基于量子支持向量机的铍青铜合金腐蚀速率预测方法技术

本发明专利技术提供一种基于量子支持向量机的铍青铜合金腐蚀速率预测方法，基于机器学习算法，通过对铍青铜合金腐蚀过程有重要影响的诸多因素进行数据采集处理及主成因分析，利用结合量子算法的量子最小二乘支持向量机构建盐雾环境下铍青铜合金腐蚀预测模型，并利用该模型实现对铍青铜合金腐蚀速率的高效准确预测。型实现对铍青铜合金腐蚀速率的高效准确预测。型实现对铍青铜合金腐蚀速率的高效准确预测。

【技术实现步骤摘要】
基于量子支持向量机的铍青铜合金腐蚀速率预测方法


[0001]本专利技术涉及一种合金腐蚀速率预测方法，具体的说，涉及了一种基于量子支持向量机的铍青铜合金腐蚀速率预测方法。

技术介绍

[0002]铍青铜合金是一种以铍为主要合金元素的重要铜合金材料，也是铍合金中用途最广泛的一种材料，其腐蚀过程涉及内外部诸多影响因素，包括湿度、温度、pH值、盐度等环境因素以及表面微观粗糙度、晶粒度等材料特性均对其腐蚀过程存在一定影响，各项因素之间存在直接或间接相互作用，这种相互作用关系最终将集中反映在材料腐蚀速率这一输出指标上。
[0003]针对材料腐蚀速率的传统测试方法有许多，包括电化学法、化学浸泡法等，这些方法存在化学品消耗与环境污染、测试周期长、前处理程序繁琐以及误差等不足。基于机器学习算法的铍青铜合金腐蚀速率测试方法可充分利用腐蚀影响因素之间的相互作用关系，更加准确清晰地对铍青铜的腐蚀速率及腐蚀过程进行分析预测，具有高效、简捷、快速、准确的技术特点，可作为一种铍青铜合金原材料腐蚀防护检测的重要技术手段。
[0004]目前国内存在利用传统机器学习本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于量子支持向量机的铍青铜合金腐蚀速率预测方法，其特征在于：步骤1，获取铍青铜合金腐蚀速率原始数据集；针对不同批次的铍青铜合金带材，选取材料样品进行机械加工、超声波除油、化学除油、三酸清洗、纯水漂洗以及烘干密封处理操作，获取材料质量符合预设标准的铍青铜合金试片；利用三维光学表面轮廓仪对铍青铜合金试片进行非接触扫描，构建三维表面图像模型，并基于图像纹理分析对图像模型进行数据处理与分析，获取不同铍青铜合金试片的表面粗糙度；利用超高清微观显微系统对铍青铜合金试片表面进行复杂微观图像分析，对材料晶粒度等指标进行定量测试，根据截点法获取不同铍青铜合金试片的晶粒度数据值；基于三维光学表面轮廓仪和超高清微观显微系统的检测结果，将处理后的铍青铜合金试片按粗糙度、晶粒度等进行编号并分类保存；利用中性盐雾试验装置在不同温度、不同盐度以及不同pH值的环境参数条件下对不同编号的铍青铜合金试片进行相同时间的材料腐蚀速率测试，并记录各个铍青铜合金试片的试验结果；以温度、盐度、pH值、表面粗糙度、微观晶粒度作为模型输入向量，以腐蚀速率作为模型输出向量，构成铍青铜合金腐蚀速率原始数据集；步骤2，对铍青铜合金腐蚀速率原始数据集依次进行标准化处理和降维处理，得到新铍青铜合金腐蚀速率数据集；将新铍青铜合金腐蚀速率数据集按70/30％的比例分为训练样本集和测试样本集；步骤3，基于非线性映射结合已构建的训练样本集构造最优决策函数，基于结构风险最小化原则，将最优决策函数转换为量子最小二乘支持向量机优化问题，并在KKT条件下将量子最小二乘支持向量机优化问题转化为求解线性方程组，根据已构建的训练样本集对线性方程组进行求解，得到铍青铜合金腐蚀速率预测模型；步骤4，基于步骤3中训练好的铍青铜合金腐蚀速率预测模型和步骤2中的测试样本集验证铍青铜合金材料腐蚀速率预测模型的正确性；步骤5，利用测试通过的铍青铜合金腐蚀速率预测模型对铍青铜合金进行腐蚀速率预测。2.根据权利要求1所述的基于量子支持向量机的铍青铜合金腐蚀速率预测方法，其特征在于，步骤3中，基于非线性映射结合已构建的训练样本集构造最优决策函数，基于结构风险最小化原则，将最优决策函数转换为量子最小二乘支持向量机优化问题，包括：设定训练样本集为D＝{(x1，y1)，(x2，y2)，...(x
