基于机器学习的鱼雷推进控制用镁海水电池性能预测

杨利霞

基于机器学习的鱼雷推进控制用镁海水电池性能预测

  A( ]* [& K; w8 T7 ?

- m3 q; Q& O1 U/ [$ W- p) y- 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
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，
SVR）
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
" J- [1 x  z! m6 \3 b+ O% 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
3 N) }# o: |( O4 vMg-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 i4 L. Q9 d3 S" G3 C3 Z50 mA·
* b4 c/ N6 I0 w5 Ocm-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
! C: s& O. A3 n% G2 ]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
: p! e' H! U# w- L. Z材料的成分设计和快速开发问题提供指导。
* J6 t; W/ c5 M* v
- X- Y* H/ d: f, |
, O2 g5 X  b, U8 p. }- K: D