洁净煤技术

作者：杨宜坤, 吴震, 刘洪皓, 张早校

关键词：太阳能热利用,金属氢化物,储氢储热,机器学习,性能对比

金属氢化物材料具有储氢/热密度高，工作温度区间广，无污染无腐蚀性的优点，被认为是理想的储氢/热材料。金属氢化物储氢/热材料可以通过掺杂不同元素形成多元合金，以开发具有不同目标性能的材料。这种方法依赖实验合成，十分耗费时间和经济成本。数据驱动的机器学习性能预测模型可以解决这一问题，通过测试对比最小二乘回归、最小绝对收缩和选择操作符回归、岭回归、弹性网络回归、支持向量回归和随机森林回归多种回归算法，成功建立了金属氢化物微观材料性质与宏观形成能之间的关系。测试结果显示随机森林回归具有最好的预测性能，在训练集和测试集上相对误差均较小，仅为3.078和8.2011，且决定系数较高，具有良好的回归能力和泛化能力。SHAP分析中表明组成金属氢化物的基态原子体积的均值和最值具有高达5.56和1.26的SHAP值，这2个因素很大程度上决定了金属氢化物材料的形成能大小。对Mg基，Ca基，AB、AB2及AB5型金属氢化物材料预测结果分析显示预测相对误差均在9%以下，证明了模型准确性及普适性，可用于未知数据集的形成能预测。

来源：2024年第12期

《洁净煤技术》期刊编辑部

查看洁净煤技术杂志2024年第12期