[发明专利]一种基于BP神经网络的固态电解质离子电导率预测方法

说明书

本发明公开了一种基于BP神经网络的固态电解质离子电导率预测方法，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：根据步骤1构建BP神经网络模型；步骤3：在BP神经网络模型中选择传递函数、训练函数和学习函数，并对各项参数进行初始化等步骤。本发明可以准确地预测含Li、Na、Mg、Al等元素的固态电解质离子电导率性能，再根据预测的结果，对其相应的成分和结构进行制备，可以减少电极材料设计过程中的盲目性，节省大量的时间和成本。

技术领域

本发明涉及人工智能领域，具体提供一种基于BP神经网络的固态电解质离子电导率预测方法。

背景技术

锂离子电池因其能量密度高，倍率特性好而广泛应用。但因电解液存在安全隐患，使用范围受到一定限制。固态电解质材料可以抑制负极处锂枝晶的生长，且具有不可燃烧的特性，可以在根本上解决锂电池使用安全问题，是下一代锂电池关键材料。传统材料研制主要采用“试错”实验方法，按照“提出假设-实验验证”的方式进行大量的重复迭代实验，从而使实验材料不断逼近目标材料。但是这种方法效率较低，新材料开发速度远远落后于新产品开发速度。20世纪以来，一种新材料从研发开始到实际应用需要大约10年，已无法满足诸如锂电池等领域对新材料的需求。

随着近年来出现了使用机器学习预测材料性质的技术，如使用支持向量机预测合金的形成玻璃能力、使用逻辑回归预测固态电解质的导电能力等，均已经获得初步成效。但是，上述技术任存在如下缺陷：一、在数据量非常大的时候，支持向量机训练对硬件设备的需求常常过大。二、逻辑回归模型容易欠拟合，分类精度可能不高。三、以上两种数学模型均只适合预测特定的材料性质，不具有普遍适用性。

因此，找到一种能实现对多类数据、不同硬件普遍适用的高精准率材料预测模型便是当务之急。

发明内容

本发明的目的在于克服现有的固态电解质离子电导率预测方法存在的上述缺陷，提供一种基于BP神经网络的固态电解质离子电导率预测方法，包括以下步骤：

步骤1：采集数据，预处理后得到BP神经网络模型所需要的总样本，将总样本集以2：8的比例随机划分为测试集样本和训练集样本；

其中，预处理的步骤如下：

(1.1)在采集的每组数据中提取化学式、原子坐标、晶格长度、体积字段作为输入参量；

(1.2)根据得到的输入参量计算出每组数据的10个特征；该10个特征包括平均原子体积，锂离子临近原子个数的标准偏差，锂离子键标准偏差，锂离子键平均值，锂离子临近原子个数的平均值，亚晶格的平均化学键离子性，平均亚晶格相邻原子数，阴离子结构配位数，阴离子体积，以及平均最小锂离子间隔距离；

步骤2：根据步骤1构建BP神经网络模型；

构建BP神经网络模型构建步骤如下：

(2.1)构建输入层和输出层，并计算用于组成输入层和输出层的神经元个数；其中，输入层和输出层的神经元个数计算用公式为：

Tout＝f(Tin1,Tin2,…,Tinn)

式中：Tout是神经网络需要预测的数据值，Tin1～Tinn分别是神经网络输入层输入的n个数据值；根据该公式将输入层的神经元设定为10个，输出层神经元设定为2个；

(2.2)构建隐含层，且隐含层包括第一隐含层和第二隐含层；计算用于组成第一隐含层和第二隐含层的神经元个数，其隐含层的神经元个数使用下式来确定：

式中，h为隐含层神经元数目，m为输入层神经元数目，n为输出层神经元数目，a为1～10之间的神经元常数；根据该公式将第一隐含层的神经元设定为64个，第二隐含层的神经元设定为32个；