-
公开(公告)号：CN119152954A
公开(公告)日：2024-12-17
申请号：CN202310715768.6
申请日：2023-06-16
Applicant: 中国科学院大连化学物理研究所
Abstract: 本发明属于液流电池领域，具体涉及一种可用于羰基化合物氧化还原电势的分子特征描述符，主要应用于预测羰基化合物的氧化还原电势。包括以下步骤：收集并整理大量羰基化合物的结构信息，并选取部分分子通过DFT计算得到其氧化还原电势数据；基于这些分子结构数据，构建本发明提出的分子特征描述符；然后，通过机器学习算法对提取出的描述符进行训练，建立一个高效准确的预测模型；利用这个模型对额外的羰基化合物进行预测，证明其可以快速准确地预测出羰基化合物的氧化还原电势，为其设计和优化提供重要参考依据。本发明所提出的描述符具有信息量大、预测准确性高、计算效率高等优点，可以为液流电池用羰基化合物的研究和开发提供有力支持。
-
公开(公告)号：CN118156549A
公开(公告)日：2024-06-07
申请号：CN202211520852.4
申请日：2022-11-29
Applicant: 中国科学院大连化学物理研究所
IPC: H01M8/04298 , H01M8/04537 , H01M8/04992 , H01M8/18
Abstract: 本发明属于液流电池领域，具体涉及一种基于人工神经网络的全钒液流电池荷电状态(State of charge，SOC)预测方法，主要应用于预测全钒液流电池的电解的SOC。包括以下步骤：对全钒液流电池在不同SOC下的电解液做充放电循环测试，获取充放电循环的数据；提取每个充放电循环中的充放电特征作为特征向量X；以SOC作为目标函数y，建立数据库；将数据库中的数据分为训练集和测试集；采用人工神经网络对训练集中的数据进行训练，建立全钒液流电池SOC预测模型；使用测试集中的数据评价训练好的全钒液流电池正极或负极SOC预测模型。本方法能够有效预测全钒液流电池的SOC，实现利用充放电过程的电流电压数据对全钒液流电池电解液的SOC进行监测。
-
公开(公告)号：CN118116499A
公开(公告)日：2024-05-31
申请号：CN202211511648.6
申请日：2022-11-29
Applicant: 中国科学院大连化学物理研究所
Abstract: 本发明属于数据处理技术领域，具体涉及醌类氧化还原活性分子的还原化学势和溶解自由能预测方法，包括以下步骤：构建醌类氧化还原活性分子的结构及其对应还原态分子(酚类)的结构；采用密度泛函理论(DFT)计算醌/酚电对的反应自由能以及分子的溶解自由能；建立醌类氧化还原活性分子的结构、化学势、溶解自由能的数据库；采用本发明提出的方法提取醌类活性分子的结构特征；将数据随机分成训练集和测试集；利用训练集中的数据训练醌类氧化还原活性分子的还原化学势预测模型和溶解自由能预测模型；使用测试集中的数据评价训练好的醌类氧化还原活性分子的还原化学势预测模型和溶解自由能预测模型。本方法能够有效指导实验、提高醌类氧化还原活性分子开发的速度。
-
公开(公告)号：CN116246717B
公开(公告)日：2024-06-28
申请号：CN202111512430.8
申请日：2021-12-08
Applicant: 中国科学院大连化学物理研究所
Abstract: 本发明涉及一种提高水中亚铁氰酸根溶解度的添加剂筛选方法。步骤如下：使用3维分子结构建模软件对亚铁氰酸根进行建模；采用量子化学计算优化亚铁氰酸根的构型、振动频率和单点能；构建亚铁氰酸根与添加剂的复合物构型；采用量子化学计算优化复合物的构型、振动频率和单点能；利用热力学分析程序计算不同温度下亚铁氰酸根、水、添加剂以及亚铁氰酸根‑水、亚铁氰酸根‑添加剂复合物的吉布斯自由能；做吉布斯自由能差随温度变化的曲线；选出吉布斯自由能差比亚铁氰酸根‑水低的添加剂。本发明通过理论计算，即可从大量的添加剂中筛选出提高亚铁氰酸根溶解度的添加剂的方法，从而提高铁基液流电池能量密度。
-
公开(公告)号：CN116246717A
公开(公告)日：2023-06-09
申请号：CN202111512430.8
申请日：2021-12-08
Applicant: 中国科学院大连化学物理研究所
Abstract: 本发明涉及一种提高水中亚铁氰酸根溶解度的添加剂筛选方法。步骤如下：使用3维分子结构建模软件对亚铁氰酸根进行建模；采用量子化学计算优化亚铁氰酸根的构型、振动频率和单点能；构建亚铁氰酸根与添加剂的复合物构型；采用量子化学计算优化复合物的构型、振动频率和单点能；利用热力学分析程序计算不同温度下亚铁氰酸根、水、添加剂以及亚铁氰酸根‑水、亚铁氰酸根‑添加剂复合物的吉布斯自由能；做吉布斯自由能差随温度变化的曲线；选出吉布斯自由能差比亚铁氰酸根‑水低的添加剂。本发明通过理论计算，即可从大量的添加剂中筛选出提高亚铁氰酸根溶解度的添加剂的方法，从而提高铁基液流电池能量密度。
-
Patent Agency Ranking
公开(公告)号：CN114357004A
公开(公告)日：2022-04-15
申请号：CN202011455957.7
申请日：2020-12-10
Applicant: 中国科学院大连化学物理研究所
