一種基于海洋用鋼成分腐蝕量的預(yù)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種鋼鐵腐蝕量的預(yù)測方法。
【背景技術(shù)】
[0002] 目前，海洋中腐蝕環(huán)境復(fù)雜（按與海水平均高潮、低潮位以及海底的位置關(guān)系，將 腐蝕環(huán)境分為：飛濺區(qū)、潮差區(qū)、低潮區(qū)、全浸區(qū)、海泥區(qū)），且各環(huán)境的腐蝕機理與行為差 距較大，大多鋼鐵材料在飛濺區(qū)和低潮區(qū)腐蝕最為嚴重。實際環(huán)境腐蝕測試試驗需要數(shù)年 到十余年的時間，費用較高，而現(xiàn)行標準尚無針對海洋環(huán)境模擬的試驗，且模擬腐蝕試驗操 作復(fù)雜，時間從數(shù)周到數(shù)月，數(shù)據(jù)重現(xiàn)性差，費用也較為高昂。因此，通過鋼鐵成分來快速預(yù) 測其在海洋環(huán)境中腐蝕能力的手段顯得尤為重要。
[0003] 在鋼鐵材料海洋腐蝕領(lǐng)域，自腐蝕機理中提煉的預(yù)測公式尚不夠成熟，同時，各種 基于腐蝕數(shù)據(jù)的回歸分析也有各自的局限性。在國際范圍內(nèi)，腐蝕預(yù)測公式以美國材料與 試驗協(xié)會標準ASTM-G101中I指數(shù)，以及"無塗裝橋梁用鋼材?耐候性合金指標朽A r/耐候 性評価"中的V指數(shù)，而上述兩種方法主要對比不同低合金鋼在大氣環(huán)境中耐腐蝕性能的優(yōu) 劣。專利CN1268914C描述了一種利用環(huán)境因素和腐蝕量統(tǒng)計值預(yù)測耐候鋼在較長時間內(nèi) 腐蝕趨勢和范圍的方法，但對于新成分鋼種，依舊需要大規(guī)模腐蝕試驗。專利CN101782499A 闡述了一種基于腐蝕失重與環(huán)境因素線性回歸分析耐候鋼腐蝕失重的方法，由于其回歸模 型的局限，使得該方法無法描述腐蝕量隨時間變化的關(guān)系。專利CN104239659A描述了一種 利用神經(jīng)網(wǎng)絡(luò)預(yù)測碳鋼在高硫高酸環(huán)境中腐蝕的方法，其應(yīng)用范圍并未包括海洋環(huán)境，且 其數(shù)學模型仍有進一步優(yōu)化的空間。
[0004] 然而，國內(nèi)外已經(jīng)完成了包括海洋用耐候鋼在內(nèi)的中低合金鋼、不銹鋼的大量的 實際海洋環(huán)境腐蝕試驗，為腐蝕數(shù)據(jù)分析預(yù)測奠定了基礎(chǔ)。無論從腐蝕機理或者是實際實 驗數(shù)據(jù)都能看出海洋環(huán)境腐蝕的復(fù)雜性，這就使神經(jīng)網(wǎng)絡(luò)的隱含層結(jié)構(gòu)和權(quán)值閾值的初值 難于確定，所以相對直接使用神經(jīng)網(wǎng)絡(luò)預(yù)測腐蝕量而言，仍有較大的空間可以通過優(yōu)化算 法來提升預(yù)測的準確程度。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于提供一種能夠快速精確的預(yù)測鋼鐵材料在海洋環(huán)境中腐蝕快 慢的基于海洋用鋼成分腐蝕量的預(yù)測方法。本發(fā)明主要是通過計算機神經(jīng)網(wǎng)絡(luò)對現(xiàn)有鋼鐵 材料在海洋中的腐蝕量數(shù)據(jù)進行分析，輔以蟻群、魚群算法對神經(jīng)網(wǎng)絡(luò)進行優(yōu)化，進而預(yù)測 尚未進行腐蝕試驗的海洋用鋼在海水中的腐蝕量。
[0006] 本發(fā)明的方法步驟如下：
[0007] 步驟一：數(shù)據(jù)初始化及錄入。
[0008] 將一種成分在某時間長度下的腐蝕量（失重/增重/減薄/腐蝕深度或者對應(yīng)統(tǒng) 計量）和對應(yīng)的時間成分定義為一組數(shù)據(jù)，在獲取目標環(huán)境下鋼鐵材料腐蝕的數(shù)據(jù)后，根 據(jù)不同組數(shù)據(jù)的詳實程度對不同影響因素進行取舍，使得最終所有組內(nèi)數(shù)據(jù)的對應(yīng)數(shù)據(jù)齊 全，不同成分材料試驗時間長度一致，并將所有數(shù)據(jù)整理為構(gòu)建神經(jīng)網(wǎng)絡(luò)的軟件易于讀取 的形式.mat。將數(shù)據(jù)輸入Matlab軟件，輸入層節(jié)點即合金元素質(zhì)量分數(shù)以及時間，輸出層 節(jié)點對應(yīng)數(shù)據(jù)中的腐蝕指標。
[0009] 步驟二：神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化。
