基于神经网络的锂离子电池负极材料能量密度预测方法技术

本发明专利技术公开了一种基于神经网络的锂离子电池负极材料能量密度预测方法，其特征在于，包括以下步骤：步骤1：采集材料数据，并对材料数据进行预处理后得到总样本集，将分为测试集样本和训练集样本；步骤2：构建BP神经网络模型；步骤3：初始化BP神经网络模型的各项参数；步骤4：对BP神经网络模型进行训练，得到最佳的预测网络；步骤5：对BP神经网络模型的拟合度进行测试；步骤6：在经过拟合度测试后的BP神经网络模型中输入待预测样本进行预测，得到负极材料能量密度。本发明专利技术可以很好的预测锂离子电池负极材料的能量密度，且过程快速稳定。

【技术实现步骤摘要】
基于神经网络的锂离子电池负极材料能量密度预测方法
本专利技术涉及人工智能领域，具体提供一种基于神经网络的锂离子电池负极材料能量密度预测方法。
技术介绍
锂电池负极材料能量密度是影响锂电池器件能量密度的关键指标，离子能量密度、电子能量密度决定了锂电池器件的倍率特性，是锂电池负极材料的性能好坏的重要指标。锂电池负极材料的传统研发过程主要按照假设-验证的方式进行，通过大量的重复迭代实验，不断改变实验参数，从而使实验材料性能不断逼近目标材料。通过这种传统方式研究新材料，严重拖慢了高科技产业的发展步伐。每种新材料的研发要应用平均需要花费15年时间，已无法满足高科技产业发展对新材料的需求。近年来出现了通过机器学习方法预测材料性质的技术，如逻辑回归模型、向量机模型，均已经获得初步成效。但是，上述技术常常出现以下缺陷：一、训练大量数据的时候，支持向量机模型对硬件设备的需求常常过大，低配置设备会导致模型无法训练。二、逻辑回归模型对数据要求高，训练结果容易欠拟合，分类精度不高。三、以上两种数学模型不具有普遍适用性，常用于预测特定的材料特定的性质。因此，如何克服上述技术存在的问题，以快速、准确的预测锂电池负极材料能量密度是研发高性能锂离子电池负极的重中之重。
技术实现思路
本专利技术的目的在于克服上述缺陷，提供一种基于神经网络的锂离子电池负极材料能量密度预测方法，包括以下步骤：步骤1：采集材料数据，并对材料数据进行预处理后得到总样本集，将总样本集以1：9的比例随机划分为测试集样本和训练集样本；步骤2：构建BP神经网络模型，并选择传递函数、训练函数和学习函数；所述BP神经网络模型由输入层、隐含层和输出层构成；其中，隐含层包括第一隐含层和第二隐含层，输入层包含8个神经元、第一隐含层包含80个神经元、第二隐含层包含40个神经元、输出层包含1个神经元；步骤3：初始化BP神经网络模型的各项参数；步骤4：利用现有的“输入-输出”训练集样本数据对BP神经网络模型进行训练，得到最佳的预测网络；步骤5：利用现有的“输入-输出”测试集样本数据对BP神经网络模型的拟合度进行测试；步骤6：在经过拟合度测试后的BP神经网络模型中输入待预测样本进行预测，得到负极材料能量密度。进一步的，所述步骤1中采集724组材料数据，每组数据包含1个标签；对724组材料数据进行归一化处理后得到724组总样本集，将724组总样本集以1：9的比例随机划分为测试集样本和训练集样本。所述步骤3中初始化BP神经网络模型的各项参数包括：将sigmoid函数作为激活函数、交叉熵作为损失函数、梯度下降法作为损失函数，采用高斯分布初始化权值和偏差，学习速率设置为0.0005，阈值设置为0.1、训练次数设置为3000次、训练步长设置为100。所述步骤4中对BP神经网络模型进行训练具体包括以下步骤：在训练集样本数据中随机抽取训练步长个数的输入样本，在步骤3中初始化的参数条件下，初始时通过正向传播，由输入层-第一隐含层-第二隐含层-输出层进行计算，输出值同为标签，对比输出层的实际输出标签值与训练集样本中的标签值，即可计算该次训练的人工神经网络模型对训练集样本的拟合度，并判断网络拟合度是否满足要求；当拟合度达到预设精度或训练次数大于设定的最大次数时，则结束训练；当拟合度未达到预设精度时，系统将误差反向传播，按照设定的学习速率对权值进行调整，并重复输入样本进行计算，直到满足要求或者达到设定的最大训练次数。所述步骤5中对BP神经网络模型的拟合度进行测试具体包括以下步骤：将测试集样本作为输入样本，并在经过步骤4的训练调整之后的网络层连接权值及神经元阀值条件下，通过正向传播，由输入层-第一隐含层-第二隐含层-输出层进行计算，输出值同为标签，对比输出层的实际输出标签值与训练样本中的标签值，即可计算出训练好的BP神经网络模型对测试集样本的拟合度。本专利技术较现有技术相比，具有以下优点及有益效果：本专利技术可以很好的预测锂离子电池负极材料的能量密度，且过程快速稳定。附图说明图1为本专利技术的人工神经网络结构示意图。图2为本专利技术的方法流程示意图。具体实施方式下面结合实施例对本专利技术作进一步地详细说明，但本专利技术的实施方式并不限于此。实施例如图2所示，本专利技术的基于神经网络的锂离子电池负极材料能量密度预测方法，包括以下步骤：步骤1：从材料数据库中采集724组材料数据，每组数据包含8个特征和1个标签值，对724组材料数据进行归一化处理后得到724组总样本集，将724组总样本集以1：9的比例随机划分为测试集样本和训练集样本。具体的，所采集的材料数据包括材料的原子个数、密度、能带宽度、表面能、原子坐标字段，所采集的材料数据作为输入参量，本实施例中采集钛基类负极材料的数据。其中，8个特征作为人工神经网络的输入，标签值则为人工神经网络的输出。步骤2：构建BP神经网络模型，并选择传递函数、训练函数和学习函数；所述BP神经网络模型由输入层、隐含层和输出层构成，如图1所示；其中，隐含层包括第一隐含层和第二隐含层，输入层包含8个特征输入的8个神经元、第一隐含层包含80个神经元、第二隐含层包含40个神经元、输出层包含标签值的1个神经元。其中，选择线性-对数形式的传递函数、Levenberg-Marguart训练函数以及梯度下降动量学习函数learngdm。步骤3：创建好BP神经网络模型后，需为该网络模型选择适当的激活函数和学习算法，以激活整个网络的学习、反馈和最终的预测功能，因此需要初始化BP神经网络模型的各项参数。具体的，本实施例将sigmoid函数作为激活函数、交叉熵作为损失函数、梯度下降法作为损失函数，采用高斯分布初始化权值和偏差，学习速率设置为0.0005，阈值设置为0.1、训练次数设置为3000次、训练步长设置为100。步骤4：在BP神经网络模型搭建好和各项参数初始化以后利用现有的“输入-输出”训练集样本数据对BP神经网络模型进行训练，得到最佳的预测网络。BP神经网络模型的训练过程，是输入的变量正向计算与误差反向传播时各层中的权值矩阵不断反复地调整，使得拟合度高于要求精度的过程，其具体的训练方法如下：在训练集样本数据中随机抽取训练步长个数的输入样本，在步骤3中初始化的参数条件下，初始时通过正向传播，由输入层-第一隐含层-第二隐含层-输出层进行计算，输出值同为标签，对比输出层的实际输出标签值与训练集样本中的标签值，即可计算该次训练的人工神经网络模型对训练集样本的拟合度，并判断网络拟合度是否满足要求；当拟合度达到预设精度或训练次数大于设定的最大次数时，则结束训练；当拟合度未达到预设精度时，系统将误差反向传播，按照设定的学习速率对权值进行调整，并重复输入样本进行计算，直到满足要求或者达到设定的最大训练次数。在本实例中，BP神经网络模型训练经过了3000次后，达到了96％以上的训练集拟合度，说明本专利技术的人工神经网络模型收敛速度快，训练效果好。步骤5：在BP神经网络模型搭建训练好以后，各项权重都有了确定的数值，利用现有的“输入-输出”测试集样本数据对BP神经网络模型的拟合度进行测试，具体的测试方法如下：将测试集样本作为输入样本，并在经过步骤4的训练调整之后的网络层连接权值及神经元阀值条件下，通过正向传播，由输入层-第一隐含层-第二隐含层-输出层本文档来自技高网...

