CN113488118A - 利用bp神经网络模型预测镁基固态储氢材料性能的方法 - Google Patents

利用bp神经网络模型预测镁基固态储氢材料性能的方法 Download PDF

Info

Publication number
CN113488118A
CN113488118A CN202110923529.0A CN202110923529A CN113488118A CN 113488118 A CN113488118 A CN 113488118A CN 202110923529 A CN202110923529 A CN 202110923529A CN 113488118 A CN113488118 A CN 113488118A
Authority
CN
China
Prior art keywords
neural network
network model
magnesium
storage material
hydrogen storage
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110923529.0A
Other languages
English (en)
Inventor
方沛军
邹建新
陈亚琴
张雷
伍远安
曹俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hydrogen Storage Shanghai Energy Technology Co ltd
Original Assignee
Hydrogen Storage Shanghai Energy Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hydrogen Storage Shanghai Energy Technology Co ltd filed Critical Hydrogen Storage Shanghai Energy Technology Co ltd
Priority to CN202110923529.0A priority Critical patent/CN113488118A/zh
Publication of CN113488118A publication Critical patent/CN113488118A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Hydrogen, Water And Hydrids (AREA)

Abstract

本发明提供了一种利用BP神经网络模型预测镁基固态储氢材料性能的方法，首先，确定与镁基固态储氢材料吸/放氢性能直接相关的主要操作参数，利用这些主要操作参数建立样本数据；然后，根据所述样本数据，建立用于预测镁基固态储氢材料吸/放氢过程的BP神经网络模型，并利用BP神经网络算法，对该BP神经网络模型进行训练，得到训练好的BP神经网络模型。最后，使用训练好的BP神经网络模型对镁基固态储氢材料进行预测，得到该镁基固态储氢材料的吸/放氢性能。本发明的有益效果是：可以快速预测镁基固态储氢材料的吸/放氢速率，对于寻找使镁基固态储氢材料吸/放氢性能达到最优的***状态点即相对应的温度和压力条件具有重要的意义。

