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

$ N' x& H8 l4 M  H
/ N/ ?! b  d: c" t- M+ _, E
, V" w$ Y7 r/ i  _：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! U4 s& L* \9 {, x2 h
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，4 }; r0 n0 ?0 _& c6 F
SVR）
  l; u1 r9 ~' I/ E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
. I" S% l$ S$ D  ?4 Q$ U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 $ L& G% w1 i6 o) _4 _" r) C; \
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、
' |: z' P6 ^8 k$ V* x50 mA·' E5 I& T* Z* V: d! }
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- G# S+ _9 O& i3 F. [% _  h
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
2 X. D" q& I2 s1 T4 n材料的成分设计和快速开发问题提供指导。. \( o' l9 H) V) h1 C+ _3 ?" B
" e4 O/ @: `+ I7 J7 X

2 Q6 O; Z, ?2 D% V9 N1 O

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