基于机器学习与第一性原理的Ti-Mn系储氢合金组分优化设计

李岩1,2,牟铖申1,3,赵爽姿1,牛棒棒1,董楚峰1(1.中国石油大学(北京) 机械与储运工程学院;2.过程流体过滤与分离技术北京市重点实验室;3.潍柴雷沃智慧农业科技股份有限公司)
摘要:Ti-Mn系储氢合金在常温下能够快速且可逆地吸收/释放氢气,具有优异的循环稳定性和较低的成本,然而其实际储氢容量仍有很大的提升空间。因此,使用数据驱动的机器学习方法结合第一性原理计算,建立储氢合金性能优化的多尺度研究体系。通过文献调研和数据搜索得到Ti-Mn 系储氢合金数据, 采用3 种Stacking 集成算法(Stacking_GBR、Stacking_XGB、Stacking_Ada)预测合金的最大储氢容量和吉布斯自由能, 结果表明,Stacking_Ada 算法在两者预测任务中表现最佳。以Stacking_Ada 算法作为适应度评价函数,利用遗传算法筛选出最优合金组分Ti-Mn-Cr-Zr,并通过第一性原理计算验证该合金的储氢机理及其最大储氢容量。经验证,本研究中得到的合金组分其最大储氢容量与实验结果基本一致,可以为Ti-Mn 系储氢合金优化设计提供参考。
关键词:Ti-Mn系储氢合金;固态储氢;机器学习;第一性原理计算;最大储氢容量

目录介绍

1 数据及研究方法

1.1 数据搜索及特征筛选

1.2 机器学习模型选择与评价

1.3 第一性原理计算及合金建模方法

2 结果与讨论

2.1 最大储氢容量和吉布斯自由能预测

2.2 遗传算法合金组分优化与晶体结构建模

2.3 最大储氢容量第一性原理计算

3 结论


点赞(1) 关注

立即下载

温馨提示! 你需要支付 ¥3.98 元后才可以下载

评论列表 共有 0 条评论

暂无评论

微信小程序

微信扫一扫体验

立即
投稿

微信公众账号

微信扫一扫加关注

发表
评论
返回
顶部