子作为催化剂，使用尺寸为5 cm长、2 cm宽的碳布电极作为正负极，并采用N 212膜作为电解质隔膜，电解液流速设置为20 mL/min，电池的充放电测试在恒定电流模式下进行，电流密度为140 mA/cm²，电压限制在1.2 V(上限)和0.7 V(下限)，总共进行了50次充放电循环。TCC电极的实验结果显示，能量效率为82.73%(模型预测为82.69%)，容量为1.755 Ah(模型预测为1.769 Ah)。SCC电极的实验结果显示，能量效率为83.15%(模型预测为83.31%)，容量为1.776 Ah(模型预测为1.785 Ah)。实验结果与模型预测的误差非常小，能量效率误差为±0.15%，容量误差为±0.8%，验证了模型的准确性和可靠性。
4 结论和展望
AI与各个学科的融合发展已成为当今科研领域的热点话题。本工作通过引入AI技术，特别是机器学习，探索和优化液流电池的设计与性能，验证了AI在液流电池研究中的应用价值和潜力。研究表明，AI技术在提升设计效率和优化性能预测方面具有显著优势。然而，在实际应用中，AI模型的适用性和完善性仍面临挑战。未来，随着计算技术的进步和数据分析方法的革新，AI将在液流电池的研究与开发中扮演更加重要的角色。特别是在高度专业化的应用场景中，AI有望实现更高效的设计和优化，推动液流电池技术的进一步发展。本文作者研究团队继续深化AI的应用研究，探索和开发FlowBD，用以辅助指导液流电池系统的设计和优化。
综上所述，AI驱动的液流电池领域应用不仅是技术的应用，更是科学研究和技术创新的深度融合。随着AI技术的不断发展，预计其在液流电池及其他能源技术中的应用将更加广泛和深入，为能源科技带来革命性的改变。
