基于碳鋼和低合金鋼16年海水暴露腐蝕數據的神經網絡預測模型

杜翠微趙研研李磊李曉剛（北京科技大學腐蝕與防護中心）

金屬材料的海水腐蝕規(guī)律十分復雜，其腐蝕關系是非線性的，即同一種金屬在不同的環(huán)境條件下有不同的腐蝕規(guī)律，在相同的環(huán)境條件下不同的金屬也可能存在著不同的腐蝕規(guī)律。因此，利用已有的金屬材料海水腐蝕數據預測未知海區(qū)金屬材料的腐蝕行為，掌握其未來變化規(guī)律，對防腐工程設計、制定材料防腐規(guī)范和標準、保證設備和工程構件的安全使用具有重要意義[1~2]。腐蝕科技工作者相繼提出了用于對碳鋼及低合金鋼的海水腐蝕預測的數學模型，如：指數模型、灰色系統(tǒng)模型，近年來，人工神經網絡方法并成為材料環(huán)境腐蝕行為與使用壽命預測研究中的熱點。在海水腐蝕領域，利用已知海水網站腐蝕速率數據預測未知地區(qū)碳鋼、低合金鋼海水腐蝕速率在國內尚不完善。利用人工神經網絡技術，綜合各種數學模型，預測碳鋼及低合金鋼海水腐蝕，十分重要的研究。近年來，人們開始逐漸將神經網絡用于腐蝕領域，并取得了一定的研究成果[3~4]ynie和Upham[5]碳鋼大氣腐蝕的二氧化硫模型，但模型沒有考慮其他重要因素影響。Pintos等[6]用神經網絡技術對南美洲大氣腐蝕進行了預測，其平方誤差要小于線性回歸模型。Leifer J和Zapp P E等[7]建立了存貯放射性廢料的碳鋼罐發(fā)生點蝕的危險程度，結果證明神經網絡預測結果要比對數回歸有更高的精度。楊曉明利用人工神經網絡BP算法建立了海水環(huán)境對A3鋼的腐蝕作用模型，用該模型預測了新海域環(huán)境下金屬的腐蝕速度。宋詩哲[8~9]網絡方法建立了碳鋼和低合金鋼海水腐蝕與合金成分、海水因素間的模型。訓練網絡的標準樣本選用海水長期浸泡實驗的碳鋼和低合金鋼腐蝕數據，材料的合金成分及海水主要腐蝕因素作為網絡的輸入，浸泡1、2、4、8年的平均腐蝕深度作為網絡的標準樣本輸出值。從碳鋼和低合金鋼平均腐蝕深度與合金成分的模型中觀察到，Al和Ni可有效地抑制腐蝕的進行，長期浸泡Mo可以在一定程度上抑制腐蝕，Cr和Mn的存在對于合金長期使用不利。劉學慶等[58]使用電化學方法測定了不同海水狀態(tài)下3C鋼的腐蝕速度 ,并采用人工神經網絡分析了海水環(huán)境參數與腐蝕速度的相關性，建立了用于預測3C鋼在海水中腐蝕速度的人工神經網絡模型。 該方法在監(jiān)測與評價區(qū)域海洋環(huán)境腐蝕性方面具有實際應用價值。

這些工作表明，借助于神經網絡，可以用腐蝕試驗室數據來預測材料在實際使用中的性能和行為，有效解決腐蝕試驗室數據與材料實際使用結果相脫節(jié)的難題。但現(xiàn)有的研究僅針對數量很少或短期的海水腐蝕性數據進行評價，不能完整地體現(xiàn)海水的腐蝕性。本文通過對國家腐蝕試驗站16年長周期的大量腐蝕數據的神經網絡分析計算，建立了基于16年海水暴露的人工神經網絡腐蝕預測模型，不僅能夠更為準確地對碳鋼低合金鋼在我國海水中的腐蝕性進行評價，而且可以較為準確地預測其海水腐蝕行為與規(guī)律。

表1 我國各海區(qū)的主要環(huán)境因素（年平均）

表2 材料牌號及其編號對照表

1 研究方法

我國現(xiàn)在共有四個典型的海水腐蝕試驗站，分別位于青島，廈門，榆林和舟山，代表了不同海域典型港灣的環(huán)境因素特征。本文以我國海水試驗站長期以來積累的海水腐蝕數據為基礎，采用神經網絡技術，運用Matlab、VB編程語言及計算機技術進行數據處理與建模。

