数学建模社区-数学中国

标题: 基于机器学习的鱼雷推进控制用镁海水电池性能预测 [打印本页]
作者: 杨利霞    时间: 2020-11-6 11:46
标题: 基于机器学习的鱼雷推进控制用镁海水电池性能预测
基于机器学习的鱼雷推进控制用镁海水电池性能预测

# `8 ]- e; _" D: o9 S3 V. ^2 m4 F" a

& P# g, v5 A( a; t：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
( S  ?  {2 v* N4 S6 q8 D8 `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，
$ Y! b1 o7 W1 U; cSVR）
0 y# @0 u, f! J3 g' w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, a5 y7 ^  T( w+ t6 j0 M! \
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
; q% S  x" a1 o! ]- I5 E! AMg-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、
+ }& {, |5 y' N; ~50 mA·
% O# u1 Q( S2 A2 `* T7 \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( M9 T: B- A8 `0 R# c2 D
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, Z$ g1 [$ ]9 |( ^" [1 W
材料的成分设计和快速开发问题提供指导。
/ y6 _( I/ D; V: t
& ~: y! ]! W) _1 E6 c6 r
9 Q7 y! h! @) ~: J9 n

基于机器学习的鱼雷推进控制用镁海水电池性能预测.pdf

594.13 KB, 下载次数: 1, 下载积分: 体力 -2 点



欢迎光临 数学建模社区-数学中国 (http://www.madio.net/) Powered by Discuz! X2.5