基于支持向量机的非调质钢的点蚀温度预测方法及系统技术方案

本发明专利技术涉及一种基于支持向量机的非调质钢的点蚀温度预测方法及系统，所述点蚀温度预测方法包括：获取多组非调质钢的点蚀温度实验测量值、实验对应的工艺参数以及非调质钢的元素成分，构成原始数据集；将所述原始数据集按照设定比例划分为训练样本集和测试样本集；采用所述训练样本集和所述测试样本集对支持向量回归模型进行训练和测试，得到非调质钢的点蚀温度预测模型；采用所述非调质钢的点蚀温度预测模型对待测非调质钢的点蚀温度进行预测。本发明专利技术通过构建基于支持向量回归模型的非调质钢的点蚀温度预测模型，能够降低非调质钢的点蚀温度的检测难度和实验测量成本。点蚀温度的检测难度和实验测量成本。点蚀温度的检测难度和实验测量成本。

【技术实现步骤摘要】
基于支持向量机的非调质钢的点蚀温度预测方法及系统


[0001]本专利技术涉及非调质钢的抗腐蚀性能研究
，特别是涉及一种基于支持向量机的非调质钢的点蚀温度预测方法及系统。

技术介绍

[0002]非调质钢是在传统碳钢的基础上加入铌、钒、钛等微合金化元素，采用控轧(锻)控冷等强韧化方法，达到或接近调质钢力学性能的一类优质结构钢。非调质钢种类多，因突出优点在建筑、桥梁、石油化工、模具、工程机械、汽车零部件制造等诸多领域得到应用。
[0003]点蚀被认为是石油化工结构腐蚀最危险形式之一。温度对于点蚀的产生和生长有重要的影响，如在污水处理过程中，石油污水具有高氯、低氧、高温等因素会腐蚀非调质钢，对管路的寿命影响巨大。为了得到具有良好抗腐蚀性能的非调质钢，延长非调质钢在实际应用中的有效使用寿命，对非调质钢的点蚀温度进行研究显得尤为重要。