1.1 金屬材料海水腐蝕數據

1.1.1 海水環(huán)境條件

選取青島、榆林、廈門、舟山等的有代表性的地區(qū)，代表我國不同海域典型海水的環(huán)境因素特征，從而對材料的海水腐蝕性能做出較為全面可靠的判斷。我國各海區(qū)的主要環(huán)境因素表1。

1.1.2 試驗材料本文建模數據來源于國家自然科學基金委員會重大項目“材料自然環(huán)境腐蝕”積累的16年海水腐蝕數據，積累的62種金屬和涂鍍層材料（1173片）在四個網站的全浸、潮差、飛濺區(qū)16年 （舟山8年）海水腐蝕數據4692個，并定期測試了四個站的海水環(huán)境因素2400個。其中碳鋼及低合金鋼有19種，本文將其編號如表2所示

1.1 計算機技術

本工作采用Matlab編程語言編寫模型程序，Visual Basic語言進行系統(tǒng)界面的開發(fā)。其中的神經網絡工具箱是Mathworks公司最新推出的MATLAB6.x高性能可視化數值計算軟件的組成部分。它主要針對神經網絡系統(tǒng)的分析與設計，提供了大量可供直接調用的工具箱函數、圖形界面函數和Simulink仿真工具，是進行神經網絡系統(tǒng)分析與設計的絕佳工具，設計思想如圖1所示。

2 結果與討論

2.1 不含環(huán)境因素神經網絡模型

不含環(huán)境因素的神經網絡模型主要是在預測未知地區(qū)環(huán)境因素的條件下對金屬的腐蝕趨勢定性的評估。另外，系統(tǒng)還能夠分析各合金元素對金屬腐蝕的影響，對不同金屬的腐蝕速率分析對比。

2.1.1 模型構建

1）學習樣本的選擇

以國家海水腐蝕試驗站積累的青島、廈門、榆林幾個海水腐蝕試驗站16年的腐蝕數據建模。試驗鋼種共有19種。選定1#A3鋼和15#10CrCu-SiV低合金鋼為檢驗樣本，其余17種材料1、2、4、8、16年的腐蝕數據為訓練樣本各地區(qū)分別訓練。

2）輸入因子的選擇

輸入因子為金屬材料10種主要合金元素含量，合金元素見表3。輸出為材料分別在1、2、4、8、16年的腐蝕速率。即輸入節(jié)點數為10，輸出節(jié)點數為5。

表3 碳鋼及低合金鋼主要合金元素表

3）網絡結構的確定

采用3層BP神經網絡結構，第一層為輸入層，中間為隱含層，第三為輸出層，相鄰兩側的神經元之間相互連接，各層內的神經元之間無連接。

4）輸入層神經元變換函數的選用

在本模型中輸出層的傳遞函數為線性函數或者S型函數，隱含層的傳遞函數采用對數S型函數。

綜上所述，不含環(huán)境因素人工神經網絡模型的拓撲結構如圖2所示。

2.1.2 訓練結果

當上述因素確定以后，對神經網絡進行訓練。訓練網絡使用的是Matlab軟件中所提供的神經網絡工具箱。

網絡中間層神經元數目預選為5，傳遞函數類型為sigmoid，輸出層傳遞函數為S型函數，訓練函數為trainlm。輸出系統(tǒng)目標誤差取10-5，訓練步數為 3×105。

以經過學習的模型作為預測模型，將1#A3鋼和15#10CrCuSiV合金的元素成分輸入，得出1#，15#的神經網絡預測結果見表4。除對第一年腐蝕速率誤差較大，基本能夠反應該金屬的腐蝕趨勢。其中，A3鋼在海水的腐蝕速率隨著暴露時間而減小，10CrCuSiV鋼腐蝕速率在4年之后腐蝕速率變大，出現(xiàn)“逆轉”現(xiàn)象，與實際現(xiàn)象符合。

從不含環(huán)境因素的神經網絡模型的訓練及預測過程可以得出以下結果：

1）對與網絡模型其隱含層數越多訓練結果越貼近實際值。但是隱含層數增多，訓練時間加長且非訓練點的輸出值誤差增大。因此選擇模型的原則是：在達到精度的情況下，隱含層數盡可能的少。

2）應用結果表明，用人工神經網絡的方法預測的結果基本反映金屬在海水全浸區(qū)腐蝕速率變化的規(guī)律，具有一定的應用價值。

2.2 含環(huán)境因素神經網絡模型

本工作根據我國海水腐蝕試驗站積累的數據，將BP人工神經網絡技術應用于碳鋼及低合金鋼海水腐蝕預測的研究中。通過訓練網絡建立了海水環(huán)境腐蝕性因素及合金元素對海水腐蝕速率的關系，探討了環(huán)境腐蝕性因素的選擇、合金元素及網絡輸出層的變換函數對預測結果精度的影響。

