基于阻抗的电化学系统过程参数估计方法，通过电路嵌入式神经网络（CENN）实现

《Industrial & Engineering Chemistry Research》：Impedance-Based Estimation of Process Parameters in Electrolytic Systems via Circuit-Embedded Neural Network (CENN)

　　

研究人员提出了一种物理感知机器学习框架，用于从电化学阻抗谱(EIS)测量中实时估计电解质浓度和温度。研究人员以水性H2SO4中的纳米多孔金电极为模型系统，在1–20 mM浓度和26–50 °C温度范围内获取阻抗谱。研究人员使用ZARC + 传输线等效电路解释光谱，并在全(c, T)域上进行全局拟合，揭示了与界面电荷转移和多孔传输相关的两个特征时间尺度。由此产生的物理一致的参数图被嵌入到电路知情神经网络中，从而能够直接从状态变量进行全阻抗谱的高保真正向预测（RMSE = 0.06 Ω）。该模型的反演允许从测量的光谱中准确估计电解质性质，在浓度上实现0.10 mM的平均绝对误差，在温度上实现1.0 °C的平均绝对误差。为了进一步加速传感，基于雅可比(Jacobian)的灵敏度分析确定了三个信息频率，保留了必要的光谱信息。这将采集时间减少了95%以上——从几分钟减少到6秒以内——同时保持高精度（0.12 mM，1.1 °C）。尽管针对特定电化学系统进行了演示，但所提出的框架为快速多参数传感提供了一种可解释且可转移的 workflow，前提是等效电路结构和校准域适应目标系统。

该研究发表于《Industrial & Engineering Chemistry Research》Smart Reactors特刊。

研究背景方面，电化学系统中的精确实时监测对于储能转换、化学传感和过程控制至关重要。在水性电解质中，浓度和温度是决定传输特性、界面动力学和电化学稳定性的关键状态变量。现有的光纤传感技术具有侵入性，声学方法易受几何结构干扰且难以解耦浓度与温度效应，微参比电极存在漂移与稳定性问题。电化学阻抗谱(EIS)利用现有电端子且无额外硬件需求，但将原始光谱数据转化为定量物理参数仍具挑战，光谱常反映多过程叠加且存在非理想特征，传统等效电路模型(ECM)拟合不具备固有的唯一性或物理稳健性，且计算量大难以满足高通量诊断需求。现有机器学习方法多聚焦于单一状态变量估计，难以同时解析浓度与温度这两个耦合的共演化未知量。为此，研究人员开展了一项集成物理感知EIS拟合、电路知情神经代理模型和灵敏度知情频率选择的诊断框架研究，旨在实现电解液浓度与温度的双参数实时传感，结论表明该方法在纳米多孔金/电解质体系中实现了高精度估计与测量时间的大幅缩减，具有重要意义。

作者开展研究用到的主要关键技术方法包括：采用纳米多孔金(NPG)电极在1–20 mM H₂SO₄及26–50 °C条件下的EIS数据集（260组）作为样本来源；应用ZARC与传输线(TL)结合的等效电路模型分离体相、界面及多孔传输贡献；开发动态物理感知批处理拟合算法，利用邻近操作点的局部先验进行全局优化以获取平滑物理一致的参数场；构建电路嵌入神经网络(CENN)，映射状态变量(c, T)至等效电路参数并经解析电路生成阻抗谱；实施基于雅可比(Jacobian)的频带灵敏度分析与局部可识别性分析以筛选锚定频率。

研究结果如下：

Fit Parameter Evaluation

研究人员通过ZARC + TL模型拟合评估参数趋势，证实模型捕捉了高频欧姆截距(R_s)、界面响应(ZARC)及低频多孔传输(TL)特征。提取的特征时间常数显示界面时间常数τ_ZARC与多孔传输时间常数τ_TL随浓度升高而减小，随温度升高呈现复杂变化。R_s、R_p随浓度和温度升高而下降，Y₀在低至中浓度增长后略降趋于平稳，ZARC指数n₀呈非单调变化，传输线参数n₁从稀溶液至中高浓度增加后饱和，有效穿透长度L随条件改善而减小。有限差分灵敏度分析表明界面特征频率f_ZARC对温度敏感性为正且随温度升高减弱，多孔带频率f_TL敏感性较弱且符号随浓度范围变化，验证了拟合管道的有效性。

Machine Learning Framework for Impedance Modeling

研究人员对比了经典数据驱动回归器与电路嵌入神经网络(CENN)的正向预测性能。线性模型表现较差，核方法与浅层多层感知机(MLP)达0.3–0.22 Ω RMSE，而CENN达到最低0.06 Ω RMSE，较最佳直接回归基线降低73%。特征工程增强的非CENN模型最佳为0.27 Ω，证明CENN优势源于电路级嵌入强制同一(c, T)下所有频率共享单一物理容许等效电路参数向量，而非单纯的Arrhenius特征工程。边界外推测试显示CENN性能退化最小，具备更好的近边界局部外推能力。

Circuit-Embedded Neural Network (CENN) Forward Prediction Model

研究人员构建CENN前向模型，由全连接ThetaNet网络预测八维电路参数θ(c, T)，经ZARC-TL解析计算复阻抗。损失函数由数据失配项(L_data)、教师先验项(L_teach)、参数一致性项(L_cons)、Arrhenius正则项(L_Arr)、平滑项(L_smooth)及单调性项(L_mono)加权组成，以约束参数物理合理性与频谱一致性。网络经Adam优化器训练，可于任意(c, T, f)评估并输出预测阻抗与参数场。

Inverse CENN Model for Concentration and Temperature Estimation

研究人员将训练冻结的CENN作为可微分代理用于反演估计，通过Sigmoid重参数化在标定域内优化潜变量(u_c, u_T)以最小化加权逆数据失配(L_inv)。采用Adam结合L-BFGS的多起点初始化求解。在全频谱（100频率点，0.2 Hz至10 kHz）测试集上，浓度平均绝对误差(MAE)为0.097 mM，温度为1.02 °C。Gauss-Newton协方差近似显示浓度与温度的95%区间半宽分别为0.20 mM与1.86 °C，实证覆盖率80.5%与75.6%，温度不确定性较大与其在阻抗响应中敏感性较弱有关。

Jacobian-Based Sensitivity Analysis and Band Selection

研究人员通过计算CENN输出的雅可比(Jacobian)矩阵?g/?(c, T)进行频带灵敏度分析。归一化频带灵敏度份额显示Z′信息集中于1–100 Hz（约46%），-Z″集中于0–1 Hz与1–10 kHz（各约31%与37%）。参数分解表明Z′敏感性超99%归因于浓度，温度贡献低于1%；-Z″在0–1 Hz频带温度贡献约10%。表明浓度主要由Z′约束，温度微弱编码于低频-Z″，需多频带锚点以保证反演精度。基于灵敏度识别三信息频率使采集时间缩至6秒内且精度维持（浓度0.12 mM，温度1.1 °C）。

总结讨论部分，研究人员指出该物理感知批拟合与电路嵌入神经框架解决了EIS多参数耦合估计的非唯一性与耗时问题。标定模型与锚频率具系统特异性，但电路选择、物理感知校准、可微分代理构建、反演估计及灵敏度引导频率选择之工作流程具可转移性。研究结论为：所提框架于纳米多孔金/水性H₂SO₄体系实现了RMSE 0.06 Ω正向预测及浓度0.10 mM、温度1.0 °C反演误差，经Jacobian分析选三频率使时间减95%以上至6秒内且精度保持于0.12 mM与1.1 °C，为电解系统快速双参数传感提供可解释可转移范式。