Description

利用BP神经网络模型预测镁基固态储氢材料性能的方法
技术领域
本发明涉及加氢站领域，尤其涉及一种利用BP神经网络模型预测镁基固态储氢材料性能的方法。
背景技术
氢能是全球最具发展前景的清洁无污染能源，但是高压气态储氢存在储氢密度小、安全隐患大的问题，而液态储氢在氢气液化过程中需消耗大量能量且液态储氢对于储氢罐体的绝热性要求极高，从而限制了氢能的发展。镁基固态储氢材料由于其储氢量高、安全性能好、原材料充足、成本低廉等原因，成为未来大规模储运氢能的发展趋势。镁基固态储氢材料的储氢原理是：镁合金材料在一定的温度和压力条件下能够与氢气发生可逆反应即吸氢-脱氢反应，从而实现氢气的储存与释放。虽然，现阶段已经有测试设备来测试镁基固态储氢材料的性质与特点，但是关于测试数据的处理还仅限于人工分析，同时也没有关于镁基固态储氢材料吸/放氢性能的预测工作。镁基固态储氢材料吸/放氢性能的预测对于寻找使镁基固态储氢材料吸/放氢性能达到最优的***状态点即相对应的温度和压力条件具有重要的意义。
发明内容
为了解决上述问题，本发明提供了一种利用BP神经网络模型预测镁基固态储氢材料性能的方法，用于检测其吸/放氢的性能，测试***包括：氢气源、流量检测构件、固态储氢储存腔、温度检测构件、压力检测构件、换热构件、加热构件和冷却构件，主要包括以下步骤：
S1：确定与镁基固态储氢材料吸/放氢性能直接相关的主要操作参数，利用这些主要操作参数建立样本数据；
S2：根据所述样本数据，建立用于预测镁基固态储氢材料吸/放氢过程的BP神经网络模型，并利用BP神经网络算法，对该BP神经网络模型进行训练，得到训练好的BP神经网络模型；
S3：使用训练好的BP神经网络模型对镁基固态储氢材料进行预测，得到该镁基固态储氢材料的吸/放氢性能。
进一步地，所述主要参数包括：换热构件的进气/排气的流量，换热构件的进气/排气的压力和换热构件的储存腔内的温度。
进一步地，建立BP神经网络模型的具体过程如下：
(1)确定输入输出变量
将在镁基固态储氢材料吸/放氢过程中的换热构件进气/排气的压力和换热构件的储存腔内的温度作为所述BP神经网络模型的输入变量，将换热构件的进气/排气的流量作为所述BP神经网络的输出变量；
(2)所述BP神经网络模型的具体结构如下：
所述BP神经网络模型是包括输入层、隐含层和输出层的三层神经网络模型，BP神经网络模型的输入层所包含的神经元个数为2，分别对应镁基固态储氢材料吸/放氢过程中的换热构件进气/排气的压力和换热构件的储存腔内的温度，BP神经网络模型的输出层所包含的神经元个数为1个，为换热构件的进气/排气的流量；
(3)网络初始化并进行网络训练
根据设定好的BP神经网络的层数、输入变量个数、隐含层神经元个数以及输出变量个数，运用神经网络工具箱进行网络初始化和网络训练，然后，利用BP神经网络算法或者误差反向传播算法，按照设定的网络结构进行训练，达到预设精度或者最大迭代次数后即得到训练好的BP神经网络模型。
进一步地，所述BP神经网络模型的隐含层所包含的神经元个数采用经验公式计算出估计值：
Figure BDA0003208332010000021
其中，m和n分别为输入层和输出层所包含的神经元个数，a是[1-10]之间的常数，取M为10。
进一步地，为了提高神经网络训练的自适应性程度，把样本数据的20％作为测试数据，80％作为训练数据，在计算过程中打乱输入样本数据顺序，按照20％-80％的比例进行随机分配，寻找最优解，该BP神经网络模型的初始权值被随机赋值，学习速率设定为0.01，学习误差设定为5×10-3，最大迭代次数为10000次，隐含层的激活函数采用Logsig函数，输出层的激活函数采用Purelin函数。
进一步地，采用平均绝对百分误差MAPE、方差MSE以及决定系数R2作为评价BP神经网络模型性能的指标。
进一步地，平均绝对百分误差MAPE的计算公式为：
Figure BDA0003208332010000031
方差MSE的计算公式为：
Figure BDA0003208332010000032
决定系数R2的计算公式为：
Figure BDA0003208332010000033
——其中，YPred为BP神经网络模型预测值，YAct为实测值，YPred为预测值的平均值，N为数据点的数量。
本发明提供的技术方案带来的有益效果是：可以快速预测镁基固态储氢材料的吸/放氢速率，对于寻找使镁基固态储氢材料吸/放氢性能达到最优的***状态点即相对应的温度和压力条件具有重要的意义。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例中BP神经网络模型的结构图。
