本发明涉及一种固态储氢,尤其涉及一种基于机器学习的高容量储氢合金设计方法。
背景技术:
1、固态储氢技术具有储氢压力低、储氢密度高等特点,被认为是一种安全高效的储氢技术,日益目前国内外氢能领域关注的热点。固态储氢材料主要包含lani5系、tife系、timn2系、钛钒固溶体系、镁基等类型,现阶段已实现商业应用的lani5、tife、timn2等系列合金可在室温附近快速吸放氢,并在燃料电池特种车辆、分布式发电等领域表现出极佳的应用前景,但此类材料具有储氢质量密度低(<1.8wt%)的不足,从而制约了固态储氢技术的应用推广。因此,进一步提升lani5系、tife系、timn2系等合金储氢容量,同时研制开发可在室温附近可逆吸放氢的更高容量的钛钒固溶体(理论最大储氢量3.7wt%)、镁基储氢材料(理论最大储氢量7.6wt%)至关重要。
2、现有的储氢合金设计方法主要是基于经验准则,如大的晶胞参数、大的金属-氢电负性差等,但经验性的设计方法准确率低,研制效率低,仍需要通过实验的方法不断试错获得性能良好的合金成分。也有采用线性拟合的方法进行合金设计,但性能预测精度偏低。因此亟需开发一种高效准确的储氢材料性能预测模型,提升高容量储氢材料的开发效率。
技术实现思路
1、针对目前储氢合金设计采用的经验准则法效率低、成本高,线性拟合模型预测精度低等问题,本发明采用机器学习方法,对储氢合金进行最大储氢量的准确快速预测,并进一步使用遗传算法,对具有较高最大储氢量的合金成分进行优化和实验验证,显著提升高容量储氢材料的研制效率,降低研发成本。
2、本发明提供的高容量储氢合金设计方法,具体包括下列步骤:
3、1)获取数据:获取m种储氢合金的储氢量及其合金成分的数据,每一种储氢合金的合金成分、储氢量为一组原始数据,m种储氢合金的m组原始数据构成原始数据集。
4、2)数据预处理:根据步骤1)所获取的储氢合金的储氢量及其合金成分,计算所述储氢合金的原子半径、电负性、价电子个数的平均值和方差,以及体积模量的平均值;将dmean、dvar、xmean、xvar、emean、evar、gmean、bmean进行标准化处理后,与对应合金的储氢量组成标准数据集;
5、其中,计算公式如下所示:
6、
7、
8、
9、
10、
11、
12、
13、
14、其中,ci和wi代表合金中第i种组元的原子百分比和质量百分比,n为合金组元数,di、xi、ei、gi分别代表第i种组元的原子半径,电负性,价电子个数和体积模量,dmean、dvar、xmean、xvar、emean、evar、gmean、bmean分别代表原子半径的平均值、原子半径的方差、电负性的平均值、电负性的方差,价电子数的平均值,价电子数的方差,体积模量关于原子百分比的加权平均,体积模量关于质量百分比的加权平均。
15、3)数据集的划分:使用留一法对步骤2)中获得的数据集进行训练集和测试集的划分,依次将数据集中的一个样本作为测试集,并将剩余样本作为训练集,如此重复直至每一个样本均被遍历。
16、4)建立预测模型:利用多个机器学习算法,输入机器学习算法的参数,使用网格筛选对步骤3)获得的所述训练集和所述测试集分别进行训练和测试,相应地建立多个预测模型。
17、5)确定最优预测模型:对步骤4)获得的多个预测模型的预测值和实际值进行对比,计算两者的相对误差,相对误差最小的预测模型即确定为最优预测模型。
18、6)合金成分设计:将步骤5)确定的最优预测模型设定为适应度函数,利用遗传算法对具有步骤1)中所述储氢合金的储氢量的合金成分进行优化,以实现对储氢合金成分进行快速准确设计。
19、其中,步骤1)中,所述储氢合金储氢量及其合金成分的数据来源包括现有技术文献、实验结果或工具手册。
20、其中,步骤1)中,在获取数据时,应保证储氢量的测试温度在常温附近,以排除温度对于储氢量的影响,将收集的数据作为后续建模使用的原始数据集。
