一种基于神经网络的锂离子电池专用灭火剂分子性质预测方法技术

本发明专利技术公开了一种利用神经网络算法预测碳氟化合物作为灭火剂的性质预测的方法

【技术实现步骤摘要】
一种基于神经网络的锂离子电池专用灭火剂分子性质预测方法


[0001]本专利技术属于人工智能和化学领域，具体涉及一种基于神经网络的锂离子电池专用灭火剂分子性质预测方法
。

技术介绍

[0002]锂离子电池火灾是内源性火灾，具有着火速度快
、
蔓延迅速
、
会爆炸
、
持续时间长等特点，用传统隔绝空气原理
(
气体消防
)
来实现灭火不具适用性，电化学反应过程中的热失控是火灾的根源：灭明火阻蔓延
+
降温防复燃
。
常规灭火剂如七氟丙烷只能扑灭明火，不具备持续降温防复燃的功能，无法阻断电池热失控，难以彻底扑灭火灾
。
水基灭火剂会损伤其它设备和正常电池，从而造成次生灾害
。
[0003]碳氟化合物
(Fluorocarbon)
是将碳氢化合物中所含的一部分或全部氢换为氟而得到的一类有机化合物，普遍具有良好的综合传热性能，可以实现无闪点不可燃
。
由于
C
‑
F
键能较大，碳氟化合物惰性较强，不易与其它物质反应，是良好的兼容材料
。
同时由于氟原子的极性较低，碳氟化合物具有良好的化学惰性
、
电气绝缘性能
、
热传导性
。
碳氟化合物的这些属性特点适用于扑救锂离子电池火灾
。
但目前尚无专用的碳氟化合物用作锂离子电池火灾专用灭火剂
。
[0004]通过实验方法一一试错会产生大量的人工成本
。
随着机器学习
、
人工智能技术的发展，新型材料开发模式也发生了改变，利用机器学习处理大数据的优势，替代模拟计算和试错实验中存在的重复耗时过程，可以大大提高材料的研发效率
。
神经网络具有强大的非线性拟合能力，而这种拟合能力是建立在大量的训练数据集的基础上
。
随着设计参数量的增加，若将灭火剂的分子结构以图像处理的方式进行预测，神经网络拟合难度将呈指数型上升
。
因此，基于深度学习的超材料快速逆设计主要难点在于如何将设计参数合理降低，并将训练数据集充分利用，提升神经网络的预测和拟合能力
。

