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

- {) m8 F! Q) D9 V
3 d& S! }$ {4 X6 |# Y6 c4 Q( g：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
7 _' c6 g- K1 V2 V& K6 b2 t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）
* m1 A/ Y9 G' F$ Q  G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
7 t0 r$ H% ]$ `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
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、
50 mA·
; V$ O8 z6 q1 H' mcm-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
7 Z, I# j  G9 J* ]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
: W+ ^4 ~# p/ \& ]( f$ N材料的成分设计和快速开发问题提供指导。

# `+ ^5 W' w0 ^( P
# q: N8 [6 F! b- ]8 l4 ^! N  q