关于高熵储能mg-Y-Ni-cu系统的一项创新研究：机器学习驱动的Ni-MH CTM蓄电池合金电循环优化

本研讨经过对高熵Mg-Y-Ni-Cu体系的探索，考察了Ni-MH电池合金电化学功能的提升。尽管关于能量存储资料的研讨已十分广泛，但没有有运用机器学习对Mg 50-x Y x Ni 45 Cu 5 (x = 0–4) 合金电循环功能进行调查的研讨。为填补这一空白，本研讨根据试验数据构建了四个人工神经网络模型，用于猜测关键功能指标，包含放电容量、电位、坚持率以及高倍率放电才能。这些选用Levenberg-Marquardt办法开发的模型完成了猜测精度，误差率为0.26%，明显削减了很多试验试验的需求。本研讨展示了机器学习快速评估合金功能的才能，然后完成了明显的本钱和时刻功率。本研讨的立异之处在于运用机器学习优化高熵Mg-Y-Ni-Cu合金，这是文献中此前未曾讨论过的战略。研讨成果填补了文献中的重要空白，并为未来开发具有更高功能和功率的先进能量存储体系提供了极具远景的方向。该办法标志着可持续能量存储技术领域中数据驱动型资料优化的突破性进展。

引言

化石燃料的有限可获得性使得树立一个以新式高效能量转换技术为中心的可持续动力经济变得十分必要。作为可持续动力的重要东西之一，对可再生动力日益增长的需求为电池技术的前进铺平了道路。高功率电池的发展在完成大容量、高倍率功能和长循环寿数方面将面对重大挑战。镍氢（Ni-MH）充电电池因其固有的优势，包含高能量密度和环保特性，近年来引起了广泛关注。由于价格实惠、环保无污染以及优异的抗过充和过放电才能，Ni-MH电池被广泛应用于混合动力汽车、数字电子设备、电动东西及其他职业。尽管Ni-MH电池技术已取得明显进展，但与其他电池体系比较，它在竞争力方面仍面对妨碍。因而，Ni-MH电池难以满足很多应用领域广泛且不断增长的需求[1,2]。所以，开发具有杰出电化学功能的Ni-MH电池至关重要[3,4]。全球对可再生和可持续动力解决方案的推进加剧了对先进储能技术的需求。Ni-MH电池仍然必不可少...
Zhang等人[5]研讨了在镍氢电池负极中添加多壁碳纳米管（MWCNTs），然后制备出一种高功率复合镍氢电池。该研讨发现，MWNTs明显改善了电池的电化学功能，特别是在大电流放电和循环寿数方面。当MWCNT分量比为0.8%时，电池功能到达最佳。Xu等人[6]初次运用非合金化催化Mg作为Ni-MH电池的阳极。他们添加了TiF3以加速吸氢动力学。避免钝化的战略包含保护性电极封装、离子液体和碱性聚合物薄膜。完成了杰出的电化学功能。Zeng等人[7]经过球磨法合成了La-Mg-Ni-Co基AB2型合金。该研讨考察了Ni含量对结构和电化学功能的影响。样品显示出主相LaMgNi4和次相Lanthanum pentanickel。各相的丰度随Ni含量的变化而改变，Ni含量的增加导致Lanthanum pentanickel相增多，而LaMgNi4相削减。球磨和镍的添加有助于细化合金晶粒。当镍含量为20 wt%时，复合合金电极完成了73.42%的最大循环坚持率。Boasquevisque等人[8]开发了一种新的湿法冶金办法，用于将Ni-MH氢化物电池阳极收回为混合氧化物资料。
机器学习是优化储能体系资料（如Ni-MH电池合金）的强大东西。常见的机器学习算法包含决策树、支撑向量机、随机森林、k-最近邻和人工神经网络（ANNs）。ANNs十分适合对变量之间杂乱的非线性关系进行建模，例如电池合金中的成分与循环功能之间的关系。但是，它们需求很多数据，如果调优不当可能会出现过拟合问题。支撑向量机对过拟合具有鲁棒性，并且在中小规模数据集上表现杰出。它们常用于资料科学中的分类和回归使命，可以可靠地猜测各种条件下的相稳定性或资料功能。随机森林经过结合多个决策树，在准确性和可解释性之间取得了平衡，但在处理大规模数据集时核算本钱较高，且需求调优以最大化猜测功能。k-最近邻易于了解和完成，适用于小数据集，并能在输入与输出的线性关系中提供准确的猜测。但是，它的核算强度较大，尤其是在处理大规模数据集时，且其功能在高维空间中可能会下降。总归，机器学习是优化储能体系资料（如Ni-MH电池合金）的名贵东西。
Machine Learning的出现为电池技术的前进带来了额定且意想不到的远景。Machine Learning不仅可以从数据中学习形式和规律，还能促进自动化筛选并生成契合特定目标的全新目标成果[18]。此外，它使得忽略电池的物理或化学特性成为可能，然后有效地处理与电池相关的杂乱非线性数据。而且，它有助于在明显缩短的时刻内以极低的本钱完成针对性评估，然后加速了可充电电池的研讨。别的，Machine Learning可以经过可视化电芯内部来监测电池的老化过程，然后为研讨人员提供指导[19]。Machine Learning凭仗其独立履行了解电池等杂乱使命的才能，已成为一种全新的问题解决办法[20]。近年来，人工智能的前进促使人们探索多种Machine Learning算法。这些算法正被用于推进电池领域的立异，包括的使命包含猜测电池状况、制定高效的快速充电流程以及辅助发现新资料以供筛选之用。Machine Learning模型的应用开发在整体趋势方面正在逐步推进。此外，不断涌现的...
Fang等人[21]开发了一种运用ANNs的猜测模型，用于镍氢电池表面温度模拟。该模型选用反向传播网络和线性回归办法进行练习。该模型猜测了各种环境温度下的电池表面温度，保证了准确性。但是，过充可能会导致安全问题，由于在60 °C条件下，该模型的成果超过了90 °C。Yang等人[22]的研讨讨论了在38.120 LiFeO 4电芯周围嵌入镍多孔介质的影响。锂离子电池和介质被放置在一个装有水和纳米封装相变资料的管道中。成果表明，锂离子电池的最大温度明显下降，而压降增加了100倍。孔隙率的下降对压降和锂离子电池表面的最大温度具有更明显的影响。该研讨的设计挑选和练习程序提高了ANN在猜测锂离子电池最大温度方面的可靠性。Belbachir等人[23]提出了一个关于电池储能和风力涡轮机分布式发电的最优选址定容问题。他们运用了一个带有长时间回忆组件的改进版Artificial Hummingbird Algorithm，以优化根据技术经济参数的多目标函数。这使得算法可以考虑更广泛的有远景的选址，并下降早熟危险。