[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

说明书

本发明提供了一种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，涉及金属材料腐蚀速率预测技术领域。包括：基于量纲分析，选取腐蚀电流密度平方值作为中间变量，拟合“时间—腐蚀电流密度平方值”关系；使用复化梯形求积公式对腐蚀电流密度平方值沿时间进行数值积分；拟合“腐蚀电流密度平方积分值—屈服强度退化量”关系，得到钛合金屈服强度随时间的退化曲线以供工程服役参考；在所得屈服强度退化曲线的基础上，使用差分矩阵扫描该曲线以获得相对瞬时腐蚀速率v_m。本发明提供的预测模型性能良好，拟合效果优异，可作为深远海环境中氟离子腐蚀条件下潜航器用钛合金材料服役安全的监测方法，补充了现有潜航器用钛合金材料腐蚀速率的预测方法。

技术领域

本发明涉及金属材料腐蚀速率预测技术领域，特别是指一种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。

背景技术

Cybenko G在1989年证明了神经网络的通用逼近定理即拥有足够数量神经元的单隐藏层前馈神经网络即可任意逼近某个函数。深度学习的兴起则表明，相比于单隐藏层神经网络为了高精度逼近目标函数可能需要较为庞大的神经元数目，通过增加神经网络隐藏层层数即加深神经网络深度可以使用相对更少的神经元即可有效地提升神经网络的逼近能力。与多层前馈网络有所不同，径向基神经网络只有一个隐藏层，且隐藏层传递函数的净输入为输入向量与权值矩阵的欧氏距离，而非前馈网络中权值矩阵对输入向量的加权和。广义回归神经网络是一种特殊的径向基网络，其隐藏层神经元数目与输入样本的总数目一致，且其线性输出层不带有偏置值。

而现有技术中，关于深远海环境中氟离子条件下潜航器用钛合金材料的腐蚀实验数据较少、已有的模拟腐蚀实验周期较短，对于实验结果缺乏有效拟合且可长期预测的腐蚀速率模型。

发明内容

针对现有技术中存在腐蚀实验数据较少、已有的模拟腐蚀实验周期较短，对于实验结果缺乏有效拟合且可长期预测的腐蚀速率模型的问题，本发明提出了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。

为解决上述技术问题，本发明提供如下技术方案：

一方面，提供了一种氟离子环境中钛合金腐蚀速率的神经网络预测方法，该方法应用于电子设备，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；对神经网络进行训练；

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。

可选地，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。

可选地，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，对神经网络进行训练，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；