[發明專利]利用BP神經網絡模型預測鎂基固態儲氫材料性能的方法

在審

• 申請號: 202110923529.0
• 申請日: 2021-08-12
• 公開（公告）號: CN113488118A
• 公開（公告）日: 2021-10-08
• 發明（設計）人: 方沛軍;鄒建新;陳亞琴;張雷;伍遠安;曹俊
• 申請（專利權）人: 氫儲(上海)能源科技有限公司
• 主分類號: G16C20/70
• 分類號: G16C20/70;G16C60/00;G16C10/00;G06N3/08
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 金慧君

1.一種利用BP神經網絡模型預測鎂基固態儲氫材料性能的方法，具體用于檢測鎂基固態儲氫材料的吸/放氫性能，測試系統包括：氫氣源、流量檢測構件、固態儲氫儲存腔、溫度檢測構件、壓力檢測構件、換熱構件、加熱構件和冷卻構件，其特征在于：該方法包括以下步驟：

S1：確定與鎂基固態儲氫材料吸/放氫性能直接相關的主要操作參數，利用這些主要操作參數建立樣本數據；

S2：根據所述樣本數據，建立用于預測鎂基固態儲氫材料吸/放氫過程的BP神經網絡模型，并利用BP神經網絡算法，對該BP神經網絡模型進行訓練，得到訓練好的BP神經網絡模型；

S3：使用訓練好的BP神經網絡模型對鎂基固態儲氫材料進行預測，得到該鎂基固態儲氫材料的吸/放氫性能。

2.如權利要求1所述的一種利用BP神經網絡模型預測鎂基固態儲氫材料性能的方法，其特征在于：步驟S1中，所述主要參數包括：換熱構件的進氣/排氣的流量，換熱構件的進氣/排氣的壓力和換熱構件的儲存腔內的溫度。

3.如權利要求1所述的一種利用BP神經網絡模型預測鎂基固態儲氫材料性能的方法，其特征在于：步驟S2中，建立BP神經網絡模型的具體過程如下：

(1)確定輸入輸出變量

將在鎂基固態儲氫材料吸/放氫過程中的換熱構件進氣/排氣的壓力和換熱構件的儲存腔內的溫度作為所述BP神經網絡模型的輸入變量，將換熱構件的進氣/排氣的流量作為所述BP神經網絡的輸出變量；

(2)所述BP神經網絡模型的具體結構如下：

所述BP神經網絡模型是包括輸入層、隱含層和輸出層的三層神經網絡模型，BP神經網絡模型的輸入層所包含的神經元個數為2，分別對應鎂基固態儲氫材料吸/放氫過程中的換熱構件進氣/排氣的壓力和換熱構件的儲存腔內的溫度，BP神經網絡模型的輸出層所包含的神經元個數為1個，為換熱構件的進氣/排氣的流量；

(3)網絡初始化并進行網絡訓練

根據設定好的BP神經網絡的層數、輸入變量個數、隱含層神經元個數以及輸出變量個數，運用神經網絡工具箱進行網絡初始化和網絡訓練，然后，利用BP神經網絡算法或者誤差反向傳播算法，按照設定的網絡結構進行訓練，達到預設精度或者最大迭代次數后即得到訓練好的BP神經網絡模型。

4.如權利要求3所述的一種利用BP神經網絡模型預測鎂基固態儲氫材料性能的方法，其特征在于：步驟(2)中，所述BP神經網絡模型的隱含層所包含的神經元個數采用經驗公式計算出估計值：

其中，m和n分別為輸入層和輸出層所包含的神經元個數，a是[1-10]之間的常數，取M為10。

5.如權利要求3所述的一種利用BP神經網絡模型預測鎂基固態儲氫材料性能的方法，其特征在于：步驟(3)中，為了提高神經網絡訓練的自適應性程度，把樣本數據的20％作為測試數據，80％作為訓練數據，在計算過程中打亂輸入樣本數據順序，按照20％-80％的比例進行隨機分配，尋找最優解，該BP神經網絡模型的初始權值被隨機賦值，學習速率設定為0.01，學習誤差設定為5×10^-3，最大迭代次數為10000次，隱含層的激活函數采用Logsig函數，輸出層的激活函數采用Purelin函數。

6.如權利要求1所述的一種利用BP神經網絡模型預測鎂基固態儲氫材料性能的方法，其特征在于：步驟S3中，采用平均絕對百分誤差MAPE、方差MSE以及決定系數R²作為評價BP神經網絡模型性能的指標。

7.如權利要求6所述的一種利用BP神經網絡模型預測鎂基固態儲氫材料性能的方法，其特征在于：

平均絕對百分誤差MAPE的計算公式為：

方差MSE的計算公式為：

決定系數R²的計算公式為：

其中，Y_Pred為BP神經網絡模型預測值，Y_Act為實測值，為預測值的平均值，N為數據點的數量。