《Sustainable Energy Technologies and Assessments》:A physics-aware large language model driven hyper-heuristic optimization framework for parameter identification of solid oxide fuel cell
编辑推荐:
•提出了一个物理感知的燃料电池参数估计框架。•导数特征实现了物理可解释的优化指导。•语言模型在优化过程中自适应地选择搜索算子。•证明了数据完整性对参数可靠性具有显著影响。•在单电池和堆系统上均实现了卓越的精度。引言固体氧化物燃料电池(SOFC)被广泛认为是低碳能源系统中高效率
- •
提出了一个物理感知的燃料电池参数估计框架。
- •
导数特征实现了物理可解释的优化指导。
- •
语言模型在优化过程中自适应地选择搜索算子。
- •
证明了数据完整性对参数可靠性具有显著影响。
- •
在单电池和堆系统上均实现了卓越的精度。
引言
固体氧化物燃料电池(SOFC)被广泛认为是低碳能源系统中高效率能量转换的有前景技术。其高转换效率、燃料灵活性以及内部重整能力使其适用于分布式发电和综合能源应用 [1], [2]。SOFC 系统的可靠运行依赖于准确捕捉电池内部发生的电化学反应、离子传导以及多组分气体传输的性能建模。高保真模型需要识别描述电极反应动力学、电解质传输特性以及多孔电极扩散过程的参数。这些参数通常通过将模型预测与实验极化曲线拟合进行估计 [3], [4]。
识别参数的准确性强烈影响 SOFC 模型的预测能力,并影响系统控制、性能优化和健康管理策略 [5], [6]。许多控制电化学反应和微观尺度传输过程的参数无法通过常规诊断技术直接测量 [7]。因此,参数估计依赖于从极化数据进行的反演识别。控制方程高度非线性,并且涉及参数之间的强相互作用。随着模型复杂性的增加,参数空间变得越来越耦合,并包含多个局部最优解。这些特性造成了具有挑战性的优化景观,并显著增加了可靠识别具有物理意义参数组的难度 [8]。因此,参数识别中的不准确可能传播到 SOFC 性能预测、退化评估、基于模型的控制以及数字孪生辅助操作中,从而限制了高保真 SOFC 模型的实际部署。
表 1 总结了代表性的 SOFC 参数识别方法,广泛涵盖了元启发式算法 [9], [10], [11], [12]、物理启发方案 [13], [14]、人工智能架构 [15], [16], [17], [18], [19] 以及数学区间方法 [20]。这些方法对非线性参数估计是有效的,但可能涉及不同的权衡,包括收敛后期停滞、大量的计算或数据需求,以及在搜索决策过程中物理可解释性的局限性。
针对上述讨论的局限性,仍然存在一种需求,即需要同时保持电化学可解释性和自适应优化能力的参数识别框架。大语言模型(LLM)提供了一个有前景的机会来应对这一挑战,因为它可以作为推理代理,能够分析优化状态并在复杂的工程系统中生成自适应搜索策略 [21]。传统优化框架通常依赖于预定义的规则或手动调整的超参数,这限制了它们在参数识别过程中优化动态变化时的适应性 [22], [23]。近期的研究表明,基于 LLM 的代理可以作为通用推理系统,具备上下文感知解释、规划和自主决策的能力,从而为复杂的优化任务提供了有前景的基础 [24]。通过将数值指标转换为语义表示,LLM 可以分析收敛模式并制定自适应搜索策略,而无需针对特定问题的参数校准 [25], [26]。
