[Example] Add battery-electrochemical-performance prediction model

docs/zh/examples/MLP_LI.md

@@ -0,0 +1,90 @@
+# Battery_LI（锂离子电池电极材料性能预测）
+
+## 背景简介
+
+锂离子电池（Lithium-ion Battery, LIB）作为现代储能技术的核心，广泛应用于消费电子、电动汽车、以及可再生能源的存储等领域。电极材料是锂离子电池性能的关键，其性能直接决定了电池的能量密度、功率密度、寿命、和安全性。然而，电极材料的研发是一个复杂且耗时的过程，通常需要实验测试和理论计算相结合，这对时间和资源的消耗非常大。
+
+## 模型原理
+
+该多层感知器（MLP）模型旨在利用从材料项目（Materials Project）数据集中提取的特征，预测锂离子电池电极材料的电化学性能。输入特征包括化学计量属性、晶体结构特性、电子结构属性和其他电池属性。输出为平均电压、比能量和比容量。
+
+## 数据集介绍
+关于数据集，请查看该文件，MP_data_down_loading(train+validate).csv
+
+数据读取需要额外安装依赖 `bayesian-optimization`，请运行安装命令 `pip install bayesian-optimization`。
+
+## 模型
+
+要查看该模型的具体实现，请参考以下代码文件：`MLP_LI.py`
+
+## 模型训练命令
+=== "模型训练命令"
+
+    ``` sh
+    python MLP_LI.py
+    ```
+
+## 训练好的模型权重文件
+
+| 预训练模型                        |
+|-----------------------------------|
+| [MLP_LI_pretrained.pdparams](https://paddle-org.bj.bcebos.com/paddlescience/models/MLP_LI/MLP_LI_pretrained.pdparams) |
+
+## 完整代码
+
+``` py linenums="1" title="examples/MLP_LI/MLP_LI.py"
+--8<--
+examples/MLP_LI/MLP_LI.py
+--8<--
+```
+
+## 模型性能
+
+模型在测试集上的表现如下：
+
+- **Test Loss**: 0.0058
+
+- **VRMSE 电压**: 0.73
+- **CRMSE 比容量**:165.01
+- **ERMSE 比能量**: 238.64
+- **Average RMSE 平均值**:134.79
+
+此外，模型在各个输出指标上的平均绝对误差（MAE）如下：
+
+- **VMAE 电压**: 0.55
+- **CMAE 比容量**: 73.34
+- **EMAE 比能量**: 180.10
+- **Average MAE 平均值**: 84.66
+
+这些结果表明模型在预测电压方面具有较高的精度，而在预测比容量和比能量方面还有一定的改进空间。
+
+### 图表
+
+#### 1. 电压的性能预测（原始尺度）
+此图展示了电压的性能预测。预测值与真实值的比较用于评估模型的准确性。
+
+![电压的性能预测（原始尺度）](../results_out/performance_prediction_voltage.png)
+
+#### 2. 性能预测（原始尺度）
+此图展示了模型对所有三个电化学性能（电压、比能量和比容量）的整体预测表现。
+
+![性能预测（原始尺度）](../results_out/performance_prediction_original.png)
+
+#### 3. 初始训练损失
+以下图显示了在初始训练阶段的训练和验证损失变化情况（按Epochs）。
+
+![初始训练损失](../results_out/initial_training_loss.png)
+
+## 结论
+该 MLP 模型在提供的数据集上表现出较强的预测能力，尤其是在电压的预测上。然而，在比容量和比能量的预测上还有进一步改进的空间。未来可以通过更丰富的特征工程、更复杂的模型架构以及优化的超参数调整来提高模型的预测性能。
+
+## 下一步
+1. 考虑增加额外的特征或进行特征工程，以提高模型预测的准确性。
+2. 尝试不同的神经网络架构或优化策略，以改进性能。
+3. 继续进行超参数优化，以获得更好的模型性能。
+
+
+## 参考资料
+
+Yang, X., Li, Y., Liu, Z., & Zhang, W. (2022)
+(https://doi.org/10.1016/j.gee.2022.10.002)