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

' i* q. n9 g7 m& ~1 m3 U) }4 k6 N3 a
, I; y. y. a" e7 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
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
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
; j  Z5 W% O* O; Y0 s8 Q) u. L# wMg-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、
, z2 X1 J% c% U9 {% ^50 mA·
- K9 ]0 C+ u9 c( r) }1 x, m0 K- Tcm-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
- h6 a  L) r$ b* l+ c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
& J4 {4 u/ ?) |6 p材料的成分设计和快速开发问题提供指导。
5 W' T, C# {$ E, K, Z) [+ }
9 z$ P7 M5 ^9 R# `
4 H6 j6 v  Y% v) ?" d  u2 s2 x