基于改进BP神经网络的直接甲醇燃料电池的浓度测量及控制
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-27页 |
| 1.1 概述 | 第10-11页 |
| 1.2 燃料电池简介 | 第11-20页 |
| 1.2.1 燃料电池原理与结构 | 第11-16页 |
| 1.2.2 燃料电池的分类 | 第16-20页 |
| 1.3 直接甲醇燃料电池简介 | 第20-22页 |
| 1.3.1 直接甲醇燃料电池的工作原理 | 第20-22页 |
| 1.3.2 直接甲醇燃料电池的应用前景与挑战 | 第22页 |
| 1.4 甲醇燃料的来源与制备 | 第22-24页 |
| 1.4.1 商业化甲醇的合成 | 第23-24页 |
| 1.4.2 甲醇的物理性质 | 第24页 |
| 1.5 DMFC浓度控制国内外的研究状况 | 第24-25页 |
| 1.6 本文研究的主要路线 | 第25-27页 |
| 第二章 DMFC的基础理论和电压损失建模 | 第27-41页 |
| 2.1 热力学基础理论 | 第27-29页 |
| 2.1.1 能量的变换与电动势之间的关系 | 第27-28页 |
| 2.1.2 影响电动势的因素 | 第28-29页 |
| 2.2 电化学反应动力学 | 第29-38页 |
| 2.2.1 活化损失 | 第31-34页 |
| 2.2.2 甲醇渗透和内部电流 | 第34-35页 |
| 2.2.3 欧姆损失 | 第35-36页 |
| 2.2.4 传质损失 | 第36-38页 |
| 2.3 电压建模 | 第38-39页 |
| 2.4 甲醇浓度对DMFC的影响 | 第39-41页 |
| 第三章 改进BP神经网络 | 第41-62页 |
| 3.1 人工神经网络 | 第41-48页 |
| 3.1.1 人工神经网络的基本结构 | 第42-43页 |
| 3.1.2 典型的神经网络结构 | 第43-45页 |
| 3.1.3 人工神经网络的学习机制 | 第45-48页 |
| 3.2 BP神经网络 | 第48-51页 |
| 3.2.1 BP神经网络的结构 | 第48-49页 |
| 3.2.2 误差反向传播的学习算法 | 第49-51页 |
| 3.3 BP神经网络的改进 | 第51-57页 |
| 3.3.1 BP神经网络存在的问题 | 第52页 |
| 3.3.2 BP神经网络的改进方法 | 第52-57页 |
| 3.4 本文采用的改进BP神经网络方法 | 第57-62页 |
| 3.4.1 结构的设计 | 第58页 |
| 3.4.2 隐含层的层数和节点的选取 | 第58-60页 |
| 3.4.3 改进BP神经网络的方法选取与结合 | 第60-62页 |
| 第四章 实验设计与结果分析 | 第62-74页 |
| 4.1 实验装置及连接 | 第62-64页 |
| 4.2 实验设计 | 第64-66页 |
| 4.2.1 单电池的实验设计 | 第64-65页 |
| 4.2.2 电堆的实验设计 | 第65-66页 |
| 4.3 实验结果分析 | 第66-73页 |
| 4.3.1 单电池的实验结果及分析 | 第66-67页 |
| 4.3.2 电堆的实验结果及分析 | 第67-73页 |
| 4.4 本章小结 | 第73-74页 |
| 第五章 DMFC的浓度控制设计 | 第74-76页 |
| 第六章 小结反思与展望 | 第76-77页 |
| 参考文献 | 第77-82页 |
| 致谢 | 第82-83页 |
| 攻读硕士学位期间已发表或录用的论文 | 第83页 |