图2是本发明实施例中镁基固态储氢材料性能的测试***的结构图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
如图1所示，本发明的实施例提供了一种利用BP神经网络模型预测镁基固态储氢材料性能的方法，现有的镁基固态储氢材料性能测试***如图2所示，此***主要由氢气源1、流量检测构件2、固态储氢储存腔3、温度检测构件4、压力检测构件5、换热构件6、加热构件7和冷却构件8组成。其中，固态储氢储存腔3内充分填充镁基固态储氢材料，流量检测构件2用于检测所述换热构件的进气/排气的流量，压力检测构件5用于检测所述换热构件6的进气/排气的压力，温度检测构件4用于检测所述换热构件6的储存腔内的温度。所述的一种利用BP神经网络模型预测镁基固态储氢材料吸/放氢性能的方法具体包括以下步骤：
步骤一、样本数据的建立
确定与镁基固态储氢材料吸/放氢性能直接相关的主要操作参数：换热构件的进气/排气的流量，换热构件的进气/排气的压力，换热构件的储存腔内的温度，对这些参数进行样本数据的建立；
步骤二、构建神经网络模型
以建立的镁基固态储氢材料吸/放氢过程样本数据为基础进行BP神经网络模型的构建，具体操作如下：
1.确定输入输出变量
将在镁基固态储氢材料吸/放氢过程中的换热构件进气/排气的压力，换热构件的储存腔内的温度作为神经网络模型的输入变量，将换热构件的进气/排气的流量作为神经网络的输出变量。
2.BP神经网络模型的网络结构描述
本发明设计的BP神经网络模型是包括输入层、隐含层和输出层的三层神经网络模型，BP神经网络模型的输入层所包含的神经元个数为2，分别对应镁基固态储氢材料吸/放氢过程中的换热构件进气/排气的压力、换热构件的储存腔内的温度。BP神经网络模型的输出层所包含的神经元个数为1个，为换热构件的进气/排气的流量。BP神经网络模型的隐含层所包含的神经元个数采用经验公式给出估计值：
Figure BDA0003208332010000041
其中，m和n分别为输入层和输出层所包含的神经元个数，a是[1-10]之间的常数，取M为10。
3.网络初始化并进行网络训练
根据前述设定好的BP神经网络的层数、输入变量个数、隐含层神经元个数以及输出变量个数，通过运用神经网络工具箱进行网络初始化和网络训练。为了提高神经网络训练的自适应性程度，作为本发明的一种具体实施方式，把样本数据的20％作为测试数据，80％作为训练数据，在计算过程中打乱输入样本数据顺序，按照20％-80％的比例进行随机分配，寻找最优解。神经网络模型的初始权值被随机赋值，学习速率设定为0.01，学习误差设定为5×10-3，最大迭代次数为10000次。隐含层的激活函数采用Logsig函数，输出层的激活函数采用Purelin函数，Logsig函数和Purelin函数的公式如下：
Logsig函数：
Figure BDA0003208332010000051
purelin函数：
Figure BDA0003208332010000052
然后，利用BP神经网络算法或者是误差反向传播算法，按照如图1所示的设定的网络结构进行训练，训练结束后得到BP神经网络模型。
步骤三、计算镁基固态储氢材料吸/放氢性能的预测值
采用平均绝对百分误差MAPE、方差MSE以及决定系数R2作为评价BP神经网络模型性能的指标，具体如下：
平均绝对百分误差MAPE的计算公式为：
Figure BDA0003208332010000053
方差MSE的计算公式为：
Figure BDA0003208332010000054
决定系数R2的计算公式为：
Figure BDA0003208332010000055
其中，YPred为神经网络模型预测值，YAct为实测值，
Figure BDA0003208332010000061
为预测值的平均值，N为数据点的数量。
若预测值和实测值决定系数R2的值在80％以上，说明此时的BP神经网络模型的预测效果较好，可以用来作为预测镁基固态储氢材料吸/放氢性能的工具。
本发明的有益效果是：可以快速预测镁基固态储氢材料的吸/放氢速率，对于寻找使镁基固态储氢材料吸/放氢性能达到最优的***状态点即相对应的温度和压力条件具有重要的意义。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种利用BP神经网络模型预测镁基固态储氢材料性能的方法，具体用于检测镁基固态储氢材料的吸/放氢性能，测试***包括：氢气源、流量检测构件、固态储氢储存腔、温度检测构件、压力检测构件、换热构件、加热构件和冷却构件，其特征在于：该方法包括以下步骤：
