技术新讯 > 医药医疗技术的改进,医疗器械制造及应用技术 > 一种基于多智能体强化学习的新能源材料安全评估方法、系统及电子设备  >  正文

一种基于多智能体强化学习的新能源材料安全评估方法、系统及电子设备

  • 国知局
  • 2024-07-12 10:26:15

本发明涉及新能源材料抗重物撞击与热刺激安全性数据挖掘与分析领域,特别是涉及一种基于多智能体强化学习的新能源材料安全评估方法、系统及电子设备。

背景技术:

1、众所周知,含能材料中各类缺陷及热点演化是极其复杂的,其与含能材料的关联还缺少定量规律认识和理论描述。随着计算科学的发展和数据挖掘技术的进步,基于热点演化过程的建模和高通量计算已成为认识含能材料安全性的新思路;与此同时,借助机器学习的最新方法有望建立这些基本演化过程与材料安全性的关联,进而发展具有预测性的安全性评估模型。

2、已有方案主要从电池老化的影响因素如电量、功率、内阻、电容、循环次数等角度讨论引起电池外壳开裂、化学物质泄露等事故原因,或者从循环时间、平均放电电流/电压以及电池温度等因素与电池健康相关性角度讨论电池安全评估方法;也有文献从电解液选取和改良方面开展研究,以提高功率密度,并保证电池的安全性。如文献[1]胡江涛,郑家新,潘锋.锂电池磷酸铁锂正极材料的结构与性能相关性的研究进展[j].物理化学学报,2019,35(04):22-31.doi:10.3866/pku.whxb201805102。

3、利用高通量计算与机器学习技术,发展基于数据驱动的新能源电池安全性评估方法近年也有相关研究。如文献[2]袁君,人工智能预测锂离子电池健康状态与剩余使用寿命,电子科技大学[d],2023,提出一种基于时间序列的循环神经网络法用以预测电池的soh和可用容量,并建立了双层集成预测模型(stacking regression,sr)。基于相同的健康因子,采用sr模型对不同训练数据下的电池分别进行了健康状态评估与寿命预测,并探讨了放电策略与实验温度对sr模型的影响。文献[3]穆邱倩,数据驱动的锂离子电池剩余寿命预测方法研究,长安大学,2021提出了一种基于正交参数优化的gru-cnn混合预测模型,利用优化后的混合模型进行电池剩余寿命预测,得到目标车辆实际意义上未来时间的电池健康状态及剩余寿命预测结果。

4、现有研究关于新能源电池中热点演化及主要作用因素等还缺少系统性认识和必要的基础数据,而面向其中数据结构数据特征的现有机器学习方法还有待进一步完善。因此,亟需一种基于数据分布规律分析方法,对基于数据驱动的新能源材料安全性进行预测。

技术实现思路

1、为了解决上述问题,本发明的目的是提供一种基于多智能体强化学习的新能源材料安全评估方法、系统及电子设备。

2、为实现上述目的,本发明提供了如下方案:

3、一种基于多智能体强化学习的新能源材料安全评估方法,所述新能源材料安全评估方法包括:

4、构建多种新能源材料的数据集;所述数据集包括新能源材料的材料属性因素和外部载荷以及对应的物理量场演化、时域数据、安全标注数据;所述物理量场演化是根据热点形成及演化过程确定的;所述时域数据是根据新能源材料的材料属性因素和外部载荷,应用数值计算得到的;所属安全标注数据是根据物理量和时域数据结果判断得出的;

5、以各种所述新能源材料的数据集为智能体,应用多智能体动作选择策略选择奖励值最大的动作,得到多智能体当前类簇分布结果;所述多智能体动作选择策略包括贪婪策略和智能体动作修正操作;

6、根据所述多智能体当前类簇分布结果,计算样本轮廓系数、类簇轮廓系数以及总轮廓系数;

7、根据所述样本轮廓系数、类簇轮廓系数以及总轮廓系数,确定属于良好类簇子集的智能体;

8、应用奖励函数,计算所述多智能体的奖励值,并根据所述奖励值对所述多智能体当前类簇分布结果进行更新;所述多智能体包括属于良好类簇子集的智能体和不属于良好类簇子集的智能体;

9、当迭代次数满足预设次数阈值时,得到多智能体最终类簇分布结果,并根据所述多智能体最终类簇分布结果计算类簇质心;

10、根据所述类簇质心确定新能源材料安全评估结果。

11、一种基于多智能体强化学习的新能源材料安全评估系统,应用上述的基于多智能体强化学习的新能源材料安全评估方法,所述新能源材料安全评估系统包括:

