[发明专利]一种基于海洋用钢成分腐蚀量的预测方法

说明书

一种基于海洋用钢成分腐蚀量的预测方法，它包括以下步骤：1、数据的初始化，将一种成分在某时间长度下的腐蚀量和对应的时间成分定义为一组数据，在获取目标环境下钢铁材料腐蚀的数据后，将所有数据整理为构建神经网络，并将其输入到matlab软件；2、神经网络结构优化，利用蚁群算法对神经网络隐含层层数、各层节点数进行优化，将最优的隐含层结构作为神经网络结构；3、神经网络权值和阈值的初值优化，利用人工鱼群算法优化权值阈值的初值；4、神经网络预测及误差分析。本发明能够较为快速精确的预测钢铁材料在海洋环境中腐蚀快慢，对耐候钢的研究开发具有指导作用，并对腐蚀行为机理的研究有所帮助。

技术领域

本发明涉及一种钢铁腐蚀量的预测方法。

背景技术

目前，海洋中腐蚀环境复杂(按与海水平均高潮、低潮位以及海底的位置关系，将腐蚀环境分为：飞溅区、潮差区、低潮区、全浸区、海泥区)，且各环境的腐蚀机理与行为差距较大，大多钢铁材料在飞溅区和低潮区腐蚀最为严重。实际环境腐蚀测试试验需要数年到十余年的时间，费用较高，而现行标准尚无针对海洋环境模拟的试验，且模拟腐蚀试验操作复杂，时间从数周到数月，数据重现性差，费用也较为高昂。因此，通过钢铁成分来快速预测其在海洋环境中腐蚀能力的手段显得尤为重要。

在钢铁材料海洋腐蚀领域，自腐蚀机理中提炼的预测公式尚不够成熟，同时，各种基于腐蚀数据的回归分析也有各自的局限性。在国际范围内，腐蚀预测公式以美国材料与试验协会标准ASTM-G101中I指数，以及“無塗装橋梁用鋼材の耐候性合金指標および耐候性評価”中的V指数，而上述两种方法主要对比不同低合金钢在大气环境中耐腐蚀性能的优劣。专利CN1268914C描述了一种利用环境因素和腐蚀量统计值预测耐候钢在较长时间内腐蚀趋势和范围的方法，但对于新成分钢种，依旧需要大规模腐蚀试验。专利CN101782499A阐述了一种基于腐蚀失重与环境因素线性回归分析耐候钢腐蚀失重的方法，由于其回归模型的局限，使得该方法无法描述腐蚀量随时间变化的关系。专利CN104239659A描述了一种利用神经网络预测碳钢在高硫高酸环境中腐蚀的方法，其应用范围并未包括海洋环境，且其数学模型仍有进一步优化的空间。

然而，国内外已经完成了包括海洋用耐候钢在内的中低合金钢、不锈钢的大量的实际海洋环境腐蚀试验，为腐蚀数据分析预测奠定了基础。无论从腐蚀机理或者是实际实验数据都能看出海洋环境腐蚀的复杂性，这就使神经网络的隐含层结构和权值阈值的初值难于确定，所以相对直接使用神经网络预测腐蚀量而言，仍有较大的空间可以通过优化算法来提升预测的准确程度。

发明内容

本发明的目的在于提供一种能够快速精确的预测钢铁材料在海洋环境中腐蚀快慢的基于海洋用钢成分腐蚀量的预测方法。本发明主要是通过计算机神经网络对现有钢铁材料在海洋中的腐蚀量数据进行分析，辅以蚁群、鱼群算法对神经网络进行优化，进而预测尚未进行腐蚀试验的海洋用钢在海水中的腐蚀量。

本发明的方法步骤如下：

步骤一：数据初始化及录入。

将一种成分在某时间长度下的腐蚀量(失重/增重/减薄/腐蚀深度或者对应统计量)和对应的时间成分定义为一组数据，在获取目标环境下钢铁材料腐蚀的数据后，根据不同组数据的详实程度对不同影响因素进行取舍，使得最终所有组内数据的对应数据齐全，不同成分材料试验时间长度一致，并将所有数据整理为构建神经网络的软件易于读取的形式.mat。将数据输入Matlab软件，输入层节点即合金元素质量分数以及时间，输出层节点对应数据中的腐蚀指标。

步骤二：神经网络结构优化。

利用蚁群算法将神经网络隐含层各层节点数作为路径加以优化，设定经由不同隐含层节点获得神经网络的误差倒数为增加的信息素，进而更新信息素直至收敛于最优的隐含层结构。