S1：确定与镁基固态储氢材料吸/放氢性能直接相关的主要操作参数，利用这些主要操作参数建立样本数据；
S2：根据所述样本数据，建立用于预测镁基固态储氢材料吸/放氢过程的BP神经网络模型，并利用BP神经网络算法，对该BP神经网络模型进行训练，得到训练好的BP神经网络模型；
S3：使用训练好的BP神经网络模型对镁基固态储氢材料进行预测，得到该镁基固态储氢材料的吸/放氢性能。
2.如权利要求1所述的一种利用BP神经网络模型预测镁基固态储氢材料性能的方法，其特征在于：步骤S1中，所述主要参数包括：换热构件的进气/排气的流量，换热构件的进气/排气的压力和换热构件的储存腔内的温度。
3.如权利要求1所述的一种利用BP神经网络模型预测镁基固态储氢材料性能的方法，其特征在于：步骤S2中，建立BP神经网络模型的具体过程如下：
(1)确定输入输出变量
将在镁基固态储氢材料吸/放氢过程中的换热构件进气/排气的压力和换热构件的储存腔内的温度作为所述BP神经网络模型的输入变量，将换热构件的进气/排气的流量作为所述BP神经网络的输出变量；
(2)所述BP神经网络模型的具体结构如下：
所述BP神经网络模型是包括输入层、隐含层和输出层的三层神经网络模型，BP神经网络模型的输入层所包含的神经元个数为2，分别对应镁基固态储氢材料吸/放氢过程中的换热构件进气/排气的压力和换热构件的储存腔内的温度，BP神经网络模型的输出层所包含的神经元个数为1个，为换热构件的进气/排气的流量；
(3)网络初始化并进行网络训练
根据设定好的BP神经网络的层数、输入变量个数、隐含层神经元个数以及输出变量个数，运用神经网络工具箱进行网络初始化和网络训练，然后，利用BP神经网络算法或者误差反向传播算法，按照设定的网络结构进行训练，达到预设精度或者最大迭代次数后即得到训练好的BP神经网络模型。
4.如权利要求3所述的一种利用BP神经网络模型预测镁基固态储氢材料性能的方法，其特征在于：步骤(2)中，所述BP神经网络模型的隐含层所包含的神经元个数采用经验公式计算出估计值：
Figure FDA0003208325000000021
其中，m和n分别为输入层和输出层所包含的神经元个数，a是[1-10]之间的常数，取M为10。
5.如权利要求3所述的一种利用BP神经网络模型预测镁基固态储氢材料性能的方法，其特征在于：步骤(3)中，为了提高神经网络训练的自适应性程度，把样本数据的20％作为测试数据，80％作为训练数据，在计算过程中打乱输入样本数据顺序，按照20％-80％的比例进行随机分配，寻找最优解，该BP神经网络模型的初始权值被随机赋值，学习速率设定为0.01，学习误差设定为5×10-3，最大迭代次数为10000次，隐含层的激活函数采用Logsig函数，输出层的激活函数采用Purelin函数。
6.如权利要求1所述的一种利用BP神经网络模型预测镁基固态储氢材料性能的方法，其特征在于：步骤S3中，采用平均绝对百分误差MAPE、方差MSE以及决定系数R2作为评价BP神经网络模型性能的指标。
7.如权利要求6所述的一种利用BP神经网络模型预测镁基固态储氢材料性能的方法，其特征在于：
平均绝对百分误差MAPE的计算公式为：
Figure FDA0003208325000000022
方差MSE的计算公式为：
Figure FDA0003208325000000023
决定系数R2的计算公式为：
Figure FDA0003208325000000031
其中，YPred为BP神经网络模型预测值，YAct为实测值，
Figure FDA0003208325000000032
为预测值的平均值，N为数据点的数量。
CN202110923529.0A 2021-08-12 2021-08-12 利用bp神经网络模型预测镁基固态储氢材料性能的方法 Pending CN113488118A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110923529.0A CN113488118A (zh) 2021-08-12 2021-08-12 利用bp神经网络模型预测镁基固态储氢材料性能的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110923529.0A CN113488118A (zh) 2021-08-12 2021-08-12 利用bp神经网络模型预测镁基固态储氢材料性能的方法

