氟离子环境中钛合金腐蚀速率的神经网络预测方法及装置制造方法及图纸

本发明专利技术提供了一种氟离子环境中钛合金腐蚀速率的神经网络预测方法及装置，涉及金属材料腐蚀速率预测技术领域。包括：基于量纲分析，选取腐蚀电流密度平方值作为中间变量，拟合“时间—腐蚀电流密度平方值”关系；使用复化梯形求积公式对腐蚀电流密度平方值沿时间进行数值积分；拟合“腐蚀电流密度平方积分值—屈服强度退化量”关系，得到钛合金屈服强度随时间的退化曲线以供工程服役参考；在所得屈服强度退化曲线的基础上，使用差分矩阵扫描该曲线以获得相对瞬时腐蚀速率v

【技术实现步骤摘要】
氟离子环境中钛合金腐蚀速率的神经网络预测方法及装置


[0001]本专利技术涉及金属材料腐蚀速率预测
，特别是指一种氟离子环境中钛合金腐蚀速率的神经网络预测方法及装置。

技术介绍

[0002]Cybenko G在1989年证明了神经网络的通用逼近定理即拥有足够数量神经元的单隐藏层前馈神经网络即可任意逼近某个函数。深度学习的兴起则表明，相比于单隐藏层神经网络为了高精度逼近目标函数可能需要较为庞大的神经元数目，通过增加神经网络隐藏层层数即加深神经网络深度可以使用相对更少的神经元即可有效地提升神经网络的逼近能力。与多层前馈网络有所不同，径向基神经网络只有一个隐藏层，且隐藏层传递函数的净输入为输入向量与权值矩阵的欧氏距离，而非前馈网络中权值矩阵对输入向量的加权和。广义回归神经网络是一种特殊的径向基网络，其隐藏层神经元数目与输入样本的总数目一致，且其线性输出层不带有偏置值。
[0003]而现有技术中，关于深远海环境中氟离子条件下潜航器用钛合金材料的腐蚀实验数据较少、已有的模拟腐蚀实验周期较短，对于实验结果缺乏有效拟合且可长期预测的腐蚀速率模型。

