[发明专利]一种基于BP神经网络模型的冲蚀失效定量预测方法

权利要求书

1.一种基于BP神经网络模型的冲蚀失效定量预测方法，其特征在于，包括如下步骤：

1)建立BP神经网络模型，所述BP神经网络模型：包含1个输入层，2个隐含层和1个输出层；具体BP神经网络模型如下：

(1)输入层：x₁,x₂,x₃,x₄,x₅，分别对应于归一化处理后的NH₄HS浓度、氯离子含量、温度、H₂S分压和剪切应力；

(2)第一隐含层输出计算公式：

其中：i为第一个隐含层的人工神经元编号；x＝[x₁,...,x₅]，分别为NH₄HS浓度、氯离子含量、温度、H₂S分压和剪切应力5种工况参数；a_i代表第一个隐含层中，第i个人工神经元的输出；w1_ij代表第一个隐含层中，第i个人工神经元与第j个输入层人工神经元的权值，b1_i代表第一个隐含层中第i个人工神经元的阈值；代表对j从1到5进行求和操作；f₁代表第一个隐含层的传输函数，这里选用logsig函数：

(3)第二隐含层的输出计算公式：

其中：m为第二个隐含层的人工神经元编号；a_i代表第一个隐含层中，第i个人工神经元的输出；s_m代表第二个隐含层中第m个人工神经元的输出；w2_mi代表第二个隐含层中的第m个人工神经元与第一个隐含层中，第j个人工神经元的权值；b2_m代表第二个隐含层中第m个人工神经元的阈值；代表对i＝1到4进行求和操作；f₂代表第二隐含层的激励函数，这里选用Tansig函数：

(4)输出层的输出计算公式：

其中：k为输出层人工神经元的编号；s_m代表第二个隐含层中第j个人工神经元的输出；y代表整个BP神经网络模型最终的输出，即腐蚀率；w3_km代表输出层中第k个人工神经元与第二个隐含层中第j个人工神经元相连接的权值；代表对j从1到10进行求和操作；b3_k代表输出层中第k个人工神经元的阈值；

2)数据采集和处理：

基于冲刷腐蚀机理分析，得到影响材料冲蚀速率的重要参数，建立参数样本数据库；

3)BP神经网络模型训练：

4)BP神经网络模型预测

当取得与参数样本数据库中都不同的5种工况参数的样本时，按照步骤1)第(2)、(3)和(4)步的顺序计算第一个隐含层、第二个隐含层和输出层神经元的输出值，计算得到的输出值，即为5种工况参数下的腐蚀率。

2.根据权利要求1所述的一种基于BP神经网络模型的冲蚀失效定量预测方法，其特征在于，其特征在于，步骤1)所述的BP神经网络模型中共有85个模型参数，包括：

所述的输入层共有5个人工神经元，表示输入BP神经网络的5个归一化处理后的参数样本；

第一个所述的隐含层包含4个人工神经元，每个人工神经元都有与输入层的5个人工神经元相连的权值和1个自带的阈值；

第二个所述的隐含层包含10个人工神经元，每个人工神经元都有与第一个隐含层的4个人工神经元相连的权值和1个自带的阈值；

所述的输出层包含1个人工神经元，其中每个人工神经元都有与第二个隐含层的10个人工神经元相连的权值和1个自带的阈值。

3.根据权利要求1所述的一种基于BP神经网络模型的冲蚀失效定量预测方法，其特征在于，其特征在于，步骤3)包括：

(1)初始化步骤，设置整个BP神经网络模型所需要的85个模型参数为[-1,1]对称区间内的随机数；

(2)设定当前为第n＝0步；

(3)设定BP神经网络模型训练的最大迭代次数为500次，给定BP神经网络模型的目标误差为0.00001，这里的目标误差为均方差，均方差的计算方法如下式：

其中：y_q代表第q个数据样本的腐蚀率，代表对i从1到训练样本的个数进行求和；

(4)从参数样本数据库中提取全部的样本，记为为未经处理的5种工况参数：NH₄HS浓度、氯离子含量、温度、H₂S分压和剪切应力，y为腐蚀率；

利用归一化公式：

为中最小的值，为中最大的值；x为归一化处理后的工况参数，选取归一化样本中的80％为训练样本，其余20％为测试样本；

(5)按照步骤1)中第(2)、(3)和(4)步公式顺序计算第一个隐含层、第二个隐含层和输出层神经元的输出值；

(6)根据第(3)步中均方差的计算公式计算误差，得到均方差；

(7)根据误差反向传播算法，调整输入层至第1个隐含层的连接权值，第1个隐含层至第2个隐含层的连接权值，第2个隐含层至输出层的连接权值，及除输入层外，每个人工神经元的阈值，共85个BP神经网络模型参数；

(8)令n＝n+1，返回第(3)步，直至满足第(3)步中设置的BP神经网络模型训练的最大迭代次数为止；

(9)BP神经网络模型训练结束；

(10)将测试样本按照步骤1)中第(2)、(3)和(4)步公式顺序计算第一个隐含层、第二个隐含层和输出层神经元的输出值；

(11)第(3)步中均方差的计算公式计算误差，得到均方差；

(12)重复第(1)到第(11)步，重新训练9次BP神经网络模型，并得到对应的训练误差和测试误差；

(13)比较10个训练好的BP神经网络模型的训练误差和测试误差，取训练误差和测试误差都最小的BP神经网络模型；当训练误差和测试误差在10个训练好的BP神经网络模型上不能同时取最小时，取测试误差最小的BP神经网络模型；通过记录下训练好的BP神经网络模型中层与层相连接的权值和除输入层外，每个人工神经元阈值结果来反映出材料腐蚀速率的重要参数变量的综合相关性。