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

：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，
0 g! z6 i5 J9 l- A5 ^0 _, GSVR）
/ b: ]# t0 H) _4 e" j7 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
. Z5 X. `& u. T" }" W! V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
) n8 {3 t2 P) `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、
. S) m1 `7 N, `; k* i8 Q# ?5 S50 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
材料的成分设计和快速开发问题提供指导。

  P$ q% F4 y! F" \1 h8 @# C1 O5 M
! c$ o) C/ C" ]