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

; f4 \7 Z( F" k2 j
& ]' O0 i1 M$ p# f' h! F! A
/ ]" a7 K. M0 ^( r& l$ 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
: k$ O8 h, {9 g, }4 h- q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
( R0 T9 s2 t, N2 h+ P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、
1 G3 x/ k. s+ n& p* E+ P" Z+ `. N% F50 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。
( E7 K3 X2 \1 f' d  n

* I; \% R, M* C# |