Publications (1)

Publication Number Publication Date
CN113488118A true CN113488118A (zh) 2021-10-08

Family

ID=77945107

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110923529.0A Pending CN113488118A (zh) 2021-08-12 2021-08-12 利用bp神经网络模型预测镁基固态储氢材料性能的方法

Country Status (1)

Country Link
CN (1) CN113488118A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114509951A (zh) * 2022-04-21 2022-05-17 浙江浙能航天氢能技术有限公司 一种基于神经网络的加氢自适应控制方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108573320A (zh) * 2018-03-08 2018-09-25 中国石油大学(北京) 页岩气藏最终可采储量的计算方法和***
US10613232B1 (en) * 2019-03-27 2020-04-07 Beihang University Ground-based augmentation system capable of predicting tropospheric refractive index with high precision
CN111625953A (zh) * 2020-05-21 2020-09-04 中国石油大学(华东) 气体高压等温吸附曲线预测方法、***、存储介质、终端
CN112432878A (zh) * 2020-11-30 2021-03-02 氢储(上海)能源科技有限公司 镁基固态储氢材料性能测试***

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108573320A (zh) * 2018-03-08 2018-09-25 中国石油大学(北京) 页岩气藏最终可采储量的计算方法和***
US10613232B1 (en) * 2019-03-27 2020-04-07 Beihang University Ground-based augmentation system capable of predicting tropospheric refractive index with high precision
CN111625953A (zh) * 2020-05-21 2020-09-04 中国石油大学(华东) 气体高压等温吸附曲线预测方法、***、存储介质、终端
CN112432878A (zh) * 2020-11-30 2021-03-02 氢储(上海)能源科技有限公司 镁基固态储氢材料性能测试***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吕丹: "《基于BP神经网络的同龄林林木资源资产批量评估模型研究》", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114509951A (zh) * 2022-04-21 2022-05-17 浙江浙能航天氢能技术有限公司 一种基于神经网络的加氢自适应控制方法及装置

Similar Documents

Publication Publication Date Title
Chen et al. A fast charging–cooling coupled scheduling method for a liquid cooling-based thermal management system for lithium-ion batteries
Murugan et al. Thermal management system of lithium-ion battery packs for electric vehicles: An insight based on bibliometric study
Zhang et al. Global optimization of reliability design for large ball mill gear transmission based on the Kriging model and genetic algorithm
CN109900937B (zh) 一种具有温度补偿功能的锂电池电荷状态估算方法
CN101013765A (zh) 一种实时估计镍氢动力电池内外温差的方法
Li et al. Function chain neural network prediction on heat transfer performance of oscillating heat pipe based on grey relational analysis
CN113488118A (zh) 利用bp神经网络模型预测镁基固态储氢材料性能的方法
CN114966451B (zh) 一种基于物理信息神经网络的电源产品剩余使用寿命在线预测方法
CN114298381A (zh) 一种基于电力数据的能源行业碳排放预测方法
CN102419827A (zh) 基于rbf神经网络的沸腾换热预测方法
Liu et al. Energy storage battery SOC estimate based on improved BP neural network
Huang et al. Correlation analysis and prediction of PEM fuel cell voltage during start-stop operation based on real-world driving data
CN115542165A (zh) 一种锂离子电池健康状态的预测方法
CN116718633A (zh) 一种绝热材料绝热性能软测量智能检测***及方法
Tiwari et al. Experimental investigation, development of machine learning model and optimization studies of a metal hydride reactor with embedded helical cooling tube
CN116796285A (zh) 基于多源信息融合的动力电池热失控超前预警方法及***
CN110442923A (zh) 一种锂离子电池液冷热管理***稳健设计优化方法
CN115081293A (zh) 一种基于代理模型的鼓泡塔碳捕获工艺的多目标优化方法
CN110556595B (zh) 储能用磷酸铁锂电池安全管理***的质态失衡预测方法
Zhang Modelling of the thermal conductivity in cold chain logistics based on micro-PCMs
Kumar et al. Machine learning modelling and optimization for metal hydride hydrogen storage systems
Liu et al. Battery management of new energy vehicle based on CFD
Ou et al. Performance analysis of a liquid desiccant air conditioning system based on a data-driven model
US20240133958A1 (en) Method and system for step parameter identification based on electrochemical model
Reddy et al. Performance prediction of vapor compression refrigeration system using artificial neural network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20211008

RJ01 Rejection of invention patent application after publication