《《碳钢低合金钢腐蚀研究论文：基于碳钢和低合金钢16年海水暴露腐蚀数据的神经网络预测模型》-公开DOC·毕业论文》由会员分享，可在线阅读，更多相关《《碳钢低合金钢腐蚀研究论文：基于碳钢和低合金钢16年海水暴露腐蚀数据的神经网络预测模型》-公开DOC·毕业论文（21页珍藏版）》请在金锄头文库上搜索。
1、l碳钢低合金钢腐蚀研究论文：基于碳钢和低合金钢16年海水暴露腐蚀数据的神经网络预测模型摘要：本工作在长达16年海水腐蚀数据积累和分析的基础上，对碳钢及低合金钢常用的海水腐蚀预测模型进行了研究，利用神经网络分别建立了不含环境因素神经网络模型、含环境因素神经网络模型I和含环境因素神经网络模型II以及数学模型。通过对不同模型预测结果进行比较分析表明，模型能够正确反映金属材料的合金成分、环境因素与海水腐蚀速率的关系，可以用于进行金属材料海水环境腐蚀速率的长期预测。关键词：碳钢；低合金钢；海水；腐蚀金属材料的海水腐蚀规律十分复杂，其腐蚀关系是非线性的，即同一种金属在不同的环境条件下有不同的腐蚀规律，在相
2、同的环境条件下不同的金属也可能存在着不同的腐蚀规律。因此，利用已有的金属材料海水腐蚀数据预测未知海区金属材料的腐蚀行为，掌握其未来变化规律，对防腐工程设计、制定材料防腐规范和标准、保证设备和工程构件的安全使用具有重要意义12。腐蚀科技工作者相继提出了用于对碳钢及低合金钢的海水腐蚀预测的数学模型，如：指数模型、灰色系统模型，近年来，人工神经网络方法并成为材料环境腐蚀行为与使用寿命预测研究中的热点。在海水腐蚀领域，利用已知海水网站腐蚀速率数据预测未知地区碳钢、低合金钢海水腐蚀速率在国内尚不完善。利用人工神经网络技术，综合各种数学模型，预测碳钢及低合金钢海水腐蚀，十分重要的研究。近年来，人们开始逐渐
3、将神经网络用于腐蚀领域，并取得了一定的研究成果34ynie和Upham5碳钢大气腐蚀的二氧化硫模型，但模型没有考虑其他重要因素影响。Pintos等6用神经网络技术对南美洲大气腐蚀进行了预测，其平方误差要小于线性回归模型。Leifer J和Zapp P E等7建立了存贮放射性废料的碳钢罐发生点蚀的危险程度，结果证明神经网络预测结果要比对数回归有更高的精度。杨晓明利用人工神经网络BP算法建立了海水环境对A3钢的腐蚀作用模型，用该模型预测了新海域环境下金属的腐蚀速度。宋诗哲89网络方法建立了碳钢和低合金钢海水腐蚀与合金成分、海水因素间的模型。训练网络的标准样本选用海水长期浸泡实验的碳钢和低合金钢腐蚀
4、数据，材料的合金成分及海水主要腐蚀因素作为网络的输入，浸泡1、2、4、8年的平均腐蚀深度作为网络的标准样本输出值。从碳钢和低合金钢平均腐蚀深度与合金成分的模型中观察到，Al和Ni可有效地抑制腐蚀的进行，长期浸泡Mo可以在一定程度上抑制腐蚀，Cr和Mn的存在对于合金长期使用不利。刘学庆等58使用电化学方法测定了不同海水状态下3C钢的腐蚀速度,并采用人工神经网络分析了海水环境参数与腐蚀速度的相关性，建立了用于预测3C钢在海水中腐蚀速度的人工神经网络模型。该方法在监测与评价区域海洋环境腐蚀性方面具有实际应用价值。这些工作表明，借助于神经网络，可以用腐蚀试验室数据来预测材料在实际使用中的性能和行为，有
5、效解决腐蚀试验室数据与材料实际使用结果相脱节的难题。但现有的研究仅针对数量很少或短期的海水腐蚀性数据进行评价，不能完整地体现海水的腐蚀性。本文通过对国家腐蚀试验站16年长周期的大量腐蚀数据的神经网络分析计算，建立了基于16年海水暴露的人工神经网络腐蚀预测模型，不仅能够更为准确地对碳钢低合金钢在我国海水中的腐蚀性进行评价，而且可以较为准确地预测其海水腐蚀行为与规律。 1研究方法我国现在共有四个典型的海水腐蚀试验站，分别位于青岛，厦门，榆林和舟山，代表了不同海域典型港湾的环境因素特征。本文以我国海水试验站长期以来积累的海水腐蚀数据为基础，采用神经网络技术，运用Matlab、VB编程语言及计算机技术