i
，y
i
)，...，(x
m
，y
m
)}，其中，x1为模型输入向量的第1个元素，包括第1个训练样本的温度、盐度、pH值、表面粗糙度、微观晶粒度；y1为模型输出向量的第1个元素，包括第1个训练样本的腐蚀速率；x2为模型输入向量的第2个元素，包括第2个训练样本的温度、盐度、pH值、表面粗糙度、微观晶粒度；y2为模型输出向量的第2个元素，包括第2个训练样本的腐蚀速率；x
i
为模型输入向量的第i个元素，包括第i个训练样本的温度、盐度、pH值、表面粗糙度、微观晶粒度；y
i
为模型输出向量的第i个元素，包括第i个训练样本的腐蚀速率；x
m
为模型输入向量的第m个元素，包括第m个训练样本的温度、盐度、pH值、表面粗糙度、微观晶粒度；y
m
为模型输出向量的第m个
元素，包括第m个训练样本的腐蚀速率；m为训练样本总数量；通过非线性函数把模型输入向量映射至特征空间构造最优决策函数：其中，x＝[x1，x2，
…
，x
m
]
T
，ω为权重向量，为x的非线性函数，b为偏置常数；根据结构风险最小化原则，建立约束问题：根据结构风险最小化原则，建立约束问题：其中，C为惩罚系数，ξ
i
为误差变量，ξ＝[ξ1，ξ2，...，ξ
m
]。3.根据权利要求1所述的基于量子支持向量机的铍青铜合金腐蚀速率预测方法，其特征在于，在KKT条件下将量子最小二乘支持向量机优化问题转化为求解线性方程组，根据已构建的训练样本集对线性方程组进行求解，得到铍青铜合金腐蚀速率预测模型包括：引入拉格朗日乘子，构建拉格朗日函数引入拉格朗日乘子，构建拉格朗日函数其中，α
i
≥0为对应x
i
的拉格朗日乘子，α为拉格朗日向量，且α＝[α1，α2，
…
，α
m
]，为x
i
的非线性函数；利用KKT条件对拉格朗日函数求偏导，得到四个偏导数利用KKT条件对拉格朗日函数求偏导，得到四个偏导数消去ω，ξ
i
，令核函数，令核函数得到线性方程组F(b，α)
T
＝(0，y)
T
，其中，x
j
为模型输入向量x的第j个元素，为x
j
的非线性函数，y＝[y1，y2，
…
，y
m
]，I＝[1，1，
…
，1]，K为核函数矩阵，且基于训练样本集，采用HHL量子算法对线性方程组F(b，α)
T
＝(0，y)
T
进行求解，获取最优值，实现铍青铜合金腐蚀速率预测模型的构建，其函数数学表达式为y(x)＝∑
i＝1
α
i
k(x，x
i
)+b；其中b
*
为b的最优解，为α的最优解。4.根据权利要求3所述的基于量子支持向量机的铍青铜合金腐蚀速率预测方法，其特征在于，采用SWAP
‑
test计算核函数k(x
i
，x
j
)：
上述公式采用狄拉克符号表述，|0>，|1>均为量子比特状态，分别为和对应的量子态，分别为|0>，|1>对应的张量积；<0|1>，<0|0>，分别为|0>，|1>对应的内积；为最终目标和的内积值，且H1指对第一个量子态进行Hadamard门变换，Swap
2，3
是指将第二个量子态和第三个量子态使用Swap门进行交换；measure1指对第一个量子态进行测量。5.根据权利要求1所述的基于量子支持向量机的铍青铜合金腐蚀速率预测方法，其特征在于，步骤2中，利用主成因分析法对标准化后的铍青铜合金腐蚀速率原始数据集进行降维处理：将铍青铜合金腐蚀速率原始数据集中的模型输入向量转换为n
×
m矩阵X，n为模型输入向量的维数，m为模型输入向量的个数；将矩阵X的每一行数据进行零均值化；计算协方差矩阵C＝(XX
T
)/m；计算协方差矩阵的特征值及对应特征向量；
按照特征值大小将特征向量由上至下按行排列；取前k行特征向量组成新矩阵P，k小于m；利用Y＝PX可得到降维至k维后的新数据矩阵Y。6.一种基于量子支持向量机的铍青铜合金腐蚀速率预测系统，其特征在于，包括：数据获取模块，被配置为获取铍青铜合...

【专利技术属性】
技术研发人员：朱伟浩，王坤，许丹丹，成彦波，胡春朝，伍蕾影，
申请(专利权)人：郑州信大先进技术研究院，
类型：发明
国别省市：