尽管最近提出的大语言模型优化算法(LLMOA)框架 [27] 证明了将 LLM 用作自适应算子调度高级控制器的可行性,但它被开发为一个通用优化框架,并未纳入领域特定的物理知识。对于 SOFC 参数识别,优化决策不仅需要考虑收敛行为,还必须保持活化极化、欧姆极化和浓差极化机制之间的电化学一致性。为了应对这一局限性,本研究开发了一个 PA-LLMOA 的物理感知扩展,专门针对 SOFC 参数识别。除了提高优化性能外,所提出的框架还旨在增强 SOFC 参数识别的物理可靠性,从而支持高保真建模、性能预测和未来的数字孪生应用。本研究的主要贡献总结如下:
- •
提出了一个物理感知的大语言模型驱动的超启发式优化框架(PA-LLMOA): 从极化曲线中提取的基于导数的特征被编码为物理感知描述符,并由充当高级策略推理模块的大语言模型进行解释。通过这种机制,异质搜索算子根据优化状态所反映的电化学状态进行动态协调;
- •
实现了改进的收敛稳定性和具有竞争力的识别精度: 在西门子增强功率圆柱电池和蒙大拿州立大学(MSU)SOFC 堆上的广泛验证表明,PA-LLMOA 通常比代表性的元启发式算法实现更低的平均 RMSE 和更稳定的收敛行为,特别是在高度非线性的运行条件下;
- •
建立了一个将数据完整性与参数可识别性相联系的系统的分析: 通过检查具有不同运行覆盖范围的 SOFC 极化数据集,本研究揭示了实验信息不足如何导致参数模糊性和强耦合,从而为实验设计、可靠参数提取和高保真 SOFC 模型校准提供了实用指导。
本文后续章节组织如下。第 2 节详细阐述了固体氧化物燃料电池识别的数学模型。第 3 节介绍了超启发式框架。第 4 节报告了实验结果和分析。第 5 节提供了讨论。第 6 节总结了本研究的发现并展望了未来的潜在研究方向。
章节摘要
SOFC 的电化学模型
SOFC 是一种发电装置,可在较高的工作温度下直接将燃料和氧化剂中储存的化学能转化为电能 [28]。当氢气作为燃料,空气中的氧气作为氧化剂时 [29],其基本工作原理如图 1 所示。
在稳态条件下,SOFC 的输出电压由热力学开路电压减去不可逆极化损失决定 [30]。这些损失主要来源于
分层优化架构
为了应对稀疏实验数据下 SOFC 模型识别中强烈的参数相互依赖性以及潜在的非唯一解问题,引入了 PA-LLMOA 作为一种闭环超启发式框架。传统的元启发式算法主要优化数值拟合目标,当搜索决策需要考虑不同的极化状态时,可能缺乏明确的领域特定指导。PA-LLMOA 的主要创新在于整合定量
实验设计与数据集
所有基准测试算法都在统一的计算协议下进行评估。具体而言,每种优化方法最多执行 200 次迭代,种群规模全局固定为 。在迭代搜索之前,先评估了 50 个初始种群候选解,随后在每次迭代中生成并评估 50 个子代向量。因此,每次优化运行包含 50 次初始目标函数评估
数据完整性对参数识别结果的影响
即使识别技术保持了强大的性能,数据完整性的程度对优化后模型参数的准确性和物理合理性起着决定性影响。与浓差极化状态相关的参数尤其受影响,这反过来可能导致在未见过的负载电流或电流密度下出现不可控的预测偏差。
因此,为了进一步检验这一结论,本研究考察了 1073 K 和 1173 下的 MSU SOFC 堆数据集
结论
准确的参数估计对于可靠地重建 SOFC 极化行为以及后续的基于模型的性能分析至关重要。本研究提出了一个物理感知的大语言模型驱动的超启发式优化框架,将电化学信息纳入 LLM 驱动的策略推理中,以改进非线性优化条件下的参数估计和极化曲线拟合。主要结论如下:
作者贡献声明
张晓顺:写作 – 审阅与编辑、监督、资源、项目管理、资金获取、正式分析、概念化。梁晓:写作 – 初稿、可视化、验证、软件、方法论、正式分析、数据管理。陈义钧:写作 – 审阅与编辑。Zoey Zhou:写作 – 审阅与编辑。
利益冲突声明
作者声明不存在已知的可能影响本文所述工作的竞争性财务利益或个人关系。
致谢
作者衷心感谢国家自然科学基金(批准号 52577087)以及广东省基础与应用基础研究基金(批准号 2024A1515030012)的支持。
张晓顺|梁晓|陈义钧|Zoey Zhou