材料的大气腐蚀影响因素众多,而且又由于影响因素间复杂的相互作用,使得构建大气腐蚀模型变的 异常困难.人们用各种的数学拟合模型来预测大气腐蚀速率<1,2>,这些模型反映了大气腐蚀 速率变化的规律,但没有表述大气腐蚀影响因素间的作用,神经网络能建立从网络输入到网络输出 的非线性的映射关系<3>,它将腐蚀影响因素和腐蚀结果的非线性关系蕴涵在神经网络的拓朴结 构中,因此将其应用在大气腐蚀中就有其实际意义.1人工神经网络原理人工神经网络(ArtificialNeural Network)是由大量的人工神经元相互连接而成的.人工神经元如图1所示,它是一个多输入 ,单输出的非线性的元件,当人工神经元的加权和输入超过了阀值时,人工神经元就产生了神经输 出,否则无输出,用公式就可以表示为:nXi=∑j=1jωixj-iθyi=f(Xi)f (x)=11+e-x其中,xj是由神经元j传送到神经元i的输入量;jωi是神经元j到神 经元i的连接权重;iθ是神经元i的阀值;f是传递函数;yi是神经元i的输出量1.人工神 经元虽然简单,但大量的人工神经元组成神经网络,通过人工神经元之间的相互作用,就可以达到 输入和输出的高度非线性的映射关系,实现了对信息的处理和存储.当前应用最广的就是误差逆传播神经网络(ErrorBack-Prop-agation Network),简称BP网络.典型的BP网络是由三层组成,输入层、隐含层和输出层.BP 算法是一种迭代算法,一次学习过程是由输入数据的正向传播和误差的逆向传播两个子过程所组成 ,通过权值和阈值修正,使的神经网络的能量达到最低,最终网络趋向于稳定状态.2神经网络模 型构建及算法选择神经网络建模的数据是选取国家大气腐蚀站中碳钢、低合金钢在北京、青岛、武 汉、江津、广州、琼海和万宁七个地方的一、二、四、八年的腐蚀数据.神经网络的输入为碳含量 (%)、硫含量(%)、磷含量(%)、锰含量(%)、硅含量(%)、铜含量(%)、平均温度 (℃)、相对湿度(%)、相对湿度>80%的年时数(h/a)、年降水量(mm/a)、氯离 子浓度(mg/m3)、二氧化硫浓度(mg/m3)和时间(a),网络的输出为碳钢、低合金 钢的大气腐蚀速率(mm/a).已经证明了,对于任一连续的函数f:<0,1>n→Rm,f 都可以用一个三层BP神经网络表示<4>,因此大气腐蚀数据在输入网络前进行极差标准化处理 ,以使得腐蚀数据处于<0,1>区间内.在极差标准化处理后,将选取的大气腐蚀数据分为两部 分,训练数据集和预测数据集.训练数据集用于训练神经网络,以确定网络的拓朴结构,得到网络 的权值和阈值;预测数据集用于验证神经网络模型的预测效果.为了防止网络的训练陷入局部最小 值,减少网络对误差曲面的局部细节的敏感性,采用了附加动量法训练神经网络,动量系数为0· 9.BP网络预测的准确性主要取决于隐含层节点的选择及其权值和阀值的分布,但如何选取BP 网络的隐含层数和隐含层的节点数,尚无有效的理论和方法.为此,将隐含层节点数从1~40变 化,计算出训练的相对误差平方和和预测的相对误差平方和(如图2,图3所示),以确定隐含层 的节点数.从图2中可以看到,神经网络训练的相对误差平方和大多是230·14,这说明在网 络结构中存在一个230·14的误差面,在有的网络拓朴结构中,只有选择合适的权值和阀值, 使得初始的网络误差就已低于误差面,才能达到一定的训练精度.从图3中还可以看到神经网络训 练的误差低,并不表示神经网络预测的性能好.图2中网络训练误差最小的是隐含层节点为32个 ,训练相对误差平方和为3·4322.而图3显示预测性能最好的确是隐含层节点为19,预测 相对误差平方和为0·7651.这说明神经网络训练时,训练的误差过小,隐含层节点数过多, 都可能会使的网络对于训练数据形成“记忆”性能,丧失了对于输入数据归纳分析的能力.3结果与讨论图4显示了神经网络模型对碳钢、低合金钢的预测结果.从图中可以看到除了大气腐蚀速率为0·0701mm/a时,相对误差达到49·5%以外,其它的预测结果的相对误差都在20%以内,或左右浮 动.整个模型预测的相关系数达到了0·9215,这都显示了网络模型预测结果和实验数据紧密 相符.为了研究合金元素和环境因素对于大气腐蚀速率的影响,采用了单一因素敏感性分析方法, 将其它的影响因素固定,将所研究的影响因素在所在的数据区间内变化,计算影响因素对于大气腐 蚀速率的影响.