[发明专利]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

权利要求书

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MAE10^-15，其中为为目标输出值，为实际输出值，k为样本序号；

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；

对第二组的第二段数据，选用广义回归神经网络。

6.根据权利要求5所述的方法，其特征在于，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。

7.根据权利要求6所述的方法，其特征在于，所述步骤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：

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

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

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；

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。

8.根据权利要求7所述的方法，其特征在于，所述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。