12、构建模块,用于构建多种新能源材料的数据集;所述数据集包括新能源材料的材料属性因素和外部载荷以及对应的物理量场演化、时域数据、安全标注数据;所述物理量场演化是根据热点形成及演化过程确定的;所述时域数据是根据新能源材料的材料属性因素和外部载荷,应用数值计算得到的;所属安全标注数据是根据物理量和时域数据结果判断得出的;

13、选择模块,用于以各种所述新能源材料为智能体,应用多智能体动作选择策略选择奖励值最大的动作,得到多智能体当前类簇分布结果;所述多智能体动作选择策略包括贪婪策略和智能体动作修正操作;

14、第一计算模块,用于根据所述多智能体当前类簇分布结果,计算样本轮廓系数、类簇轮廓系数以及总轮廓系数;

15、分类模块,用于根据所述样本轮廓系数、类簇轮廓系数以及总轮廓系数,确定属于良好类簇子集的智能体;

16、第二计算模块,用于应用奖励函数,计算所述多智能体的奖励值,并根据所述奖励值对所述多智能体当前类簇分布结果进行更新;所述多智能体包括属于良好类簇子集的智能体和不属于良好类簇子集的智能体;

17、类簇质心计算模块,用于当迭代次数满足预设次数阈值时,得到多智能体最终类簇分布结果,并根据所述多智能体最终类簇分布结果计算类簇质心;

18、安全评估模块,用于根据所述类簇质心确定新能源材料安全评估结果。

19、一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的基于多智能体强化学习的新能源材料安全评估方法。

20、可选地,所述存储器为可读存储介质。

21、根据本发明提供的具体实施例,本发明公开了以下技术效果:

22、本发明首先采用高通量计算获取数据集,根据热点形成及演化过程给出安全评估阈值,根据阈值对初始数据集中每个样本进行安全标签标注,得到训练数据集;建立训练数据集与多智能体的映射关系,应用智能体动作选择策略选择奖励值最大的动作,得到多智能体当前类簇分布结果;计算样本轮廓系数、类簇轮廓系数以及总轮廓系数,应用奖励函数,计算多智能体的奖励值,当迭代次数满足预设次数阈值时,得到多智能体最终类簇分布结果,据此得到类簇质心;根据类簇质心确定新能源材料安全评估结果。

技术特征:

1.一种基于多智能体强化学习的新能源材料安全评估方法,其特征在于,所述新能源材料安全评估方法包括:

2.根据权利要求1所述的基于多智能体强化学习的新能源材料安全评估方法,其特征在于,所述样本轮廓系数的计算公式为:

3.根据权利要求1所述的基于多智能体强化学习的新能源材料安全评估方法,其特征在于,根据所述样本轮廓系数、类簇轮廓系数以及总轮廓系数,确定属于良好类簇子集的智能体,具体包括:

4.根据权利要求3所述的基于多智能体强化学习的新能源材料安全评估方法,其特征在于,所述预设条件包括第一预设条件、第二预设条件和第三预设条件;

5.根据权利要求3所述的基于多智能体强化学习的新能源材料安全评估方法,其特征在于,根据所述样本轮廓系数、所述类簇轮廓系数和所述总轮廓系数,将所述多个良好类簇子集进行合并,确定属于良好类簇子集的智能体,具体包括:

6.根据权利要求1所述的基于多智能体强化学习的新能源材料安全评估方法,其特征在于,当智能体属于良好类簇子集时,奖励函数为:

7.根据权利要求1所述的基于多智能体强化学习的新能源材料安全评估方法,其特征在于,所述动作选择策略为:

8.一种基于多智能体强化学习的新能源材料安全评估系统,其特征在于,所述新能源材料安全评估系统包括:

9.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至7中任一项所述的基于多智能体强化学习的新能源材料安全评估方法。

10.根据权利要求9所述的一种电子设备,其特征在于,所述存储器为可读存储介质。

技术总结本发明公开一种基于多智能体强化学习的新能源材料安全评估方法、系统及电子设备,涉及新能源材料抗重物撞击与热刺激安全性数据挖掘与分析领域。包括:采用高通量计算获取数据集;根据热点形成及演化过程给出安全评估阈值;根据阈值对初始数据集中每个样本进行安全标签标注得到训练数据集;建立训练数据集与多智能体的映射关系;应用智能体动作选择策略选择奖励值最大的动作得到多智能体当前类簇分布结果;计算样本轮廓系数、类簇轮廓系数以及总轮廓系数;应用奖励函数,计算多智能体的奖励值,当迭代次数满足预设次数阈值时得到类簇质心;根据类簇质心确定新能源材料安全评估结果。本发明提供了一种基于数据驱动的新能源材料安全评估方法。技术研发人员:李凤莲,杜鹏,徐利春,李彦民受保护的技术使用者:太原理工大学技术研发日:技术公布日:2024/6/11

本文地址:https://www.jishuxx.com/zhuanli/20240614/86919.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。