基于BP网络模型的核用锆-4合金耐腐蚀性能预测方法、电子设备、存储介质技术

本发明专利技术提供基于BP网络模型的核用锆

【技术实现步骤摘要】
基于BP网络模型的核用锆-4合金耐腐蚀性能预测方法、电子设备、存储介质


[0001]本专利技术涉及核级锆材
，尤其涉及基于BP网络模型的核用锆-4合金耐腐蚀性能预测方法、电子设备、存储介质。

技术介绍

[0002]锆-4合金因其优异的核性能而被一直用作压水堆(PWRS)和沸水堆(BWRS)的结构材料，如包壳管、端塞棒和定位格架等。耐腐蚀性能，是锆-4合金众多核性能中最为关键的一项。实际生产中，由于工艺链较长，影响腐蚀性能的因素众多，如合金成分、热加工工艺、累积退火参数∑A值、表面状态以及腐蚀环境等，相较于其他因素，作为源头的合金成分(包括元素种类及添加量)，又是其中最为重要的一种。
[0003]合金及杂质元素含量对锆-4合金样品腐蚀性能影响，国外研究工作主要涉及合金元素Sn、Fe、Cr和杂质元素C、Si、P、Al等。Craig M.Eucken等通过加工不同成分配比的锆-4合金1mm厚度小板材样品，然后反应釜腐蚀，发现：在ASTM标准要求的锆-4成分范围内，随Sn含量增加，400℃均匀腐蚀性能会变差；Fe+Cr含量从0.21％增加至上限0.36％，对腐蚀能起到明显改善作用；C元素从极低的40ppm添加到283ppm过程中，腐蚀性能会不断恶化；增加Si、P和Al含量，腐蚀性能没有明显变化。Makoto Harada等通过微观结构分析发现，锆-4合金表面氧化物若从单斜结构向四方或面心立方结构发生转变，转变过程中引起的“应力释放”将可能有利于均匀腐蚀性能的提升，而Sn含量增加，可能正是因为具有稳定单斜结构氧化物的作用，从而通过腐蚀性能恶化，加速了腐蚀转变。在国内，主要由上海大学的姚美意等人利用小型轧机，在实验室制备板材样品，研究了不同Sn、Cu、Nb、O等元素对锆合金不同介质条件下腐蚀行为的影响。上述研究工作均采用的是单因素控制变量法，实验量大、研发成本高；同时，由于影响锆-4合金腐蚀性能的合金成分种类众多，这些元素之间又存在交互影响，因此其是一个多维非线性的映射问题，难以通过建立简单的数学模型表达其内在联系。尽管传统实验方法在腐蚀技术发展中起到积极的作用，但在锆-4合金腐蚀性能预测方面已远不能满足当前锆合金的研发需求。因此，如能在尽可能少实验的条件下，借助新型技术手段，构建起“不同合金成分——腐蚀性能”间的数学模型，利用模型实现对不同成分对腐蚀性能影响地快速预测分析，将对于促进我国新型锆合金的研发具有重要作用。
[0004]人工神经网络技术是一种超大规模非线性连续时间自适应信息处理技术，由于其兼具训练样本少、数据处理快速、信息搜寻全面、学习能力强以及快速收敛建模等优点，因此近年来，在国内的加工制造领域，得到了大量的推广应用。这其中，又以BP(Back Propagation,BP)神经网络技术的应用最为成功和广泛。BP网络也称前馈神经网络，是一种误差反向传播进行训练的算法，其原理简单，计算精度较高，目前已被应用于众多领域。专利技术专利(CN 107609647 A)公开了“一种基于BP神经网络的轧辊合金力学性能预测方法”，专利技术人通过构建轧辊合金成分、热处理工艺参数和力学性能间的BP网络模型，实现了最优参数组合的筛选。专利技术专利(CN 111241750 A)公开了“一种结合遗传算法的BP网络冷轧带钢
力学性能预测方法”，专利技术人以BP网络为中心，利用遗传算法对BP网络进行改进，建立了冷轧带钢力学性能的预测模型，提高了生产效率。然而，长期以来，由于核级锆材生产成本高、技术难度大，国内研究工作尚处于起步阶段。因此，急需一种将BP神经网络技术应用到核级锆材腐蚀性能预测的方法，以解决现有研究工作采用单因素控制变量法，实验量大、研发成本高，难以通过建立简单的数学模型表达不同合金成分内在联系的问题。