21、其中,步骤1)中,所述储氢合金包括稀土ab5型、钛系ab型、ab2型、钒系固溶体型、镁基储氢合金。
22、其中,步骤4)中,所述机器学习算法包括线性回归、支持向量机、随机森林、xgboost。
23、其中,步骤4)中,线性回归算法的参数包括惩罚项alpha;支持向量机的参数包括正则项c,核函数名称kernel,间隔宽度epsilon,核函数参数degree;随机森林的参数包括最大深度max_depth,决策树数量n_estimators;xgboost算法的参数为最大深度max_depth,节点进行分支所需的损失减少的最小值gamma,正则化系数,决策树数量n_estimators。
24、其中,步骤5)中,最优预测模型为xgboost,其最优的参数组合为{max-depth=6,gamma=0.5,alpha=1,n_estimators=200}。
25、其中,所述步骤还包括:
26、7)根据步骤6)设计获得的储氢合金成分,制备储氢合金样品,并测试其实际储氢量,与预测的储氢合金的储氢量进行对比,若不符合预设误差要求,则调整步骤4)中的模型参数,重复步骤4)-7),直至符合预设误差要求。
27、相比于传统的以经验准则法进行储氢合金设计,本发明所使用的基于机器学习的高容量储氢合金设计方法,具备以下有益效果:
28、(1)本发明通过建立合适的预测模型,可以实现储氢合金储氢量的高精度预测,比传统的经验准则法和线性拟合法效率更高。
29、(2)本发明通过多种机器学习算法,对训练集和测试集分别进行训练和测试,相应地建立多个预测模型,并选取误差最小的预测模型作为最优预测模型,预测值和实际值之间的相对误差低至15%以内,相较于单一预测模型的合金成分设计方法,可以进一步提高储氢合金储氢量的高精度预测。
30、(3)本发明通过采用xgboost算法作为适应度函数,种群的平均和最大适应度函数值均得到收敛,经过合金的制备,得到的实际储氢量与预测储氢量之间的相对误差低至0.54%,即达到了高精度预测。
1.一种高容量储氢合金的设计方法,其特征在于,所述方法包括如下步骤:
2.如权利要求1所述的一种高容量储氢合金的设计方法,其特征在于,所述步骤1)中,所述储氢合金储氢量及其合金成分的数据来源包括现有技术文献、实验结果或工具手册。
3.如权利要求1所述的一种高容量储氢合金的设计方法,其特征在于,所述步骤1)中,在获取数据时,应保证储氢量的测试温度在常温附近,以排除温度对于储氢量的影响,将收集的数据作为后续建模使用的原始数据集。
4.如权利要求1所述的一种高容量储氢合金的设计方法,其特征在于,所述步骤1)中,所述储氢合金包括稀土ab5型、钛系ab型、ab2型、钒系固溶体型、镁基储氢合金。
5.如权利要求1所述的一种高容量储氢合金的设计方法,其特征在于,所述步骤4)中,所述机器学习算法包括线性回归、支持向量机、随机森林、xgboost。
6.如权利要求1所述的一种高容量储氢合金的设计方法,其特征在于,所述步骤4)中,线性回归算法的参数包括惩罚项alpha;支持向量机的参数包括正则项c,核函数名称kernel,间隔宽度epsilon,核函数参数degree;随机森林的参数包括最大深度max_depth,决策树数量n_estimators;xgboost算法的参数为最大深度max_depth,节点进行分支所需的损失减少的最小值gamma,正则化系数,决策树数量n_estimators。
7.如权利要求1所述的一种高容量储氢合金的设计方法,其特征在于,所述步骤5)中,最优预测模型为xgboost,其最优的参数组合为{max_depth=6,gamma=0.5,alpha=1,n_estimators=200}。
8.如权利要求1所述的一种高容量储氢合金的设计方法,其特征在于,所述方法还包括: