电极网 (Electrode Net):将深度学习与符号距离场定制为快速准确的多尺度设计多孔电极
Pengzhu Lin1, Jing Sun1, Yinglun Tang2
1Department of Mechanical and Aerospace Engineering, The Hong Kong University of Science and Technology, Hong Kong 999077, China.
Science bulletin
|September 20, 2025
概括
一个新的深度学习框架,电极网,有效地预测了先进的流动电池的多孔电极特性. 这可以通过降低高达96%的计算成本来加速设计,同时保持高精度.
科学领域:
- 材料科学 材料科学 材料科学
- 计算科学 计算科学
- 电化学 电化学 电化学
背景情况:
- 设计先进的多孔电极对于高性能流动电池 (燃料电池,电解剂,电池) 至关重要.
- 合理的电极工程受到复杂的微观结构和高计算需求的阻碍.
- 预测异型运输特性需要详细了解孔尺度几何.
研究的目的:
- 开发一种高效,准确的深度学习框架,用于预测多孔电极传输特性.
- 为加速下一代流动电池的多孔电极的设计和优化.
- 为了降低与表征电极微结构相关的计算成本.
主要方法:
- 开发了"电极网",一个利用符号距离场的3D卷积神经网络.
- 使用验证的孔尺度模型构建了15433个几何样本及其运输属性的数据集.
- 应用框架来预测多孔电极的多孔性,扭曲性和透性.
主要成果:
- 电极网实现了高预测准确度 (R-平方:0.95-0.99) 的异型运输特性.
- 与传统方法相比,计算成本降低了高达96%.
- 通过准确预测实用的流电池电极的特性,证明了出色的概括性.
- 通过将孔尺度预测集成到细胞尺度模拟中,实现了多尺度电极设计.
结论:
- 开发的深度学习框架显著加快了多孔电极设计.
- 电极网提供了一个计算效率高,准确的工具,用于预测关键的运输特性.
- 这种方法有助于合理优化电极参数,以提高流电池性能.


