基于机器学习的多释氢温度复合储释氢材料设计方法技术

本发明专利技术公开了基于机器学习的多释氢温度复合储释氢材料设计方法，具体包括：DFT计算；数据收集；数据预处理；建立预测模型通过测定系数R<supgt;2</supgt;和均方根误差RMSE确定最优预测模型；通过最优预测模型筛选出构成二元氢化镁合金的Me元素及参杂量；通过得到的合金构建复合储释氢材料模型结构。本发明专利技术解决了现有技术中存在的释氢温度单一，计算和实验成本高的问题。

【技术实现步骤摘要】

本专利技术属于固态储氢，涉及基于机器学习的多释氢温度复合储释氢材料设计方法。

技术介绍

1、固态储氢具有高效、安全和高储氢密度等特点，目前，mgh2由于具有高的体积，重量密度(110kg h·m-3and 7.6wt％)与低的成本成为研究最多的金属氢化物之一，但其释氢温度高达350℃。合金化是降低mg-h键能，mgh2稳定性与放氢温度常见且有效的策略。但有大量未知比例、元素的合金氢化镁的储氢能力与释氢温度还未能测出。超碱团簇nli4修饰的石墨烯被由于高储氢容量(>10wt％)和常温释氢温度被认为是很有前途的固态储氢载体。然而这种储氢材料设计策略面向实际应用时显示出两方面的局限性：1)氢气的解离温度区间单一(仅位于常温附近)，无法根据不同的工程应用需求进行阶段性的放氢。2)对石墨烯的过利用。与金属块体的三维储氢方式相比，表面材料的二维储氢方式其宏观质量和生产成本存在几个量级的差距。因此，镁基储氢材料、石墨烯复合储氢材料释氢温度的可控问题需要解决。

2、传统的储氢材料研究需要消耗大量的实验或计算资源，并且准确率低，研制效率低，需要通过实验的方本文档来自技高网...

【技术保护点】

1.基于机器学习的多释氢温度复合储释氢材料设计方法，其特征在于，具体按照以下步骤实施：

2.根据权利要求1所述的基于机器学习的多释氢温度复合储释氢材料设计方法，其特征在于，所述步骤2中DFT计算数据被随机分成训练集和测试集，训练集和测试集比例为4:1。

3.根据权利要求1所述的基于机器学习的多释氢温度复合储释氢材料设计方法，其特征在于，所述步骤5中R2接近1且RMSE接近0时，机器学习模型为最优预测模型。

4.根据权利要求3所述的基于机器学习的多释氢温度复合储释氢材料设计方法，其特征在于，所述测定系数R2和均方根误差RMSE计算分别如下：

...

【技术特征摘要】

1.基于机器学习的多释氢温度复合储释氢材料设计方法，其特征在于，具体按照以下步骤实施：

2.根据权利要求1所述的基于机器学习的多释氢温度复合储释氢材料设计方法，其特征在于，所述步骤2中dft计算数据被随机分成训练集和测试集，训练集和测试集比例为4:1。

3.根据权利要求1所述的基于机器学习的多释氢温度复合储释氢材料设计方法，其特征在于，所述步骤5中r2接近1且rmse接近0时，机器学习...

【专利技术属性】
技术研发人员：崔红，彭体人，蒋祺，冯荣，
申请(专利权)人：陕西理工大学，
类型：发明
国别省市：