找到 1 条结果
可解释且高精度的基于三级树的集成混合模型用于预测光电化学电池中的光电流密度和电极电势：理论支持并由实验数据外部验证
Interpretable and highly accurate tertiary tree-based ensemble hybrid models for the prediction of photocurrent density and electrode potential in PEC cell: Theoretically supported and externally validated by experimental data
Nepal Sahua · Chandrashekhar Azadb · Uday Kumar · Applied Energy · 2025年1月 · Vol.401
摘要 光电流密度（J）以及相对于可逆氢电极的电势（V RHE）是评估用于绿色氢气生产的光电化学（PEC）系统性能的关键参数。本研究旨在构建一种高精度、可解释、稳健且通用的机器学习模型，用于预测J和V RHE，并通过理论支持与外部验证加以证实。在本研究中，首先利用贝叶斯优化（BO）方法将两个单模型（M1, M2）结合，基于包含2593条记录的数据集开发了两个二元混合模型（M3, M4），随后进一步构建了两个用于预测J和V RHE的三级混合模型（M5, M6）。采用五组独立的实验数据集和三个基于物理...
解读: 该光电化学制氢预测模型对阳光电源绿氢储能系统具有重要参考价值。研究中的机器学习混合模型(R²>0.999)可应用于ST系列储能变流器的氢储能场景优化,通过预测光电流密度和电极电位提升制氢效率。SHAP可解释性分析揭示的带隙、电极面积等关键参数,可指导iSolarCloud平台开发光伏制氢预测性维护算...