技术实现思路

[0004]本专利技术的目的是提供一种基于支持向量机的非调质钢的点蚀温度预测方法及系统，能够降低非调质钢的点蚀温度的检测难度和实验测量成本。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]本专利技术提供了一种基于支持向量机的非调质钢的点蚀温度预测方法，所述点蚀温度预测方法包括：
[0007]获取多组非调质钢的点蚀温度实验测量值、实验对应的工艺参数以及非调质钢的元素成分，构成原始数据集；
[0008]将所述原始数据集按照设定比例划分为训练样本集和测试样本集；
[0009]采用所述训练样本集和所述测试样本集对支持向量回归模型进行训练和测试，得到非调质钢的点蚀温度预测模型；
[0010]采用所述非调质钢的点蚀温度预测模型对待测非调质钢的点蚀温度进行预测。
[0011]可选地，在采用所述训练样本集和所述测试样本集对支持向量回归模型进行训练和测试之前，还包括：
[0012]采用遗传算法对所述工艺参数和所述元素成分进行特征筛选，分别确定工艺参数和元素成分中的最佳特征。
[0013]可选地，在将所述原始数据集按照设定比例划分为训练样本集和测试样本集之前，还包括：
[0014]对原始数据集中所述点蚀温度实验测量值不同但所述工艺参数和所述元素成分相同的数据进行预处理，得到对应点蚀温度测量值的平均值，并将所述平均值替换原始数据集中的点蚀温度测量值。
[0015]可选地，采用所述训练样本集和所述测试样本集对支持向量回归模型进行训练和测试，具体包括：
[0016]将所述最佳特征输入至所述支持向量回归模型中，得到输出结果；
[0017]根据所述输出结果确定回归相关系数，判断所述回归相关系数是否满足设定阈值范围；
[0018]若是，则对所述支持向量回归模型进行超参数优化，将超参数优化后的支持向量回归模型确定为非调质钢的点蚀温度预测模型；
[0019]若否，则继续对所述支持向量回归模型进行训练，直至所述回归相关系数满足设定阈值范围，得到非调质钢的点蚀温度预测模型；
[0020]通过所述测试样本集对所述非调质钢的点蚀温度预测模型进行测试。
[0021]可选地，采用网格搜索法对非调质钢的点蚀温度预测模型进行超参数优化。
[0022]为实现上述目的，本专利技术还提供了一种基于支持向量机的非调质钢的点蚀温度预测系统，所述点蚀温度预测系统包括：
[0023]数据获取单元，用于获取多组非调质钢的点蚀温度实验测量值、实验对应的工艺参数以及非调质钢的元素成分，构成原始数据集；
[0024]样本划分单元，用于将所述原始数据集按照设定比例划分为训练样本集和测试样本集；
[0025]模型建立单元，用于采用所述训练样本集和所述测试样本集对支持向量回归模型进行训练和测试，得到非调质钢的点蚀温度预测模型；
[0026]预测单元，用于采用所述非调质钢的点蚀温度预测模型对待测非调质钢的点蚀温度进行预测。
[0027]可选地，所述点蚀温度预测系统还包括：
[0028]特征筛选单元，用于采用遗传算法对所述工艺参数和所述元素成分进行特征筛选，分别确定工艺参数和元素成分中的最佳特征。
[0029]可选地，所述点蚀温度预测系统还包括：
[0030]预处理单元，用于对原始数据集中所述点蚀温度实验测量值不同但所述工艺参数和所述元素成分相同的数据进行预处理，得到对应点蚀温度测量值的平均值，并将所述平均值替换原始数据集中的点蚀温度测量值。
[0031]可选地，所述模型建立单元具体包括：
[0032]输出结果确定模块，用于将所述最佳特征输入至所述支持向量回归模型中，得到输出结果；
[0033]判断模块，用于根据所述输出结果确定回归相关系数，判断所述回归相关系数是否满足设定阈值范围；
[0034]模型确定模块，用于在所述回归相关系数满足设定阈值范围时，对所述支持向量回归模型进行超参数优化，并将超参数优化后的支持向量回归模型确定为非调质钢的点蚀温度预测模型；还用于在所述回归相关系数不满足设定阈值范围时，继续对所述支持向量回归模型进行训练，直至所述回归相关系数满足设定阈值范围，得到非调质钢的点蚀温度预测模型；
[0035]测试模块，用于通过所述测试样本集对所述非调质钢的点蚀温度预测模型进行测试。
[0036]可选地，所述模型优化模块中采用网格搜索法对非调质钢的点蚀温度预测模型进
Classification，简称SVC)算法和支持向量回归(Support Vector Regression，简称SVR)算法。该方法具有坚实的理论基础，较好地分析了“过拟合”和“欠拟合”问题，并提出了相应的解决方法。它提供了丰富的核函数方法，特别适用于小样本情况下的数据建模，能最大限度提高预报结果的可靠性。
[0051]如图1所示，本专利技术提供了一种基于支持向量机的非调质钢的点蚀温度预测方法，所述点蚀温度预测方法包括：
[0052]S1：获取多组非调质钢的点蚀温度实验测量值、实验对应的工艺参数以及非调质钢的元素成分，构成原始数据集。
[0053]S2：将所述原始数据集按照设定比例划分为训练样本集和测试样本集。
[0054]S3：采用所述训练样本集和所述测试样本集对支持向量回归模型进行训练和测试，得到非调质钢的点蚀温度预测模型。
[0055]S4：采用所述非调质钢的点蚀温度预测模型对待测非调质钢的点蚀温度进行预测。
[0056]进一步地，在采用所述训练样本集和所述测试样本集对支持向量回归模型进行训练和测试之前，还包括：
[0057]采用遗传算法对所述工艺参数和所述元素成分进行特征筛选，分别确定工艺参数和元素成分中的最佳特征。
[0058]进一步地，在将所述原始数据集按照设定比例划分为训练样本集和测试样本集之前，还包括：
[0059]对原始数据集中所述点蚀温度实验测量值不同但所述工艺参数和所述元素成分相同的数据进行预处理，得到对应点蚀温度测量值的平均值，并将所述平均本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于支持向量机的非调质钢的点蚀温度预测方法，其特征在于，所述点蚀温度预测方法包括：获取多组非调质钢的点蚀温度实验测量值、实验对应的工艺参数以及非调质钢的元素成分，构成原始数据集；将所述原始数据集按照设定比例划分为训练样本集和测试样本集；采用所述训练样本集和所述测试样本集对支持向量回归模型进行训练和测试，得到非调质钢的点蚀温度预测模型；采用所述非调质钢的点蚀温度预测模型对待测非调质钢的点蚀温度进行预测。2.根据权利要求1所述的基于支持向量机的非调质钢的点蚀温度预测方法，其特征在于，在采用所述训练样本集和所述测试样本集对支持向量回归模型进行训练和测试之前，还包括：采用遗传算法对所述工艺参数和所述元素成分进行特征筛选，分别确定工艺参数和元素成分中的最佳特征。3.根据权利要求2所述的基于支持向量机的非调质钢的点蚀温度预测方法，其特征在于，在将所述原始数据集按照设定比例划分为训练样本集和测试样本集之前，还包括：对原始数据集中所述点蚀温度实验测量值不同但所述工艺参数和所述元素成分相同的数据进行预处理，得到对应点蚀温度测量值的平均值，并将所述平均值替换原始数据集中的点蚀温度测量值。4.根据权利要求2所述的基于支持向量机的非调质钢的点蚀温度预测方法，其特征在于，采用所述训练样本集和所述测试样本集对支持向量回归模型进行训练和测试，具体包括：将所述最佳特征输入至所述支持向量回归模型中，得到输出结果；根据所述输出结果确定回归相关系数，判断所述回归相关系数是否满足设定阈值范围；若是，则对所述支持向量回归模型进行超参数优化，将超参数优化后的支持向量回归模型确定为非调质钢的点蚀温度预测模型；若否，则继续对所述支持向量回归模型进行训练，直至所述回归相关系数满足设定阈值范围，得到非调质钢的点蚀温度预测模型；通过所述测试样本集对所述非调质钢的点蚀温度预测模型进行测试。5.根据权利要求4所述的基于支持向量机的非调质钢的点蚀温度预测方法，其特征在于，采用网格搜索法对非调质钢的点蚀温度预测模型进行超参数优化。6.一种基于支持向量机的非调质钢的点蚀温度预测系统，其特征在于，所述...

【专利技术属性】
技术研发人员：麦嘉琪，徐鹏程，孙阳庭，陆文聪，钱权，
申请(专利权)人：复旦大学，
类型：发明
国别省市：