表4 青島地區(qū)不含環(huán)境因素神經網絡模型預測結果

考慮到學習樣本對腐蝕預測結果的影響，本文擬建立含環(huán)境因素的神經網絡模型I和含環(huán)境因素的神經網絡模型II兩種神經網絡模型。

其中，含環(huán)境因素的神經網絡模型I用于預測已知環(huán)境因素的地區(qū)的金屬腐蝕速率。輸入因子為海水腐蝕站點主要環(huán)境因素：溫度、海水中溶氧量、pH、鹽度和生物影響因素，輸出為金屬平均腐蝕率。由于各試驗金屬的性質不同，因此需要分別對每個金屬分別構建神經網絡模型。即輸入節(jié)點數為5，輸出值為平均腐蝕速度，輸出層節(jié)點數為1。

含環(huán)境因素的神經網絡II是對金屬所知條件較多的情況下進行較為精確預測的模型。輸入因子包括合金成分因素及環(huán)境因素。 即 Cu、Cr、Mn、Al、P、S、Si、Mo和V等10種成份及溫度、海水中溶氧量、pH、鹽度和生物影響因素。即輸入節(jié)點數為15，輸出值為平均腐蝕速度，輸出層節(jié)點數為1。

2.2.1 含環(huán)境因素神經網絡模型I

1）模型構建

（1）學習樣本的選擇

以國家海水腐蝕試驗站積累的青島、廈門、榆林三個海水腐蝕試驗站16年的腐蝕數據建模。試驗鋼種共有19種，編號如表2所示。

（2）輸入因子的選擇

前文將海水環(huán)境因子與平均腐蝕數率的灰關聯(lián)分析表明，溫度、海水中溶氧量、pH、鹽度和生物附著對碳鋼及低合金鋼的腐蝕都有較大的影響，是影響碳鋼及低合金鋼的主要環(huán)境因素。其中對于均勻腐蝕而言，溶解氧、pH值、鹽度是最主要的因素。因此對于含環(huán)境因素的神經網絡的輸入因子的選擇，本工作將溫度、海水中溶氧量、pH、鹽度和生物附著都納入其中。

（3）網絡結構的確定

采用3層BP神經網絡結構，第一層為輸入層，中間為隱含層，第三為輸出層，相鄰兩側的神經元之間相互連接，各層內的神經元之間無連接。不同的鋼種人工神經網絡的結構選用有所不同。

雖然增加層數可以更進一步的降低誤差，提高精度，但使網絡復雜化，增加網絡的訓練時間，因此本模型采取較為簡潔的3層神經網絡。而誤差精度的提高通過增加隱含層的神經元數來獲得。隱含層中神經元的數量在理論上沒有一個明確的規(guī)定，數量太少，網絡不夠健壯，誤差收斂速度慢，誤差較大；而數量太多，造成訓練時間加長，容易過度擬合，誤差不一定最佳。網絡結構對神經元數量是比較敏感的，因此通過對不同神經元數進行訓練比較對比，確定最佳的神經元數。

（4）輸入層神經元變換函數的選用

對于含環(huán)境因素神經網絡I，各鋼種網絡隱含層中的神經元均采用sigmoid型變換函數，但是輸出層神經元變換函數有所不同。如果BP網絡的最后一層是sigmoid型函數，那么整個網絡的輸出就限制在一個較小的范圍內；如果BP網絡的最后一層是純線性函數purelin，那么整個網絡的輸出可以取任意值。由于金屬材料大氣腐蝕是一個復雜的非線性系統(tǒng)，通常輸出層神經元變換函數選用sigmoid型變換函數，預測結構較接近實際值。但是，某些金屬材料，則采用純線性函數purelin比較好。最終確定各個鋼種的網絡I結構及輸出層神經元變換函數如表5所示。模型拓撲結構見圖3。

表5 人工神經網絡模型I結構與輸出層神經元傳遞函數

2.2.3 含環(huán)境因素神經網絡模型II

1）模型構建

（1）學習樣本的選擇

以國家海水腐蝕試驗站積累的青島、廈門、榆林幾個海水腐蝕試驗站16年的腐蝕數據建模。試驗鋼種共有19種，編號如表2所示。以1#A3碳鋼和15#10CrCuSiV低合金鋼為檢驗樣本，其余17種材料 1、2、4、8、16年的腐蝕數據為訓練樣本。

