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

. T1 R1 [3 I* R  ?% ]& q
9 V9 _2 T. l, `( ?1 ?：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
$ F& }. Q7 Q! O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
* |( m5 g  O0 Y  d1 ~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
$ h4 r/ B; U& s; _+ p$ [# w1 p! pMg-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、
$ H& X, y$ X0 j0 X50 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
* N" n/ o8 q: l2 D  u  I" G: p  P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
, K# {$ t& @' Y: M! d3 G材料的成分设计和快速开发问题提供指导。
1 V, b, i3 s- A, X
. C" d1 Y) o8 I' B2 o
, w! m- k7 g  A1 h