[0010] 利用蟻群算法將神經(jīng)網(wǎng)絡(luò)隱含層各層節(jié)點數(shù)作為路徑加以優(yōu)化，設(shè)定經(jīng)由不同隱 含層節(jié)點獲得神經(jīng)網(wǎng)絡(luò)的誤差倒數(shù)為增加的信息素，進而更新信息素直至收斂于最優(yōu)的隱 含層結(jié)構(gòu)。
[0011] 對蟻群進行初始化，設(shè)定蟻群種群大小以及最大迭代次數(shù)，設(shè)定隱含層最大節(jié)點 數(shù)，并以節(jié)點數(shù)作為蟻群路徑，設(shè)定并初始化每個節(jié)點的信息素濃度，以及信息素的揮發(fā) 率。每次迭代開始，每只螞蟻均根據(jù)信息素濃度采用轉(zhuǎn)輪賭法確定各隱含層節(jié)點數(shù)，計算對 應(yīng)神經(jīng)網(wǎng)絡(luò)的預(yù)測值和實測值之間的平均標準差（Mean Standard Error, MSE)，迭代結(jié)束 后按照平均標準差的倒數(shù)從大到小對所有螞蟻排序，利用前k只螞蟻的平均標準差倒數(shù)對 自己選擇節(jié)點的信息素 τ進行更新，所有節(jié)點信息素同時揮發(fā)（信息素揮發(fā)率為p )，再進 行下一次迭代。信息素更新表達式見（1)式：
[0013] 重復(fù)該過程，直至各層節(jié)點數(shù)都穩(wěn)定收斂于某值。實際應(yīng)用中，隱含層至多2層， 只需比較優(yōu)化過后2層隱含層結(jié)構(gòu)和1層隱含層結(jié)構(gòu)的誤差，擇優(yōu)確定為最終的隱含層結(jié) 構(gòu)。
[0014] 步驟三：神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的初值優(yōu)化。
[0015] 利用人工魚群算法優(yōu)化權(quán)值閾值的初值，人工魚群算法賦予人工魚以覓食、聚群、 追尾、回憶等行為模式來搜索視野內(nèi)的更優(yōu)位置，并移動，另設(shè)置密集度參數(shù)防止魚的局部 密集。將神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的初值作為位置送入魚群算法進行優(yōu)化，通過魚群網(wǎng)絡(luò)的覓 食、聚群、追尾和回憶行為使位置（權(quán)值、閾值）不斷更新，直至找到滿足要求的神經(jīng)網(wǎng)絡(luò)初 值。
[0016] 先根據(jù)步驟二獲得的優(yōu)化結(jié)構(gòu)對神經(jīng)網(wǎng)絡(luò)進行初始化，并對魚群算法進行初始 化，設(shè)定魚群數(shù)目以及最大迭代次數(shù)，設(shè)定人工魚群位置的范圍并在范圍內(nèi)隨機獲取獲得 魚群位置，進行迭代。當神經(jīng)網(wǎng)絡(luò)未達到設(shè)定精度且迭代未超過最大次數(shù)時，對人工魚逐一 進行魚群優(yōu)化。
[0017] 對于每條人工魚，設(shè)定相同的覓食、聚群、追尾、回憶四種行為模式設(shè)定對應(yīng)最大 嘗試次數(shù)η及聚群、追尾、回憶行為模式的對應(yīng)信息素 τ初始值。在每次迭代中，對任意人 工魚，優(yōu)先執(zhí)行聚群、追尾、回憶行為模式中的一種，嘗試失敗后進行覓食模式，當覓食模式 也失敗，進行跳躍模式。首先檢查所有嘗試次數(shù)是否為正，若全為零直接進行跳躍模式，否 則檢查聚群、追尾、回憶三種行為模式嘗試次數(shù)是否為正。若三者中存在非零嘗試次數(shù)，則 在嘗試次數(shù)非零的行為模式根據(jù)信息素大小采用轉(zhuǎn)輪賭法選擇出一種執(zhí)行，反之三者嘗試 次數(shù)均為零，則進行覓食模式。若執(zhí)行覓食、聚群、追尾、回憶其中一者，若獲得優(yōu)化位置，保 持嘗試次數(shù)不變否則嘗試次數(shù)減一，聚群、追尾、回憶行為模式參照式（2) (3)更新信息素， 獲取優(yōu)化位置失敗則回到行為模式選擇步驟。若執(zhí)行跳躍模式，則重置嘗試次數(shù)與信息素 為初始值，無論是否獲取優(yōu)化位置，直接停止本次迭代中該人工魚優(yōu)化。
[0018] 執(zhí)行聚群、追尾、回憶行為后，未獲得優(yōu)化位置時信息素根據(jù)（2)式更新，獲得優(yōu) 化則執(zhí)行（3)，其中τ為信息素，p為信息素揮發(fā)率，MSE代表優(yōu)化后預(yù)測值與實際值之間 的平均標準差。
[0021] 設(shè)定視野為Visual，步長為Step，人工魚位置用X表示，相應(yīng)適應(yīng)度函數(shù)為Υ，擁擠 度函數(shù)為S，慣性系數(shù)為ω。跳躍模式為直接獲取范圍內(nèi)隨機位置，其余四種行為模式及 闡述如下：
[0022] 覓食行為：一種在大范圍內(nèi)尋覓食物或者伙伴的基本行為。人工魚可以在視野范 圍內(nèi)尋找任意點。設(shè)視野內(nèi)人工魚的數(shù)目為nf，若YVlsual/nf> δ ￥1且Y VisualMi，可向該位置移 動。該行為以如下算式表述：
