一种基于可解释机器学习的镁空气电池负极成分设计方法及制备方法

一种基于可解释机器学习的镁空气电池负极成分设计方法及制备方法，涉及镁空气电池技术领域。旨在通过使用解释性机器学习模型尤其采用轻量级梯度提升机算法(LightGBM)模型和可解释性分析，结合多目标优化，设计出能够同时提高放电电压和负极效率的镁合金成分。本方法基于机器学习模型对镁合金成分的特征重要性进行分析，特别针对Al、Zn、Ca、Ga、In等元素对放电电压和负极效率的贡献，优选出Mg‑0.5Zn‑1.5Ga成分，相比于高纯镁负极材料，其在负极效率和放电电压方面均有提升。本发明还涉及该镁合金负极材料的熔炼制备方法，该方法简单、易操作。