技术实现思路

[0005]本专利技术针对现有技术存在的问题，提供了一种基于神经网络的锂离子电池专用灭火剂分子性质预测模型，为碳氟化合物的灭火性质预测提供新的解决方案
。
[0006]为实现上述目的，本专利技术采用的技术方案如下：
[0007]一种基于神经网络的锂离子电池专用灭火剂分子性质预测方法，包括如下步骤：
[0008]收集已知碳氟化合物的分子结构特征和灭火性质数据；
[0009]按照预定规则将所述碳氟化合物分子结构特征提取，得到碳氟化合物分子结构特征矩阵；
[0010]将提取的碳氟化合物分子结构特征矩阵输入灭火剂分子效果预测神经网络；所述灭火剂分子效果预测神经网络对所述碳氟化合物分子进行计算后输出碳氟化合物分子的灭火性质数据
。
[0011]进一步地，所述碳氟化合物的分子结构特征包括分子质量
、
氟原子数
、
原子类型
、
键的类型
、
环的类型
、
官能团的类型至少之一
。
[0012]进一步地，所述灭火剂性质包括汽化潜热
、
介电强度
、
绝缘性
、
热导率
、
比热容
、
生物毒性
、
沸点至少之一
。
[0013]进一步地，所述碳氟化合物分子结构特征提取采用
MATLAB
脚本通过
invoke()
函数调用
CST
软件实现
。
[0014]进一步地，所述碳氟化合物分子结构特征矩阵为0‑1矩阵，其构建方法包括：
[0015]将碳氟化合物分子的化学结构表示为图形或分子式，以便计算机可以处理；
[0016]确定在0‑1矩阵中表示的分子结构特征；
[0017]使用化学信息学工具或库来生成分子的描述符；
[0018]将生成的分子描述符进行二值化，将每个描述符的值映射为0或1；
[0019]根据生成的二进制描述符，创建一个0‑1矩阵
。
[0020]进一步地，所述将碳氟化合物分子的化学结构表示为图形或分子式的方法采用
SMILES
或
InChI。
[0021]进一步地，所述化学信息学工具或库为
RDKit、Open Babel
或
CDK。
[0022]进一步地，所述0‑1矩阵为
20
×
20
的0‑1矩阵
。
[0023]进一步地，所述灭火剂分子效果预测神经网络的构建过程包括：
[0024]确定输入层的节点，所述输入层节点为分子结构特征矩阵；
[0025]确定输出层的节点，所述输出层节点为碳氟化合物的灭火性质数据
。
[0026]进一步地，所述灭火性质包括汽化潜热
、
介电强度
、
绝缘性
、
热导率
、
比热容
、
生物毒性
、
沸点至少之一
。
[0027]进一步地，输出碳氟化合物分子的灭火性质数据后，选择汽化潜热大于
88kJ/kg
，介电强度大于
20kv
的碳氟化合物分子作为灭火剂材料
。
[0028]相对于现有技术，本专利技术具有以下有益效果：
[0029]本专利技术提出了一种利用神经网络算法预测碳氟化合物作为灭火剂的性质预测的方法，经验证，本专利技术输出的性质参数与所述碳氟化合物分子实际实验的性质比较，性质输出准确率约为
91
％，验证了基于神经网络的灭火剂分子预测的可行性
。
附图说明
[0030]图1是本专利技术中用于灭火剂分子性质预测的模型示意图
。
具体实施方式
[0031]下面将结合具体实施例对本专利技术的技术方案进行清楚
、
完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例
。
基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围
。
[0032]本专利技术提供一种利用神经网络算法预测碳氟化合物作为灭火剂的性质预测的方法
。
具体方法和步骤如下：
[0033]数据收集和准备：
[0034]收集已知碳氟化合物分子的结构和相应灭火性质数据集
。...

【技术保护点】

【技术特征摘要】
1.
一种基于神经网络的锂离子电池专用灭火剂分子性质预测方法，其特征在于：所述方法包括如下步骤：收集已知碳氟化合物的分子结构特征和灭火性质数据；按照预定规则将所述碳氟化合物分子结构特征提取，得到碳氟化合物分子结构特征矩阵；将提取的碳氟化合物分子结构特征矩阵输入灭火剂分子效果预测神经网络；所述灭火剂分子效果预测神经网络对所述碳氟化合物分子进行计算后输出碳氟化合物分子的灭火性质数据
。2.
根据权利要求1所述的灭火剂分子性质预测方法，其特征在于：所述碳氟化合物的分子结构特征包括分子质量
、
氟原子数
、
原子类型
、
键的类型
、
环的类型
、
官能团的类型至少之一
。3.
根据权利要求1所述的灭火剂分子性质预测方法，其特征在于：所述灭火性质包括汽化潜热
、
介电强度
、
绝缘性
、
热导率
、
比热容
、
生物毒性
、
沸点至少之一
。4.
根据权利要求1所述的灭火剂分子性质预测方法，其特征在于：所述碳氟化合物分子结构特征提取采用
MATLAB
脚本通过
invoke()
函数调用
CST
软件实现
。5.
根据权利要求1所述的灭火剂分子性质预测方法，其特征在于：所述碳氟化合物分子结构特征矩阵为0‑1矩阵，其构建方法包括：将碳氟化合物分子的化学结构表示为图形或分子式，以便计算机可以处理...

【专利技术属性】
技术研发人员：王博，白会涛，徐丽，谢恒，汪书苹，盛鹏，李圣驿，李慧，李昌豪，薛晴，程宜风，祝现礼，
申请(专利权)人：国网安徽省电力有限公司电力科学研究院，
类型：发明
国别省市：