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

/ z9 n% S# c! k0 y5 [; E

3 r0 A; q7 a# `$ \：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
- x) L9 i; C8 y' s  H8 v0 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，
SVR）
9 b" o0 e& a0 P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
: A! Q* W' \3 D. E8 i2 `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
, ?. u3 j* |2 z8 D( t- KMg-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、
3 g# Z4 a- o- I. R50 mA·
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
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, [; ~+ U* U% u3 f% \+ \1 _材料的成分设计和快速开发问题提供指导。
# y4 J# A1 ]8 [& C: A% p4 r2 _3 Z
8 J7 A# Q) d, }. h+ \0 r$ o& f4 S
5 q/ b4 z* n& R+ n/ n) ?7 I