IPC: G06F16/2457 , G06F30/27 , G06N20/10 , G06F17/18
Abstract: 本发明公开了一种基于机器学习的多孔膜溶剂处理过程中溶剂筛选方法，包括建立溶剂处理法制备多孔膜的实验数据库，实验数据库中包括溶剂参数、实验条件参数和利用溶剂参数和实验条件参数制备得到的多孔膜的性能参数；将溶剂参数和实验条件参数组成多维特征向量，将多孔膜的性能参数作为目标函数，训练多孔膜性能预测模型；结合待筛选的多种溶剂的溶剂参数，利用训练后的多孔膜性能预测模型筛选出能使得多孔膜的性能参数满足第一设定条件的溶剂。本发明利用机器学习的方法，能从已有溶剂处理法制备多孔膜的实验数据中挖掘出溶剂特性与多孔膜性能间的映射关系，利用历史数据和映射关系对其它溶剂处理的多孔膜性能预测和分析，筛选出最佳溶剂类型。
-
公开(公告)号：CN114094150A
公开(公告)日：2022-02-25
申请号：CN202010628824.9
申请日：2020-06-29
Applicant: 中国科学院大连化学物理研究所
IPC: H01M8/04992 , G06N20/10
Abstract: 本发明属于大规模电化学储能领域，具体说是一种基于机器学习的液流电池电堆最优操作条件预测方法。包括以下步骤：建立数据库；对数据库中的类型变量参数进行数值化和标准化处理；将参数变量组成多维特征向量 ，将电堆的功率成本和能量成本分别作为目标函数y，将多维特征向量 及和目标函数y随机分成训练集和测试集；利用训练集中的参数数据训练电堆性能预测模型；使用测试集中的参数数据评价训练好的液流电池电堆性能预测模型，同时构建成本预测模型；利用成本预测模型对数据库内的材料和成本变量参数进行预测，并计算系统运行总成本。本发明通过少量的测试即可确定研发的每个液流电池电堆的最佳操作性价比区间以及最佳操作参数。
-
公开(公告)号：CN114357004B
公开(公告)日：2024-08-16
申请号：CN202011455957.7
申请日：2020-12-10
Applicant: 中国科学院大连化学物理研究所
IPC: G06F16/2457 , G06F30/27 , G06N20/10 , G06F17/18
Abstract: 本发明公开了一种基于机器学习的多孔膜溶剂处理过程中溶剂筛选方法，包括建立溶剂处理法制备多孔膜的实验数据库，实验数据库中包括溶剂参数、实验条件参数和利用溶剂参数和实验条件参数制备得到的多孔膜的性能参数；将溶剂参数和实验条件参数组成多维特征向量，将多孔膜的性能参数作为目标函数，训练多孔膜性能预测模型；结合待筛选的多种溶剂的溶剂参数，利用训练后的多孔膜性能预测模型筛选出能使得多孔膜的性能参数满足第一设定条件的溶剂。本发明利用机器学习的方法，能从已有溶剂处理法制备多孔膜的实验数据中挖掘出溶剂特性与多孔膜性能间的映射关系，利用历史数据和映射关系对其它溶剂处理的多孔膜性能预测和分析，筛选出最佳溶剂类型。
-
公开(公告)号：CN113935225B
公开(公告)日：2024-05-07
申请号：CN202010605912.7
申请日：2020-06-29
Applicant: 中国科学院大连化学物理研究所
IPC: G06F30/27 , G06F17/18 , G06F113/08
Abstract: 本发明涉及一种液流电池电堆性能预测方法，更具体涉及一种基于机器学习的液流电池电堆性能预测和电堆材料及结构的优化方法。包括以下步骤：获取液流电池电堆的组装和性能测试参数(包括电压效率、能量效率和电解液利用率)，并建立数据库；对数据库中的变量参数进行数值化和标准化处理；计算标准化处理后的变量参数与液流电池电堆性能参数之间的皮尔逊相关系数；将特征向量 及其对应的液流电池电堆性能参数y随机分成训练集和测试集；利用训练集中的参数数据训练液流电池电堆性能预测模型；使用测试集中的参数数据评价训练好的液流电池电堆性能预测模型。本方法能够有效指导实验、提高液流电池电堆的研发速度、降低实验成本。
-
公开(公告)号：CN114094150B
公开(公告)日：2023-11-17
申请号：CN202010628824.9
申请日：2020-06-29
Applicant: 中国科学院大连化学物理研究所
IPC: H01M8/04992 , G06N20/10
Abstract: 本发明属于大规模电化学储能领域，具体说是一种基于机器学习的液流电池电堆最优操作条件预测方法。包括以下步骤：建立数据库；对数据库中的类型变量参数进行数值化和标准化处理；将参数变量组成多维特征向量 ，将电堆的功率成本和能量成本分别作为目标函数y，将多维特征向量 及和目标函数y随机分成训练集和测试集；利用训练集中的参数数据训练电堆性能预测模型；使用测试集中的参数数据评价训练好的液流电池电堆性能预测模型，同时构建成本预测模型；利用成本预测模型对数据库内的材料和成本变量参数进行预测，并计算系统运行总成本。本发明通过少量的测试即可确定研发的每个液流电池电堆的最佳操作性价比区间以及最佳操作参数。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.033 seconds)