技术实现思路

[0005]为了克服现有技术的不足，本专利技术的目的在于提供基于BP网络模型的核用锆-4合金耐腐蚀性能预测方法，用于预测不同合金成分下的核用锆-4合金腐蚀性能，从而实现元素单独及交互作用下对合金腐蚀性能的影响分析，为优化最佳合金成分组合，制备优异耐腐蚀性能锆-4合金，提供一种新的高效技术手段。
[0006]本专利技术提供基于BP网络模型的核用锆-4合金耐腐蚀性能预测方法，包括以下步骤：
[0007]获取原始数据样本，将核用锆-4合金板材试样腐蚀增重作为研究对象，确定输入变量和输出变量，开展腐蚀检测，获得原始数据样本；
[0008]构建BP网络模型，确定BP网络拓扑结构，设定训练函数、学习率、传递函数、训练步数和最大允许误差，通过从所述原始数据样本中选取的训练样本构建不同合金成分-腐蚀增重的BP网络模型；
[0009]验证BP网络模型，通过从所述原始数据样本中选取的测试样本对构建的BP网络模型进行验证。
[0010]进一步地，所述获取原始数据样本步骤中，所述输入变量包括Sn的质量百分比、Fe+Cr的质量百分比、C的质量百分比、Si的质量百分比、X的质量百分比、腐蚀周期，所述输出变量为样品的腐蚀增重。
[0011]进一步地，所述获取原始数据样本步骤中，所述板材试样的尺寸为20mm
×
20mm
×
2mm，在反应釜内开展400℃/10.3MPa、300天腐蚀试验，期间取样测试增重周期分别为第10、30、60、80、100、130、150、180、210、240、270、300天。
[0012]进一步地，在所述获取原始数据样本步骤和所述构建BP网络模型步骤之间还包括提取特征信息，对所述输入变量进行主成分分析，提取特征信息，形成新的低维输入变量。
[0013]进一步地，所述提取特征信息步骤中，利用SPSS-13.0软件进行主成分分析，将6个具有一定相关性的成分输入变量重新组合成3个新的互相无关的综合变量。
[0014]进一步地，所述构建BP网络模型步骤中，所述BP网络拓扑结构为三层，分别为输入层、隐含层和输出层，输入层节点数为3，输出层节点数为1，隐含层节点数取值范围为[2-10]。
[0015]进一步地，所述构建BP网络模型步骤中，训练函数为TRAINLM，学习函数为LEARGDM，传递函数为Tansig、Purelin，学习率设为0.1，最大迭代次数为2000次，目标误差E为1x10-2
。
[0016]进一步地，所述验证BP网络模型步骤中，从新样本中选取未参加BP网络模型训练的样本，对构建的BP网络模型进行预测检验，通过实测和预测值间的相对误差比较，评价模型的泛化能力。
[0017]一种电子设备，包括：处理器；
[0018]存储器；以及程序，其中所述程序被存储在所述存储器中，并且被配置成由处理器执行，所述程序包括用于执行基于BP网络模型的核用锆-4合金耐腐蚀性能预测方法。
[0019]一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行基于BP网络模型的核用锆-4合金耐腐蚀性能预测方法。
[0020]相比现有技术，本专利技术的有益效果在于：
[002本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于BP网络模型的核用锆-4合金耐腐蚀性能预测方法，其特征在于，包括以下步骤：获取原始数据样本，将核用锆-4合金板材试样腐蚀增重作为研究对象，确定输入变量和输出变量，开展腐蚀检测，获得原始数据样本；构建BP网络模型，确定BP网络拓扑结构，设定训练函数、学习率、传递函数、训练步数和最大允许误差，通过从所述原始数据样本中选取的训练样本构建不同合金成分-腐蚀增重的BP网络模型；验证BP网络模型，通过从所述原始数据样本中选取的测试样本对构建的BP网络模型进行验证。2.如权利要求1所述的基于BP网络模型的核用锆-4合金耐腐蚀性能预测方法，其特征在于：所述获取原始数据样本步骤中，所述输入变量包括Sn的质量百分比、Fe+Cr的质量百分比、C的质量百分比、Si的质量百分比、X的质量百分比、腐蚀周期，所述输出变量为样品的腐蚀增重。3.如权利要求1所述的基于BP网络模型的核用锆-4合金耐腐蚀性能预测方法，其特征在于：所述获取原始数据样本步骤中，所述板材试样的尺寸为20mm
×
20mm
×
2mm，在反应釜内开展400℃/10.3MPa、300天腐蚀试验，期间取样测试增重周期分别为第10、30、60、80、100、130、150、180、210、240、270、300天。4.如权利要求2所述的基于BP网络模型的核用锆-4合金耐腐蚀性能预测方法，其特征在于：在所述获取原始数据样本步骤和所述构建BP网络模型步骤之间还包括提取特征信息，对所述输入变量进行主成分分析，提取特征信息，形成新...

【专利技术属性】
技术研发人员：储林华，温树文，张书彦，张鹏，肖魏，朱水文，方敏杰，樊卓志，吴炜枫，
申请(专利权)人：广东书彦材料基因创新科技有限公司，
类型：发明
国别省市：