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

* w* P8 b) Z0 l8 ~( O% P0 I
9 j% B$ ?. y9 g- \4 o4 y* b4 Z" ?0 a3 B6 |  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
: k! [5 K9 b' B9 O. l9 N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，$ `% X. d$ L2 {6 N
SVR） 8 A% Y0 `; \' O: J& g: H) D
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- r+ V' j& Q$ W: ^
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 6 L, N, L6 X- ^* A/ U% j
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、
* `0 ]  ^0 E; `/ u50 mA·
2 I; x1 ], Y. X+ B% `: G7 O8 \/ Icm-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3 ?, y0 _1 P8 }2 ?5 b
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* a3 Z" \3 G( q7 d
材料的成分设计和快速开发问题提供指导。
: I) }, G6 q. `# ?5 [6 [3 L/ }' q4 U2 k+ N' L: G8 f% E6 e7 H: d
$ i! C! ^: s0 |6 r- 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