一种基于机器学习的二元无机盐相变材料相变潜热预测方法及系统技术方案

本发明专利技术公开了一种基于机器学习的二元无机盐相变材料相变潜热预测方法及系统，包括：将二元无机盐相变潜热实验值作为输出参数；对收集的影响参数进行数学分析，筛选后作为输入参数；对输入参数和输出参数进行归一化；确定BPNN模型参数，获取模型最优超参数取值范围；构建BPNN初始模型；引入PSO算法，构建PSO‑BPNN预测模型，输入二元无机盐相变材料参数，输出相变潜热预测值。本发明专利技术对于实验室合成阶段和新型二元无机盐相变材料的相变潜热值能实现10％误差范围内的高精度预测，便于高效准确的提前判断出设计合成的新型二元无机盐相变材料是否达到目标的相变潜热性能要求。本发明专利技术满足了常见的二元无机盐的潜热预测工作，并确保了所建立预测方法及系统的广普适性。

【技术实现步骤摘要】

本专利技术属于相变材料性能预测，更具体地说，本专利技术涉及一种基于机器学习的二元无机盐相变材料相变潜热预测方法及系统。

技术介绍

1、相变储热技术所具有的能量密度高、相变过程温度近似恒定等优点，使其成为有效、稳定的能量管理和利用方式。相变储热材料是相变储热技术的核心，是相变储热系统中最关键的组成部分之一。相变材料的相变潜热是指材料在相变过程中单位质量所吸收或释放的热量，精准预测相变潜热可以确保相变储热材料的性能与特定应用需求相匹配，进而提高储热系统整体的效率和效益。

2、无机盐相变材料具有良好的热稳定性、较宽的工作温度和较高的储热能力，是极具潜力的新一代储能材料，广泛应用于太阳能热发电系统等热能存储系统。与纯无机盐相比，多组分无机盐具有可调的相变温度和相变潜热，受到研究人员的广泛关注。现有的二元无机盐相变潜热值数据多为研究人员实验测试获得，然而由于纯盐种类繁多、二元无机盐的组合空间巨大，使用传统的实验测试法获得二元无机盐的相变潜热数据将耗费大量人力物力，难以满足实际应用需求，亟需开发高精度的二元无机盐相变潜热预测方法，指导高潜热无机盐相变材料的本文档来自技高网...

【技术保护点】

1.一种基于机器学习的二元无机盐相变材料相变潜热预测方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于机器学习的二元无机盐相变材料相变潜热预测方法，其特征在于，所述步骤S1中，选取的二元无机盐相变潜热实验值为同一组分二元无机盐的唯一相变潜热值。

3.如权利要求1所述的基于机器学习的二元无机盐相变材料相变潜热预测方法，其特征在于，所述步骤S2中收集的相变潜热的多维影响参数数据包括二元无机盐相变材料组成成分信息以及各组元的分子量、热力学函数、原子电荷、电负性参数，构成一套多维度的二元无机盐相变材料相变潜热影响参数集。

4.如权利要求1所述的基于机...

【技术特征摘要】

1.一种基于机器学习的二元无机盐相变材料相变潜热预测方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于机器学习的二元无机盐相变材料相变潜热预测方法，其特征在于，所述步骤s1中，选取的二元无机盐相变潜热实验值为同一组分二元无机盐的唯一相变潜热值。

3.如权利要求1所述的基于机器学习的二元无机盐相变材料相变潜热预测方法，其特征在于，所述步骤s2中收集的相变潜热的多维影响参数数据包括二元无机盐相变材料组成成分信息以及各组元的分子量、热力学函数、原子电荷、电负性参数，构成一套多维度的二元无机盐相变材料相变潜热影响参数集。

4.如权利要求1所述的基于机器学习的二元无机盐相变材料相变潜热预测方法，其特征在于，所述步骤s5中，bpnn模型输入层的节点数由步骤s3中确定的输入参数个数决定；输出层的节点数由步骤s1中确定的输出参数个数决定；将隐藏层数从1层开始逐层增加，进行人工训练实验；将神经网络的隐藏层节点数依照基于倍数法则设置，选择输入层和输出层结点数之和的倍数开展训练实验，并按照递增的趋势训练网络，得到相关系数r2随隐藏层节点数的变化趋势，根据变化趋势考虑到网络收敛和精确度的综合角度判断最优隐藏节点数取值范围；其中，bpnn模型的输入层部分和输出层的节点个数分别为11个和1个，最优隐藏层层数取值范围为2-4，各隐藏层神经元个数取值范围为128-512，学习率设置在0.0001到0.1之间。

5.如权利要求1所述的基于机器学习的二元无机盐相变材料相变潜热预测方法，其特征在于，所述步骤s6的具体方法包括：根据步骤s5中设置的参数构建出bpnn初始模型，在网络的学习和训练过程中，选取relu函数为激活...

【专利技术属性】
技术研发人员：谈玲华，王雪梦，王欣敔，苗琪，吕静，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：