如图5~图7所示,都是12CrMnCu在北京地区单一因素对于大气腐蚀速率的影响.Fig.4Predictionresult of atmospheric corrosionfor carbon steel and low alloy steelFig.5Effect of silicon and copper content on atmospheric corrosion rate of low alloy steelFig.6Effect of temperature and sulfur dioxide on atmospheric corrosion rate of low alloy steelFig.7Effect of time on atmosphericcorrosion rate of low alloy steel从图5中可以看到,硅和铜在少量时,都促进了腐蚀,当加到一定量后,又有效的阻止了 腐蚀的进行.图6中显示,温度对大气腐蚀有促进作用,温度升高,腐蚀速率迅速增加,温度主要 影响了金属表面水蒸汽的凝聚、水膜中各种腐蚀气体和盐类的溶解度、水膜的电阻以及腐蚀电池中 阴、阳极过程的反应速度<5>.二氧化硫也加速了腐蚀的进行,在少量时,腐蚀速率增加较慢, 当二氧化硫含量继续增加时,腐蚀速率急剧增加,趋向于线性关系,二氧化硫溶于金属液膜成为强 腐蚀性介质,生成易溶性的亚硫酸盐,并由此引起腐蚀产物自催化的加速腐蚀作用.图7是大气腐 蚀速率随时间的变化,随时间的增加,大气腐蚀速率基本上是下降的,这是由于腐蚀产物的不断生 成阻止了腐蚀的进一步进行.4结论1·应用人工神经网络技术预测了碳钢、低合金钢的大气腐蚀 ,网络的输入是碳钢、低合金钢的合金元素含量和大气腐蚀的环境影响因素,网络的输出是大气腐 蚀速率,建立了13-19-1的网络拓朴结构,神经网络的预测相对误差平方和为0·7651 ,预测相关系数达到了0·9215,预测结果和实验结果紧密相符.2·神经网络训练误差小并 不表示网络的预测性能好,它可能形成了对数据的“记忆”性能,而丧失了对数据的归纳分析,特 征抽取的能力.3·用单一因素敏感性分析方法研究合金元素和环境因素对于大气腐蚀速率的影响 是可行的.用人工神经网络构建碳钢、低合金钢大气腐蚀模型@王海涛$中国科学院金属研究所材料环境腐蚀实验研究中心!沈阳110016
@韩恩厚$中国科学院金属研究所材料环境腐蚀实验研究中心!沈阳110016
@柯伟$中国科学院金属研究所材料环境腐蚀实验研究中心!沈阳110016采用人工神经网络技 术建立了碳钢、低合金钢大气腐蚀预测模型,神经网络拓朴结构为13-19-1,神经网络模型 预测结果和实验数据紧密相符,而且通过单一因素敏感性分析方法,研究了合金元素和环境因素对 于大气腐蚀速率的影响,表明该方法的有效性.人工神经网络;;大气腐蚀;;模型;;敏感性分析<1>Sfeliu,M Morcillo,S Fuliu Jr.The prediction of atmosphericcorrosion from meteorological and pollution parameters-I
.Annual Corrosion.Corrosion Science,1993,34(3):403.
<2>唐其环.低合金钢大气腐蚀数据拟合及预测.腐蚀科学与防护技术,1995,7(3):210.
<3>D E Rumelhart,J L McClelland.Parallel Distrubuted Processing.MIT Press,Cambridge,1986.73.
<4>W C Carpenter,M E Hofman.Training backprop neural net-works.J AI Expert,1995,30.
<5>W H Ailor.Atmospheric Corrosion.New York:John Wileyand Sons,1982.85.较慢,当二氧化硫含量继续增加时,腐蚀速率急剧增加,趋向于线性关 系,二氧化硫溶于金属液膜成为强腐蚀性介质,生成易溶性的亚硫酸盐,并由此引起腐蚀产物自催 化的加速腐蚀作用.图7是大气腐蚀速率随时间的变化,随时间的增加,大气腐蚀速率基本上是下 降的,这是由于腐蚀产物的不断生成阻止了腐蚀的进一步进行.4结论1·应用人工神经网络技术 预测了碳钢、低合金钢的大气腐蚀,网络的输入是碳钢、低合金钢的合金元素含量和大气腐蚀的环 境影响因素,网络的输出是大气腐蚀速率,建立了13-19-1的网络拓朴结构,神经网络的预 测相对误差平方和为0·7651,预测相关系数达到了0·9215,预测结果和实验结果紧密 相符.2·神经网络训练误差小并不表示网络的预测性能好,它可能形成了对数据的“记忆”性能 ,而丧失了对数据的归纳分析,特征抽取的能力.3·用单一因素敏感性分析方法研究合金元素和 环境因素对于大气腐蚀速率的影响是可行的.用人工神经网络构建碳钢、低合金钢大气腐蚀模型@王海涛$中国科学院金属研究所材料环境腐蚀实验研究中心!沈阳110016
@韩恩厚$中国
More abstracts about the 用人工神经网络构建碳钢、低合金钢大气腐蚀模型