（2）輸入因子的選擇

輸入因子包括合金成分因素及環(huán)境因素。即Cu、Cr、Mn、AL、P、S、Si、 Mo 和 V 等 10 種主要合金成份及溫度、海水中溶氧量、pH、鹽度和生物影響因素。即輸入節(jié)點數為15，輸出值為平均腐蝕速度，輸出層節(jié)點數為1。

（3）網絡結構的確定

采用3層BP神經網絡結構，第一層為輸入層，中間為隱含層，第三為輸出層，相鄰兩側的神經元之間相互連接，各層內的神經元之間無連接。不同的鋼種人工神經網絡的結構選用有所不同。

（4）輸入層神經元變換函數的選用

對于含環(huán)境因素神經網絡II，采用的神經網絡結構是15-15-1。隱含層中的神經元采用sigmoid型變換函數，輸出層神經元變換函數也選用sig-moid型變換函數。

含環(huán)境因素的人工神經網絡模型II的拓撲結構見圖4。

2）預測結果

以經過學習的模型作為預測模型，將檢驗樣本1#A3鋼和15#10CrCuSiV。得出1#，15#的神經網絡預測結果見表6～8。

表6 青島地區(qū)神經網絡模型預測結果

表7 廈門地區(qū)神經網絡模型預測結果

表8 榆林地區(qū)神經網絡模型預測結果

2.2.4 討論

1）神經網絡預測精度

模型I和模型II預測結果較好地反映了1#和15#金屬材料腐蝕的實際情況。其相對誤差基本在20%以內，具有較好的預測精度。可以認為所建立的網絡模型有較強的參考性。

表9 舟山地區(qū)1、2、4、8、16年金屬腐蝕速率實測值與人工神經網絡模型預測值的比較

2）含環(huán)境因素的神經網絡I與II比較

利用訓練好的神經網絡I和神經網絡II對舟山地區(qū)金屬的腐蝕速率進行預測的結果進行比較如表9所示。

比較兩種模型的預測結果，分析兩種模型精度差別的原因可能有以下幾種：

（1）輸入因子的影響

由結果可見，模型II要比模型I精確度高。輸入因子的增加有利于提高預測精確度，并且合金元素和環(huán)境因子都對金屬海水腐蝕有一定的影響，單獨考慮一個方面是不準確的。另外，從含環(huán)境因素神經網絡模型I和不含神經網絡模型比較可知，環(huán)境因素是影響金屬海水腐蝕的主要方面，掌握環(huán)境因素即可比較準確地掌握金屬腐蝕的趨勢。因此，在不能很全面的掌握材料環(huán)境資料時，不含環(huán)境因素的神經網絡模型可以作為參考。而含環(huán)境因素神經網絡模型I則基本可以作為含環(huán)境因素神經網絡模型II的簡化模型使用。

但是，模型II對輸入因子要求較苛刻，需要較多的輸入因子。模型總的預測精度稍弱，這種誤差很可能是由于網絡學習樣本中所采用的輸入因子較少或者是訓練樣本的準確性和代表性不夠引起的。模型I、II的預測結果表現(xiàn)出的規(guī)律與實測值都是相一致的。

（2）合金元素的影響

模型較為準確地反映了金屬在海水全浸區(qū)的腐蝕行為。例如鉻鋼在全浸區(qū)的腐蝕行為與碳鋼不同，發(fā)生耐蝕性“逆轉”現(xiàn)象。不同鉻鋼的腐蝕行為也有明顯差別。鉻鋼的腐蝕行為與合金元素有關，也與各試驗地點的環(huán)境因素有關。預測結果較好地反映了這一點。

另外，在鋼中加入少量的 Mn、Si、P、Cu、Al、Mo、Nb、V等或它們復合對鋼耐海水腐蝕性的影響很小。模型I和模型II在預測結果相差不大，驗證了影響碳鋼及低合金鋼海水全浸區(qū)腐蝕的主要是環(huán)境因素，上述合金元素作用較小。以上結果，在文獻13中有所討論，但是本文結果更加全面。

（3）網絡輸出層神經元變換函數對預測結果的影響

以A3鋼為例，使用模型I預測了金屬在舟山地區(qū)1、2、4、8、16年的腐蝕速率。 表10中列出了輸入層變換函數使用sigmoid型函數和純線性函數purlin對預測結果的影響。從表中可以看出，對于A3鋼，使用sigmoid函數作為輸出層變換函數后，網絡預測結果精度明顯比純線性purelin函數