【技术保护点】
1.基于神经网络的锂离子电池负极材料能量密度预测方法，其特征在于，包括以下步骤：步骤1：采集材料数据，并对材料数据进行预处理后得到总样本集，将总样本集以1：9的比例随机划分为测试集样本和训练集样本；步骤2：构建BP神经网络模型，并选择传递函数、训练函数和学习函数；所述BP神经网络模型由输入层、隐含层和输出层构成；其中，隐含层包括第一隐含层和第二隐含层，输入层包含8个神经元、第一隐含层包含80个神经元、第二隐含层包含40个神经元、输出层包含1个神经元；步骤3：初始化BP神经网络模型的各项参数；步骤4：利用现有的“输入‑输出”训练集样本数据对BP神经网络模型进行训练，得到最佳的预测网络；步骤5：利用现有的“输入‑输出”测试集样本数据对BP神经网络模型的拟合度进行测试；步骤6：在经过拟合度测试后的BP神经网络模型中输入待预测样本进行预测，得到负极材料能量密度。

【技术特征摘要】
1.基于神经网络的锂离子电池负极材料能量密度预测方法，其特征在于，包括以下步骤：步骤1：采集材料数据，并对材料数据进行预处理后得到总样本集，将总样本集以1：9的比例随机划分为测试集样本和训练集样本；步骤2：构建BP神经网络模型，并选择传递函数、训练函数和学习函数；所述BP神经网络模型由输入层、隐含层和输出层构成；其中，隐含层包括第一隐含层和第二隐含层，输入层包含8个神经元、第一隐含层包含80个神经元、第二隐含层包含40个神经元、输出层包含1个神经元；步骤3：初始化BP神经网络模型的各项参数；步骤4：利用现有的“输入-输出”训练集样本数据对BP神经网络模型进行训练，得到最佳的预测网络；步骤5：利用现有的“输入-输出”测试集样本数据对BP神经网络模型的拟合度进行测试；步骤6：在经过拟合度测试后的BP神经网络模型中输入待预测样本进行预测，得到负极材料能量密度。2.根据权利要求1所述的基于神经网络的锂离子电池负极材料能量密度预测方法，其特征在于，所述步骤1中采集724组材料数据，每组数据包含1个标签；对724组材料数据进行归一化处理后得到724组总样本集，将724组总样本集以1：9的比例随机划分为测试集样本和训练集样本。3.根据权利要求2所述的基于神经网络的锂离子电池负极材料能量密度预测方法，其特征在于，所述步骤3中初始化BP神经网络模型的各项参数包括：将sigmoid函数作为激活函数、交叉熵作为损失函数、梯...

【专利技术属性】
技术研发人员：朱焱麟，向俊杰，
申请(专利权)人：成都云材智慧数据科技有限公司，
类型：发明
国别省市：四川,51