6、进行数据处理与建模。1.1金属材料海水腐蚀数据1.1.1海水环境条件选取青岛、榆林、厦门、舟山等的有代表性的地区，代表我国不同海域典型海水的环境因素特征，从而对材料的海水腐蚀性能做出较为全面可靠的判断。我国各海区的主要环境因素表1。1.1.2试验材料本文建模数据来源于国家自然科学基金委员会重大项目“材料自然环境腐蚀”积累的16年海水腐蚀数据，积累的62种金属和涂镀层材料（1173片）在四个网站的全浸、潮差、飞溅区16年（舟山8年）海水腐蚀数据4692个，并定期测试了四个站的海水环境因素2400个。其中碳钢及低合金钢有19种，本文将其编号如表2所示1.1计算机技术本工作采用Matlab编程语言编
7、写模型程序，Visual Basic语言进行系统界面的开发。其中的神经网络工具箱是Mathworks公司最新推出的MATLAB6.x高性能可视化数值计算软件的组成部分。它主要针对神经网络系统的分析与设计，提供了大量可供直接调用的工具箱函数、图形界面函数和Simulink仿真工具，是进行神经网络系统分析与设计的绝佳工具，设计思想如图1所示。 2结果与讨论2.1不含环境因素神经网络模型不含环境因素的神经网络模型主要是在预测未知地区环境因素的条件下对金属的腐蚀趋势定性的评估。另外，系统还能够分析各合金元素对金属腐蚀的影响，对不同金属的腐蚀速率分析对比。2.1.1模型构建1）学习样本的选择以国家海水腐
8、蚀试验站积累的青岛、厦门、榆林几个海水腐蚀试验站16年的腐蚀数据建模。试验钢种共有19种。选定1#A3钢和15#10CrCu-SiV低合金钢为检验样本，其余17种材料1、2、4、8、16年的腐蚀数据为训练样本各地区分别训练。2）输入因子的选择输入因子为金属材料10种主要合金元素含量，合金元素见表3。输出为材料分别在1、2、4、8、16年的腐蚀速率。即输入节点数为10，输出节点数为5。 3）网络结构的确定采用3层BP神经网络结构，第一层为输入层，中间为隐含层，第三为输出层，相邻两侧的神经元之间相互连接，各层内的神经元之间无连接。4）输入层神经元变换函数的选用在本模型中输出层的传递函数为线性函数或
9、者S型函数，隐含层的传递函数采用对数S型函数。综上所述，不含环境因素人工神经网络模型的拓扑结构如图2所示。2.1.2训练结果当上述因素确定以后，对神经网络进行训练。训练网络使用的是Matlab软件中所提供的神经网络工具箱。网络中间层神经元数目预选为5，传递函数类型为sigmoid，输出层传递函数为S型函数，训练函数为trainlm。输出系统目标误差取10-5，训练步数为3105。以经过学习的模型作为预测模型，将1#A3钢和15#10CrCuSiV合金的元素成分输入，得出1#，15#的神经网络预测结果见表4。除对第一年腐蚀速率误差较大，基本能够反应该金属的腐蚀趋势。其中，A3钢在海水的腐蚀速率随
10、着暴露时间而减小，10CrCuSiV钢腐蚀速率在4年之后腐蚀速率变大，出现“逆转”现象，与实际现象符合。从不含环境因素的神经网络模型的训练及预测过程可以得出以下结果：1）对与网络模型其隐含层数越多训练结果越贴近实际值。但是隐含层数增多，训练时间加长且非训练点的输出值误差增大。因此选择模型的原则是：在达到精度的情况下，隐含层数尽可能的少。2）应用结果表明，用人工神经网络的方法预测的结果基本反映金属在海水全浸区腐蚀速率变化的规律，具有一定的应用价值。2.2含环境因素神经网络模型本工作根据我国海水腐蚀试验站积累的数据，将BP人工神经网络技术应用于碳钢及低合金钢海水腐蚀预测的研究中。通过训练网络建立了
11、海水环境腐蚀性因素及合金元素对海水腐蚀速率的关系，探讨了环境腐蚀性因素的选择、合金元素及网络输出层的变换函数对预测结果精度的影响。考虑到学习样本对腐蚀预测结果的影响，本文拟建立含环境因素的神经网络模型I和含环境因素的神经网络模型II两种神经网络模型。其中，含环境因素的神经网络模型I用于预测已知环境因素的地区的金属腐蚀速率。输入因子为海水腐蚀站点主要环境因素：温度、海水中溶氧量、pH、盐度和生物影响因素，输出为金属平均腐蚀率。由于各试验金属的性质不同，因此需要分别对每个金属分别构建神经网络模型。即输入节点数为5，输出值为平均腐蚀速度，输出层节点数为1。含环境因素的神经网络II是对金属所知条件较多
