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 I- x; _3 A, ?4 Z" ^$ y
$ R$ T* Z$ O% ]0 Z. g0 _0 ?2 Y5 n) A7 n) q
: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& t% M6 Q% T; U9 e6 w
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,/ ^6 f7 o( L4 ~! e) g( L( x8 o6 D" o
SVR)
* D5 Y) ~2 h- ^0 u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, k+ u# Y4 m8 A9 p8 }  \  K
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
* w+ ?+ z: m' K, f1 K2 g0 i% HMg-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、8 _% {1 O/ Y' C. B! a# i* U2 S
50 mA·( D2 }3 c" t4 w* \! j! l4 q
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# z, R) l$ B: a: r
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0 u) `* l7 N) i5 G: Y- V
材料的成分设计和快速开发问题提供指导。2 h0 p( \# y; k( K8 W/ w# w5 R

8 K1 Q' f, y5 O+ o' v$ ^) b
' C1 C) A0 H  C$ S: u0 Y8 c

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