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

: {( b1 a, E  z2 n1 [2 Q# y
9 C0 ]. d+ l( e4 H  n. H3 N
：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
3 \3 n. Q9 E, g& |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，
$ p, r' `7 c9 dSVR）
* c1 k2 T6 c. V9 i& [7 I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
- m6 e9 S  i( s7 d  r( |/ @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、
8 e; A% a" H1 k9 _1 M& w* Y50 mA·
/ [) E' `: d% }: o4 }. i' v. vcm-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
- N7 u7 p7 b; i8 N& K. N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; S9 M$ z
3 ~7 |) [( R) P' Q9 L
( T# M# F& F" P. g, k0 I  ]$ L, ^9 L