技术实现思路

[0004]针对现有技术中存在腐蚀实验数据较少、已有的模拟腐蚀实验周期较短，对于实验结果缺乏有效拟合且可长期预测的腐蚀速率模型的问题，本专利技术提出了氟离子环境中钛合金腐蚀速率的神经网络预测方法及装置。
[0005]为解决上述技术问题，本专利技术提供如下技术方案：
[0006]一方面，提供了一种氟离子环境中钛合金腐蚀速率的神经网络预测方法，该方法应用于电子设备，包括：
[0007]S1：采集钛合金腐蚀实验数据；对所述实验数据进行预处理；
[0008]S2：通过组合使用多种神经网络，对预处理后的数据进行分段拟合；对神经网络进行训练；
[0009]S3：整理神经网络中数据的拟合结果，得到钛合金屈服强度退化曲线；
[0010]S4：在所述屈服强度退化曲线的基础上，使用差分矩阵扫描所述屈服强度退化曲线，获得相对瞬时腐蚀速率v
m
，完成氟离子环境中钛合金腐蚀速率的神经网络预测。
[0011]可选地，步骤S1中，采集钛合金腐蚀实验数据，对所述实验数据进行预处理，包括：
[0012]S11：将钛合金试样分成两组，分别置于不同氟离子浓度的浸泡液中进行浸泡腐蚀，将每组分为七个时间梯度；两组钛合金试样的同一时间梯度，为平行实验组；
[0013]S12：对每个梯度浸泡腐蚀完成后的所述钛合金试样进行电化学参数测量；
[0014]S13：对平行实验组的数据求算数平均值；若计算腐蚀电流数据则还需结合试件尺寸求出腐蚀电流密度并进一步求其平方值；对于上述操作所得结果，进行数据清洗。
[0015]可选地，S2中，通过组合使用多种神经网络，对预处理后的数据进行分段拟合，对神经网络进行训练，包括：
[0016]S21:通过组合使用多种神经网络，输入预处理后的各时间梯度的实验数据，对神经网络进行训练，分段拟合时间—腐蚀电流密度平方值；数据不足的时间段内，采用传统数学方法作预拟合以实现数据增强，再用于神经网络训练；
[0017]S22:将用户期望预测的时间长度离散为将其输入已训练好的神经网络，输出相应的腐蚀电流密度平方值序列对腐蚀电流密度平方值序列作数值积分，获得腐蚀电流密度平方积分值序列
[0018]S23:通过组合使用多种神经网络，对神经网络进行训练；对数据进行分段拟合“腐蚀电流密度平方积分—屈服强度退化量”；数据不足的时间段内，采用传统数学方法作预拟合以实现数据增强，再用于神经网络训练。
[0019]可选地，数据分段包括：将不同氟离子浓度的钛合金试样数据进行分段，其中，0
‑
21天为第一段，21天以后为第二段。
[0020]可选地，步骤S21中，通过组合使用多种神经网络，输入预处理后的各时间梯度的实验数据，对神经网络进行训练，包括：
[0021]对两组浓度的第一段数据，选用BP神经网络，最大训练周期数epochs＝8000，迭代终止条件为训练样本集最大绝对值误差MAE<10
‑
15
，，其中为为目标输出值，为实际输出值，k为样本序号；
[0022]对第一组的第二段数据，选用前馈神经网络，预设算法为列文伯格
‑
马夸特算法；
[0023]对第二组的第二段数据，选用广义回归神经网络。
[0024]可选地，数据增强包括：对第二段数据进行数据增强，即通过预拟合公式补充数据至实际实验天数的2倍时间处。
[0025]可选地，步骤S21中，将用户期望预测的时间长度离散为将其输入已训练好的神经网络，输出相应的腐蚀电流密度平方值序列包括：
[0026]S211：将离散时间序列输入进已训练完成的BP网络中获得输出只保留前21条输出结果即
[0027]S212：将离散时间序列输入进已训练完成的广义回归神经网络net_Time_Jcor2_F8中获得输出
[0028]S213：合并上述两个输出序列，得到第一组浓度的腐蚀电流密度平方值序列；
[0029]S214：重复上述步骤S211
‑
S213，得到第二组浓度的腐蚀电流密度平方值序列。
[0030]可选地，S21中，对腐蚀电流密度平方值序列作数值积分，包括：通过复化梯形求积公式对腐蚀电流密度平方值沿时间作数值积分。
[0031]可选地，S4中，在所述屈服强度退化曲线的基础上，使用差分矩阵扫描所述屈服强度退化曲线，获得相对瞬时腐蚀速率v
m
，完成氟离子环境中钛合金腐蚀速率的神经网络预测，包括：
[0032]S41：以任意一天钛合金屈服强度的单日退化量
‑
δσ
m
作为该天的相对瞬时腐蚀速率v
m
，其中，δT＝1；
[0033]S42：使用差分矩阵左乘步骤S3中所得的退化曲线数据序列得到相对瞬时腐蚀速率序列即完成氟离子环境中钛合金腐蚀速率的神经网络预测。
[0034]一方面，提供了一种氟离子环境中钛合金腐蚀速率的神经网络预测装置，该装置应用于电子设备，该装置包括：
[0035]数据预处理模块，用于采集钛合金腐蚀实验数据；对所述实验数据进行预处理；
[0036]数据拟合模块，用于通过组合使用多种神经网络，对预处理后的数据进行分段拟合；
[0037]曲线整合模块，整理神经网络中数据的拟合结果，得到钛合金屈服强度退化曲线；
[0038]腐蚀速率预测模块，在所述屈服强度退化曲线的基础上，使用差分矩阵扫描所述屈服强度退化曲线，获得相对瞬时腐蚀速率v
m
，完成氟离子环境中钛合金腐蚀速率的神经网络预测。
[0039]一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种氟离子环境中钛合金腐蚀速率的神经网络预测方法，其特征在于，包括：S1：采集钛合金腐蚀实验数据；对所述实验数据进行预处理；S2：通过组合使用多种神经网络，对预处理后的数据进行分段拟合；S3：整理神经网络中数据的拟合结果，得到钛合金屈服强度退化曲线；S4：在所述屈服强度退化曲线的基础上，使用差分矩阵扫描所述屈服强度退化曲线，获得相对瞬时腐蚀速率v
m
，完成氟离子环境中钛合金腐蚀速率的神经网络预测。2.根据权利要求1所述的方法，其特征在于，所述步骤S1中，采集钛合金腐蚀实验数据，对所述实验数据进行预处理，包括：S11：将钛合金试样分成两组，分别置于不同氟离子浓度的浸泡液中进行浸泡腐蚀，将每组分为七个时间梯度；两组钛合金试样的同一时间梯度，为平行实验组；S12：对每个梯度浸泡腐蚀完成后的所述钛合金试样进行电化学参数测量；S13：对平行实验组的数据求算数平均值；若计算腐蚀电流数据则还需结合试件尺寸求出腐蚀电流密度并进一步求其平方值；对于上述操作所得结果，进行数据清洗。3.根据权利要求2所述的方法，其特征在于，所述S2中，通过组合使用多种神经网络，对预处理后的数据进行分段拟合，包括：S21:通过组合使用多种神经网络，输入预处理后的各时间梯度的实验数据，对神经网络进行训练，分段拟合时间—腐蚀电流密度平方值；数据不足的时间段内，采用传统数学方法作预拟合以实现数据增强，再用于神经网络训练；S22:将用户期望预测的时间长度离散为将其输入已训练好的神经网络，输出相应的腐蚀电流密度平方值序列对腐蚀电流密度平方值序列作数值积分，获得腐蚀电流密度平方积分值序列S23:通过组合使用多种神经网络，对神经网络进行训练；对数据进行分段拟合“腐蚀电流密度平方积分—屈服强度退化量”；数据不足的时间段内，采用传统数学方法作预拟合以实现数据增强，再用于神经网络训练。4.根据权利要求3所述的方法，其特征在于，数据分段包括：将不同氟离子浓度的钛合金试样数据进行分段，其中，0
‑
21天为第一段，21天以后为第二段。5.根据权利要求4所述的方法，其特征在于，所述步骤S21中，通过组合使用多种神经网络，输入预处理后的各时间梯度的实验数据，对神经网络进行训练，包括：对两组浓度的第一段数据，选用BP神经网络，最大训练周期数epochs＝8000，迭代终止条件为训练样本集最大绝对值误差MAE<10
‑

【专利技术属性】
技术研发人员：张卫冬，崔鹏，谢正荣，艾轶博，张琬滢，张媛媛，王校源，马宁，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：