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
/ i8 C* C+ X/ ]$ B! A
& H4 N+ W- T: D; j
# ~. K E) m4 b. i3 w
：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
% O e$ r4 t+ N: e
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，
7 Y8 H7 S* A$ l. F& t. u
SVR）
1 K( a4 Y' o0 {) }% C+ 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
3 @+ i! d4 t+ z \
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
* U8 a# v. ?8 x5 Z+ ?7 F4 P0 O
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、
! I6 r8 v3 W0 f. S
50 mA·
' h8 R" _+ u- p$ z1 k
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
" W' U% b# @! k' o% n
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
/ n0 q6 F/ v( {/ P& A
材料的成分设计和快速开发问题提供指导。
6 r, K* X* B9 N
% W! O5 U" a* a- m+ X/ N$ [
6 {4 W2 g4 D% Q: w8 V0 C! p& t. r
基于机器学习的鱼雷推进控制用镁海水电池性能预测.pdf
2020-11-6 11:43 上传
点击文件名下载附件
下载积分: 体力 -2 点
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
