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
: G% D& {- O5 f ~) l1 { U* i
& X% y2 a% M; f3 g9 ^. U
F9 v% Q2 C1 H; i* M
：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
0 R2 x/ S2 h% |4 k- m$ v2 a
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 q o" X/ m/ \: u' Q% L; H* v
SVR）
2 x* t! }4 O8 ]' x
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 h$ G+ p! L- m" A
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
% D" [% A P# j. `0 `, A2 y0 u
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、
2 c6 i4 b$ A$ ?" O0 u0 C n0 j$ o
50 mA·
) T6 [$ h9 a# |9 T' s
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
! g7 I6 U9 P! w4 k. W1 m* J( y
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
! l6 c+ G B: q8 I. M; S: t
材料的成分设计和快速开发问题提供指导。
) k: S) h* j; ?9 t3 I
, W! A7 J3 V9 X G
N2 ?- T+ I9 T0 l9 B
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
