基于机器学习的鱼雷推进控制用镁海水电池性能预测

摘要：

针对鱼雷用镁海水电池阳极放电性能低以及传统"试错法"在材料设计中导致开发周期过长的问题.通过数据分析和机器学习的方法,采用线性回归(Linear Regression,LR),支持向量回归(Support Vector Regression,SVR)和神经网络(Multilayer Perceptron,MPL)算法对数据集进行训练建立模型,使用预测模型对镁基阳极材料的放电性能进行预测,根据预测结果制备了Mg-5.7Al-0.9Ge合金作为镁海水电池用阳极材料.最后,通过电化学实验对Mg-5.7Al-0.9Ge合金在3.5 wt％NaCl溶液中的放电性能进行验证研究,研究发现该合金分别在20 mA·cm-2、50 mA·cm-2电流密度下,放电电位分别为-1.641 V和-1.429 V,放电效率分别为69.5％和60.4％,其放电性能优于商用镁合金阳极材料AZ61.结果表明,SVR算法建立的模型预测能力最佳,具有较高的相关系数和较低的误差,为镁基阳极材料的成分设计和快速开发问题提供指导.

关键词：镁海水电池、机器学习、支持向量回归、镁基阳极材料、放电性能

所属期刊栏目：45

分类号：TM912;TJ63;TP181

资助基金：山西省自然科学基金资助项目201901D111102

在线出版日期：2020-11-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：52-57,62