12、的情况下进行较为精确预测的模型。输入因子包括合金成分因素及环境因素。即Cu、Cr、Mn、Al、P、S、Si、Mo和V等10种成份及温度、海水中溶氧量、pH、盐度和生物影响因素。即输入节点数为15，输出值为平均腐蚀速度，输出层节点数为1。2.2.1含环境因素神经网络模型I1）模型构建（1）学习样本的选择以国家海水腐蚀试验站积累的青岛、厦门、榆林三个海水腐蚀试验站16年的腐蚀数据建模。试验钢种共有19种，编号如表2所示。（2）输入因子的选择前文将海水环境因子与平均腐蚀数率的灰关联分析表明，温度、海水中溶氧量、pH、盐度和生物附着对碳钢及低合金钢的腐蚀都有较大的影响，是影响碳钢及低合金钢的主要环境因
13、素。其中对于均匀腐蚀而言，溶解氧、pH值、盐度是最主要的因素。因此对于含环境因素的神经网络的输入因子的选择，本工作将温度、海水中溶氧量、pH、盐度和生物附着都纳入其中。（3）网络结构的确定采用3层BP神经网络结构，第一层为输入层，中间为隐含层，第三为输出层，相邻两侧的神经元之间相互连接，各层内的神经元之间无连接。不同的钢种人工神经网络的结构选用有所不同。虽然增加层数可以更进一步的降低误差，提高精度，但使网络复杂化，增加网络的训练时间，因此本模型采取较为简洁的3层神经网络。而误差精度的提高通过增加隐含层的神经元数来获得。隐含层中神经元的数量在理论上没有一个明确的规定，数量太少，网络不够健壮，误差
14、收敛速度慢，误差较大；而数量太多，造成训练时间加长，容易过度拟合，误差不一定最佳。网络结构对神经元数量是比较敏感的，因此通过对不同神经元数进行训练比较对比，确定最佳的神经元数。（4）输入层神经元变换函数的选用对于含环境因素神经网络I，各钢种网络隐含层中的神经元均采用sigmoid型变换函数，但是输出层神经元变换函数有所不同。如果BP网络的最后一层是sigmoid型函数，那么整个网络的输出就限制在一个较小的范围内；如果BP网络的最后一层是纯线性函数purelin，那么整个网络的输出可以取任意值。由于金属材料大气腐蚀是一个复杂的非线性系统，通常输出层神经元变换函数选用sig-moid型变换函数，预
15、测结构较接近实际值。但是， 某些金属材料，则采用纯线性函数purelin比较好。最终确定各个钢种的网络I结构及输出层神经元变换函数如表5所示。模型拓扑结构见图3。2.2.3含环境因素神经网络模型II1）模型构建（1）学习样本的选择以国家海水腐蚀试验站积累的青岛、厦门、榆林几个海水腐蚀试验站16年的腐蚀数据建模。试验钢种共有19种，编号如表2所示。以1#A3碳钢和15#10CrCuSiV低合金钢为检验样本，其余17种材料1、2、4、8、16年的腐蚀数据为训练样本。（2）输入因子的选择输入因子包括合金成分因素及环境因素。即Cu、Cr、Mn、AL、P、S、Si、Mo和V等10种主要合金成份及温度、海
16、水中溶氧量、pH、盐度和生物影响因素。即输入节点数为15，输出值为平均腐蚀速度，输出层节点数为1。（3）网络结构的确定采用3层BP神经网络结构，第一层为输入层，中间为隐含层，第三为输出层，相邻两侧的神经元之间相互连接，各层内的神经元之间无连接。不同的钢种人工神经网络的结构选用有所不同。（4）输入层神经元变换函数的选用对于含环境因素神经网络II，采用的神经网络结构是15-15-1。隐含层中的神经元采用sigmoid型变换函数，输出层神经元变换函数也选用sig- moid型变换函数。含环境因素的人工神经网络模型II的拓扑结构见图4。2）预测结果以经过学习的模型作为预测模型，将检验样本1#A3钢和15#10CrCuSiV。得出1#，15#的神经网络预测结果见表68。 2.2.4讨论1）神经网络预测精度模型I和模型II预测结果较好地反映了1#和15#金属材料腐蚀的实际情况
