2024年 第12期
184
72
金属氢化物材料具有储氢/热密度高,工作温度区间广,无污染无腐蚀性的优点,被认为是理想的储氢/热材料。金属氢化物储氢/热材料可以通过掺杂不同元素形成多元合金,以开发具有不同目标性能的材料。这种方法依赖实验合成,十分耗费时间和经济成本。数据驱动的机器学习性能预测模型可以解决这一问题,通过测试对比最小二乘回归、最小绝对收缩和选择操作符回归、岭回归、弹性网络回归、支持向量回归和随机森林回归多种回归算法,成功建立了金属氢化物微观材料性质与宏观形成能之间的关系。测试结果显示随机森林回归具有最好的预测性能,在训练集和测试集上相对误差均较小,仅为3.078和8.2011,且决定系数较高,具有良好的回归能力和泛化能力。SHAP分析中表明组成金属氢化物的基态原子体积的均值和最值具有高达5.56和1.26的SHAP值,这2个因素很大程度上决定了金属氢化物材料的形成能大小。对Mg基,Ca基,AB、AB2及AB5型金属氢化物材料预测结果分析显示预测相对误差均在9%以下,证明了模型准确性及普适性,可用于未知数据集的形成能预测。
-
主管
中国煤炭科工集团有限公司
-
主办
煤炭科学研究总院有限公司
煤炭工业洁净煤工
程技术研究中心 -
主编
解强
-
刊期
月刊
-
ISSN
1006-6772
-
CN
11-3676/TD
在线投稿
专家审稿
编辑办公
当期目录
过刊浏览
专题/专栏
