【技术实现步骤摘要】
本专利技术属于固态储氢，涉及基于机器学习的多释氢温度复合储释氢材料设计方法。
技术介绍
1、固态储氢具有高效、安全和高储氢密度等特点，目前，mgh2由于具有高的体积，重量密度(110kg h·m-3and 7.6wt％)与低的成本成为研究最多的金属氢化物之一，但其释氢温度高达350℃。合金化是降低mg-h键能，mgh2稳定性与放氢温度常见且有效的策略。但有大量未知比例、元素的合金氢化镁的储氢能力与释氢温度还未能测出。超碱团簇nli4修饰的石墨烯被由于高储氢容量(>10wt％)和常温释氢温度被认为是很有前途的固态储氢载体。然而这种储氢材料设计策略面向实际应用时显示出两方面的局限性：1)氢气的解离温度区间单一(仅位于常温附近)，无法根据不同的工程应用需求进行阶段性的放氢。2)对石墨烯的过利用。与金属块体的三维储氢方式相比，表面材料的二维储氢方式其宏观质量和生产成本存在几个量级的差距。因此，镁基储氢材料、石墨烯复合储氢材料释氢温度的可控问题需要解决。
2、传统的储氢材料研究需要消耗大量的实验或计算资源，并且准确率低，研制效率低，需要通过实验的方法不断试错。数据驱动的机器学习(ml)可以建立材料性能与复杂物理因素之间的关系，预测新材料，缩短研发周期，降低计算和实验成本。机器学习的使用可以加速mgh2合金储释氢量的筛选过程，然而截止到目前为止，机器学习未能对镁合金释氢温度进行预测。
技术实现思路
1、本专利技术的目的是，提供基于机器学习的多释氢温度复合储释氢材料设计方法，解
2、本专利技术采用的技术方案是，利用机器学习设计多释氢温度复合储释氢材料，具体按照以下步骤实施：
3、步骤1，dft计算：计算二元氢化镁合金的原子百分比、合金元素电负性、原子半径、第一电离能、第二电离能、电子亲和能、金属内聚能、原子序数、合金元素熔点、德拜温度和储氢重量比wt％；
4、步骤2，数据收集：随机收集dft计算得到的输入特征与目标建立训练数据集，目标值选取为解氢温度td；
5、步骤3，数据预处理：对所有特征值进行归一化处理以最小化特征间维度变化的影响；
6、步骤4，建立预测模型：利用机器学习算法构建输入特征关于目标的回归模型；
7、步骤5，通过测定系数r2和均方根误差rmse确定最优预测模型；
8、步骤6，通过最优预测模型筛选出构成二元氢化镁合金的me元素及参杂量；
9、步骤7，通过步骤6得到的合金构建复合储释氢材料模型结构。
10、本专利技术的特点还在于，
11、步骤2中dft计算数据被随机分成训练集和测试集，训练集和测试集比例为4:1。
12、步骤5中r2接近1且rmse接近0时，机器学习模型为最优预测模型。
13、测定系数r2和均方根误差rmse计算分别如下：
14、
15、
16、式(1)-(2)中，yi是实际值，是yi对应的预测值，γi为实际值的平均值。
17、步骤7具体为，选择通过步骤6得到的合金构建超碱金属nli4负载非金属a改性石墨烯与二元氢化镁合金mgxme1-xh2组成的异质结结构，金属a＝b,n,o,s,p。
18、本专利技术的有益效果是：
19、1)本专利技术基于机器学习的多释氢温度复合储释氢材料设计方法，基于量化计算与分子动力学(md)方式构建了在不同温度储释氢的nli4-bgra/mgxme1-xh2结构，实现了释氢温度的调控，弥补了目前工业储释氢温度可调范围小的不足。
20、2)通过建立合适的预测模型，可以实现二元氢化镁合金脱氢性质的高精度预测，比传统的经验准则法和线性拟合法效率更高。
21、3)结合密度泛函理论(dft)与机器学习(ml)得到在不同金属元素替换比例的情况下氢化镁合金的储氢容量及释氢热动力学性质，得到的释氢温度与预测温度之间的平均误差低至4.2％，即达到了高精度预测。
22、4)缩短研发周期，计算和实验成本低，可以加速储释氢量的筛选过程。
本文档来自技高网...【技术保护点】
1.基于机器学习的多释氢温度复合储释氢材料设计方法，其特征在于，具体按照以下步骤实施：
2.根据权利要求1所述的基于机器学习的多释氢温度复合储释氢材料设计方法，其特征在于，所述步骤2中DFT计算数据被随机分成训练集和测试集，训练集和测试集比例为4:1。
3.根据权利要求1所述的基于机器学习的多释氢温度复合储释氢材料设计方法，其特征在于，所述步骤5中R2接近1且RMSE接近0时，机器学习模型为最优预测模型。
4.根据权利要求3所述的基于机器学习的多释氢温度复合储释氢材料设计方法，其特征在于，所述测定系数R2和均方根误差RMSE计算分别如下：
5.根据权利要求1所述的基于机器学习的多释氢温度复合储释氢材料设计方法，其特征在于选择通过步骤6得到的合金构建超碱金属NLi4负载非金属A改性石墨烯与二元氢化镁合金MgxMe1-xH2组成的异质结结构，金属A＝B,N,O,S,P。
【技术特征摘要】
1.基于机器学习的多释氢温度复合储释氢材料设计方法，其特征在于，具体按照以下步骤实施：
2.根据权利要求1所述的基于机器学习的多释氢温度复合储释氢材料设计方法，其特征在于，所述步骤2中dft计算数据被随机分成训练集和测试集，训练集和测试集比例为4:1。
3.根据权利要求1所述的基于机器学习的多释氢温度复合储释氢材料设计方法，其特征在于，所述步骤5中r2接近1且rmse接近0时，机器学习...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。