[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

摘要

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。

主权项

1.一种基于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；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；(2.3)根据步骤(2.1)和步骤(2.2)得到的入层、隐含层、输出层和每层神经元个数，并通过公式Y＝Sigmoid[W2*Sigmoid(W1*X‑O1)‑O2]，得到BP神经网络模型；式中：X为BP神经网络输入矩阵；Y为BP神经网络输出矩阵；W1和W2分别为BP神经网络中输入层到隐层、隐含层到输出层的连接权值矩阵；O1、O2为BP神经网络中输入层到隐层、隐含层输出层的阈值矩阵，Sigmoid为各层激励函数；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BP神经网络模型中各项参数进行初始化；步骤4：在初始化参数中选取学习参数，并使用高斯分布对学习参数初始化，得到初始的权值和偏差；其中，所述学习参数包括学习率、阈值、训练次数、训练步长、激活函数、以及学习算法；步骤5：利用现有的“输入‑输出”训练集样本数据对BP神经网络模型进行训练，并对所建立的神经网络模型的训练集使用二次函数拟合，得到最佳的预测网络；其二次函数拟合公式如下：式中：Wmax为初始训练集，Wmin为最终训练集，Kmax为最大迭代次数，k为当前迭代次数；步骤6：判断训练集拟合度是否达到预期效果；否，重新构建BP神经网络模型；是，执行步骤7；步骤7：利用现有的“输入‑输出”测试集样本数据对BP神经网络模型的拟合度进行测试；步骤8：在经过拟合度测试后的BP神经网络模型中输入待预测样本进行预测，得到固态电解质离子电导率。