[发明专利]利用BP神经网络模型预测镁基固态储氢材料性能的方法

权利要求书

1.一种利用BP神经网络模型预测镁基固态储氢材料性能的方法，具体用于检测镁基固态储氢材料的吸/放氢性能，测试系统包括：氢气源、流量检测构件、固态储氢储存腔、温度检测构件、压力检测构件、换热构件、加热构件和冷却构件，其特征在于：该方法包括以下步骤：

S1：确定与镁基固态储氢材料吸/放氢性能直接相关的主要操作参数，利用这些主要操作参数建立样本数据；

S2：根据所述样本数据，建立用于预测镁基固态储氢材料吸/放氢过程的BP神经网络模型，并利用BP神经网络算法，对该BP神经网络模型进行训练，得到训练好的BP神经网络模型；

S3：使用训练好的BP神经网络模型对镁基固态储氢材料进行预测，得到该镁基固态储氢材料的吸/放氢性能。

2.如权利要求1所述的一种利用BP神经网络模型预测镁基固态储氢材料性能的方法，其特征在于：步骤S1中，所述主要参数包括：换热构件的进气/排气的流量，换热构件的进气/排气的压力和换热构件的储存腔内的温度。

3.如权利要求1所述的一种利用BP神经网络模型预测镁基固态储氢材料性能的方法，其特征在于：步骤S2中，建立BP神经网络模型的具体过程如下：

(1)确定输入输出变量

将在镁基固态储氢材料吸/放氢过程中的换热构件进气/排气的压力和换热构件的储存腔内的温度作为所述BP神经网络模型的输入变量，将换热构件的进气/排气的流量作为所述BP神经网络的输出变量；

(2)所述BP神经网络模型的具体结构如下：

所述BP神经网络模型是包括输入层、隐含层和输出层的三层神经网络模型，BP神经网络模型的输入层所包含的神经元个数为2，分别对应镁基固态储氢材料吸/放氢过程中的换热构件进气/排气的压力和换热构件的储存腔内的温度，BP神经网络模型的输出层所包含的神经元个数为1个，为换热构件的进气/排气的流量；

(3)网络初始化并进行网络训练

根据设定好的BP神经网络的层数、输入变量个数、隐含层神经元个数以及输出变量个数，运用神经网络工具箱进行网络初始化和网络训练，然后，利用BP神经网络算法或者误差反向传播算法，按照设定的网络结构进行训练，达到预设精度或者最大迭代次数后即得到训练好的BP神经网络模型。

4.如权利要求3所述的一种利用BP神经网络模型预测镁基固态储氢材料性能的方法，其特征在于：步骤(2)中，所述BP神经网络模型的隐含层所包含的神经元个数采用经验公式计算出估计值：

其中，m和n分别为输入层和输出层所包含的神经元个数，a是[1-10]之间的常数，取M为10。

5.如权利要求3所述的一种利用BP神经网络模型预测镁基固态储氢材料性能的方法，其特征在于：步骤(3)中，为了提高神经网络训练的自适应性程度，把样本数据的20％作为测试数据，80％作为训练数据，在计算过程中打乱输入样本数据顺序，按照20％-80％的比例进行随机分配，寻找最优解，该BP神经网络模型的初始权值被随机赋值，学习速率设定为0.01，学习误差设定为5×10^-3，最大迭代次数为10000次，隐含层的激活函数采用Logsig函数，输出层的激活函数采用Purelin函数。

6.如权利要求1所述的一种利用BP神经网络模型预测镁基固态储氢材料性能的方法，其特征在于：步骤S3中，采用平均绝对百分误差MAPE、方差MSE以及决定系数R²作为评价BP神经网络模型性能的指标。

7.如权利要求6所述的一种利用BP神经网络模型预测镁基固态储氢材料性能的方法，其特征在于：

平均绝对百分误差MAPE的计算公式为：

方差MSE的计算公式为：

决定系数R²的计算公式为：

其中，Y_Pred为BP神经网络模型预测值，Y_Act为实测值，为预测值的平均值，N为数据点的数量。