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

7 i1 w0 r% \" P1 D5 T! R6 Q0 e- E6 Q9 _3 Y
# N3 _) ]3 a8 [( l5 p
：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( P) f( p. O7 P
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，& i, v& A7 |7 p6 r5 ~
SVR） 4 n0 Z( \1 z8 a' b( I% [% 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
' G. a; a5 Z: _+ l9 A2 b9 R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
1 Y4 x5 C$ j$ X5 b- P: lMg-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、
4 E0 T' \% i! Y/ g# T7 b50 mA·- z- F$ A1 `9 K0 z
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* A1 S# S+ \% ^; ?) o2 W: S0 W( 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: R4 f* k4 k4 B. ]/ e) M4 j: O
材料的成分设计和快速开发问题提供指导。0 H; l9 n( q5 v- F8 a6 Q
5 ^9 J+ i+ ^0 E( T) U$ P' ?# ?) x

3 k0 _( O' C! j! G" {+ |! E

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