[0024] 聚群行為：設(shè)X。為魚群的中心位置，若YynfW YjYjYi,則當前人工魚向魚群中 心移動一步。該行為以如下算式表述：
[0026] Xnext=X^V1. (6)
[0027] 追尾行為：設(shè)Xniax為視野內(nèi)人工魚的最優(yōu)狀態(tài)，若Y _/nf> δ Yj YJY1,則向最優(yōu) 魚移動一步。該行為以如下算式表述：
[0029] Xnext=X^V1. (8)
[0030]回憶行為：設(shè)JTm為魚群中人工魚的某一歷史最優(yōu)狀態(tài)，且視野內(nèi)人工魚的數(shù)目 為化，若￥_/11，5￥1且￥_>￥1，則向歷史最優(yōu)狀態(tài)移動一步，按照人工魚的歷史最優(yōu)狀態(tài)的 適應(yīng)度函數(shù)大小作為概率進行回憶選取。該行為以算式表述如下：
[0032] Xnext=XJV1. (10)
[0033] 步驟四：神經(jīng)網(wǎng)絡(luò)預(yù)測及誤差分析。
[0034] 輸出神經(jīng)網(wǎng)絡(luò)的預(yù)測與實測值對比，分析誤差。將待預(yù)測成分帶入神經(jīng)網(wǎng)絡(luò)即可 獲得該成分在連續(xù)時間下的腐蝕量與時間的關(guān)系。
[0035] 本發(fā)明與需要技術(shù)相比具有如下優(yōu)點：
[0036] 方法簡單易行，在基于已有的大量數(shù)據(jù)的基礎(chǔ)上，能精確的預(yù)測海洋用鋼在相應(yīng) 環(huán)境下的腐蝕服役情況，以及不同合金元素在該環(huán)境下對腐蝕的作用。通過該方法預(yù)測結(jié) 果，能描繪不同合金元素及時間對腐蝕量的綜合影響，對耐候鋼的研究開發(fā)具有指導(dǎo)作用， 并對腐蝕行為機理的研究有所幫助。
【附圖說明】
[0037] 圖1為本發(fā)明神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化的蟻群網(wǎng)絡(luò)示意圖。
[0038] 圖2為本發(fā)明神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的初值優(yōu)化的魚群網(wǎng)絡(luò)示意圖。
【具體實施方式】
[0039] 實施例1
[0040] 將青島1984~1991年8內(nèi)14種低合金鋼的1，2, 4, 8年腐蝕數(shù)據(jù)，以及對應(yīng)的合 金成分作為輸入層結(jié)構(gòu)，通過蟻群算法獲取最優(yōu)的隱含層結(jié)構(gòu)為24-5,數(shù)據(jù)不進行歸一化。 然后將數(shù)據(jù)送入魚群網(wǎng)絡(luò)進行優(yōu)化計算，并最終獲得能夠根據(jù)合金成分穩(wěn)定預(yù)測腐蝕減薄 數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)。
[0041] 表1青島1984~1991年14種低合金鋼腐蝕減薄統(tǒng)計數(shù)據(jù)
[0043] 首先，進行數(shù)據(jù)的初始化及錄入。
[0044] 將一種成分在某時間長度下的減薄數(shù)據(jù)和對應(yīng)的時間成分定義為一組數(shù)據(jù)，在獲 取目標環(huán)境下鋼鐵材料腐蝕的數(shù)據(jù)后，根據(jù)不同組數(shù)據(jù)的詳實程度對不同影響因素進行取 舍，使得最終所有組內(nèi)數(shù)據(jù)的對應(yīng)數(shù)據(jù)齊全，不同成分材料試驗時間長度一致，并將所有數(shù) 據(jù)整理為.mat文件。將數(shù)據(jù)導(dǎo)入Matlab軟件，合金元素質(zhì)量分數(shù)以及時間作為輸入層，對 應(yīng)腐蝕減薄則為輸出層。
[0045] 隨后，進行神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化。
[0046] 利用蟻群算法對神經(jīng)網(wǎng)絡(luò)隱含層層數(shù)、各層節(jié)點數(shù)進行優(yōu)化，將最優(yōu)的隱含層結(jié) 構(gòu)作為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。設(shè)定經(jīng)由不同隱含層節(jié)點獲得神經(jīng)網(wǎng)絡(luò)的誤差倒數(shù)為增加的信息 素，進而更新信息素并收斂于最優(yōu)的隱含層結(jié)構(gòu)。
[0047] 設(shè)定蟻群螞蟻總數(shù)為80