首页|基于机器学习的鱼雷推进控制用镁海水电池性能预测

基于机器学习的鱼雷推进控制用镁海水电池性能预测

Based on Machine Learning Seawater Batteries of Performance Prediction for Torpedo Propulsion Control

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
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·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.

刘笑达、侯建鹏、阴明、王志伟、侯利锋、卫英慧

展开 >

太原理工大学,太原 030024

北方自动控制技术研究所,太原 030006

太原科技大学,太原 030024

镁海水电池 机器学习 支持向量回归 镁基阳极材料 放电性能

山西省自然科学基金

201901D111102

2020

10.3969/j.issn.1002-0640.2020.09.010

火力与指挥控制
火力与指挥控制研究会,火力与指挥控制专业情报网

火力与指挥控制

CSTPCDCSCD北大核心
影响因子：0.312
ISSN：1002-0640
年,卷(期)：2020.45(9)
  • 10