表10 不同網絡輸出層神經元變換函數對預測結果的影響（A3）,mm/a

低。對于某些金屬，如16MnQ使用S型函數作為輸出層變換函數較好。因此，輸出層神經元變換函數依實際情況分別使用sigmoid和purelin函數。

綜上所述，人工神經網絡模型預測結果與實測值基本吻合，兩者偏差均在可接受范圍內，人工神經網絡技術在海水腐蝕預測中的應用是可行的，具有良好的參考價值和推廣價值。另外，輸入因子的選擇、輸出神經元的變換函數、隱含層節(jié)點數的確定等都可以為以后神經網絡建模提供經驗。

3 結論

（1）對碳鋼及低合金鋼常用的海水腐蝕預測模型進行了研究，建立了不含環(huán)境因素的神經網絡預測模型，對學習樣本的擬合結果精度達到95%以上，對未來數據的預測精度較差。部分合金成分數據的缺少是造成模型誤差的主要原因。總體而言，模型能夠正確反映金屬材料的合金成分與海水腐蝕速率的關系，可以進行金屬材料海水環(huán)境腐蝕速率的長期預測。

（2）對碳鋼及低合金鋼常用的海水腐蝕預測模型進行了研究，建立了含環(huán)境因素的神經網絡預測模型I和II。對未來數據的預測精度在80%以上，其中模型I精度比II要低。結果表明輸入因子的增加有利于提高預測精確度，并且合金元素和環(huán)境因子都對金屬海水腐蝕有一定的影響，單獨考慮一個方面是不準確的。其中環(huán)境因素是影響金屬海水腐蝕的主要方面，掌握環(huán)境因素即可比較準確地掌握金屬腐蝕的趨勢。模型II對輸入因子要求較苛刻，需要較多的輸入因子。在不能很全面的掌握材料環(huán)境資料時，不含環(huán)境因素的神經網絡模型可以作為參考。

（3）模型總的預測精度稍弱，這種誤差可能是由于網絡學習樣本中所采用的輸入因子較少，即訓練樣本的數量不足和代表性不夠引起的。但是模型I、II的預測結果表現(xiàn)出的規(guī)律與實測值都是相一致的。

致謝：本工作得到科技部科技條件平臺建設重大項目（2005DTA10400）和國家自然科學基金重大項目（50499333）的支持，特此致謝！訓練數據來源于國家自然環(huán)境腐蝕海水臺站，特此致謝！

[1]曹楚南．中國材料的自然環(huán)境腐蝕．北京：化學工業(yè)出版社，2005：211

[2]王光雍，王海江，李興濂，等．自然環(huán)境的腐蝕與防護．北京：化學工業(yè)出版社，1997：45～46

[3]H M G Smets,W F L Bogaerts．SCC analysis of austenitic stainless steels in chloride-bearing water by neural network techniques．Corrosion,1992,48(8)：618

[4]Cai J P,Cottis R A,Lyon S B．Phenomenological modeling of atmospheric corrosion using an artificial neural network．Corrosion Science,1999,41(110)：2001～2030

[5]F H Haynie,J P Upham．Effects of atmospheric pollutants on corrosion behavior of steels．Material Perform,1971,10(11)：18

[6]S Pintos,N V Queipo,O T D Rincon et al．Artifical neural network modeling of atmospheric corrosion in the MICAT project．Corrosion Science,2000,42(1)：35

[7]J Leifer,P E Zapp,J I Michalonis．Predictive models for determination of pitting corrosion versus inhibitor concentrations and temperature for radioactive sludage in carbon steel waste tanks．Corrosion,1999,55(1)：31

[8]宋詩哲．神經網絡在海洋腐蝕中的應用．中國腐蝕與防護學報，1997，(3)：45

[9]孔德英，宋詩哲．人工神經網絡技術探討碳鋼、低合金鋼的實海腐蝕規(guī)律．中國腐蝕與防護學報，1998，18（4）：289

[10]劉學慶，唐曉，王佳．3C鋼腐蝕速度與海水環(huán)境參數關系的人工神經網絡分析．中國腐蝕與防護學報，2005，25（1）：11～14

[11]樓順天，陳生潭．Matlab5.X程序設計語言．西安：西安電子科技大學出版社，2000：132～142

[12]張崇明，汪春梅，朱品昌等．使用 Java擴展Matlab．計算機工程設計，2006，27（9）：1563～1569

[13]杜翠微，趙研研，李曉剛等，神經網絡在海水腐蝕預測中的應用，裝備環(huán)境工程，2007，4（3）：85～87