基于bp神经网络的无损测定钢铁腐蚀产物特征的方法

文档序号:8394958
基于bp神经网络的无损测定钢铁腐蚀产物特征的方法
【技术领域】
[0001] 本发明属于材料科学和电化学领域,具体涉及一种基于BP神经网络的无损测定 钢铁腐蚀产物特征的方法,更加具体的说,采用BP神经网络算法将电化学测定数据与标准 比例建立联系,最终预测实际钢铁腐蚀产物的方法。
【背景技术】
[0002] 传统的测定腐蚀产物成分的方法主要有:X射线粉末衍射法、傅里叶红外变换光 谱法、拉曼光谱法等,这些表征方法都属于光谱分析方法,X射线粉末衍射法是根据晶体对 X射线的衍射特征-衍射线的位置、强度及数量来鉴定结晶物质的物相,故这种方法主要针 对晶体物质,即只能根据衍射线的位置、强度及数量分析出腐蚀产物中的晶体物相,对于非 晶体物相则无法分析。傅里叶红外光谱法和拉曼光谱法都是根据物质的特征吸收峰位置来 定性判断样品成分,根据特征吸收峰的强度来半定性分析样品含量。这些检测方法大多需 要将腐蚀产物从钢铁上脱离下来,并且需要制作测试样品,在这一系列过程中,产物可能已 经产生变化,不能代表真实的锈层特征。因此,必须发展一种简单、无需破坏锈层的方法用 于其特征分析。
[0003] 一般来讲钢铁表面的腐蚀产物由a-Fe00H、y-Fe00H、0-FeOOH、S-Fe00H、 Fe304、y-Fe203构成,y-FeOOH相当于电化学活性物质,而a-Fe00H是绝缘的非活性物 质,它是最稳定的羟基铁氧化物,是保护性锈层的主要构成相。Fe304尽管是良导体,但由 于它的热动力稳定性及致密的性能也被认为具有保护性。在工业大气环境下,腐蚀产物中 Fe304含量较少,而a-FeOOH及y-FeOOH的含量较多。Dillmann提出,锈层主要由具有保 护性的a-FeOOH及y-FeOOH构成。在一定程度上,锈层的保护性能可由稳定的a-FeOOH 及活性的y-FeOOH成分的(质量百分数)比率a/y来描述,并把这个参数作为锈层保护 性系数。因而,测定腐蚀产物中的成分特征具有重要意义。
[0004]BP(BackPropagation)神经网络是一种按误差逆传播算法训练的多层前馈网络, 是目前应用最广泛的神经网络模型之一。BP网络能学习和存储大量的输入-输出模式映射 关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通 过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。BP神经网络模型拓 扑结构包括输入层(inputlayer)、隐层(hiddenlayer)和输出层(outputlayer),这种 三层网络可以逼近任意一个非线性网络。对于每一层中神经元个数的选择,目前没有成熟 的理论可供参考,普遍使用的隐层神经元个数为3-5个,输出层神经元个数为1。

【发明内容】

[0005]本发明目的在于克服现有表征腐蚀产物特征方法上的不足,提出了一种基于BP神经网络的无损测定钢铁腐蚀产物特征的方法。
[0006]本发明通过如下技术方案实现:
[0007] -种基于BP神经网络的无损测定钢铁腐蚀产物特征的方法,其步骤如下:
[0008] (1)制备纯相a-FeOOH及y-Fe00H;
[0009] (2)制备不同比例的a-FeOOH及y-FeOOH混合物至少5个以上样本;
[0010] ⑶制作用于电化学测试的工作电极;
[0011] (4)将工作电极、对电极和参比电极三电极系统安装好,对工作电极施加恒定电 流,检测电位信号,得到计时电位V-T曲线;
[0012] (5)绘制标准曲线,得到ET/2、QT两个参数;
[0013] (6)测定带锈试样的计时电位V-T曲线,与标准曲线比对,得到试样锈层特征。
[0014] 所述的步骤(5)优选是:将横坐标的t值根据公式Q= (ieMt)/nmF%Fe转化为 Q,绘制标准V-Q曲线,得到ET/2、QT两个参数。
[0015] 所述的步骤(6)优选是:
[0016] 1)建立ET/2、QT与比例a/a+Y的关系,根据训练样本为总样本数70%-75%的 原则,随机选取训练样本ET/2、QT作为输入,对应的比例a/a+Y作为输出,利用MATLAB中 的神经网络工具箱建立神经网络,然后对神经网络进行多次训练,采用神经网络工具箱中 的trainrp训练函数;
[0017] 2)将其余ET/2、QT作为输入,对应的比例a/a+Y作为输出,作为测试样本对步 骤1的网络进行测试,每次训练后用测试样本代入,求其测试误差,当训练误差不断减小而 测试误差增加时,终止训练。
[0018] 所述步骤(3)的工作电极优选是:取面积为0. 75-1. 25cm2的不锈钢网片,用双面 导电胶粘在一面,将步骤(2)中制备的混合粉末从另一面压入,最后用树脂将边缘封好,使 工作面是样品平面,最后在导电胶上焊上导线,同样用树脂封住焊接处。
[0019] 所述步骤(4)中的对电极优选为铂电极,参比电极为双盐桥饱和甘汞电极。
[0020] 所述步骤(4)中所述的恒定电流优选为2. 5mA/g_7. 5mA/g。
[0021] 所述步骤(4)中所述的电化学测试pH优选为6.8-7.5。
[0022] 所述步骤(6)中神经网络为三层BP神经网络,隐层神经元数目为5,输出层神经元 数目为1,选择隐层和输出层神经元传递函数分别为tansig函数和purelin函数,网络训练 算法采用弹性梯度下降法,使用trainrp函数。
[0023] 具体说明如下:
[0024] 步骤⑵制备不同比例的a-FeOOH及y-FeOOH混合物;选择a/a+丫分别为1、 0? 8、0. 6、0. 5、0. 4、0. 2、0 ;
[0025] 步骤(6)建立ET/2、QT与比例a/a+Y的关系,根据训练样本为总样本数 70% -75%的原则,随机选取训练样本ET/2、QT作为输入,对应的比例a/a+Y作为输出, 利用MATLAB中的神经网络工具箱建立神经网络,然后对神经网络进行训练,采用神经网络 工具箱中的trainrp训练函数
[0026] 程序主要内容为:
[0027] P= [] ; % 输入
[0028] T= [] ; %输出
[0029] net=newff(minmax(P),[3, 5, 1], {'tansig','tansig','purelin'},'train rp');%建立BP神经网络,采用有弹回的BP算法,函数为trainrp
[0030][net,tr]=train(net,P,T) ;%训练神经网络
[0031]Y=sim(net,P);%仿真神经网络
[0032] 根据测试样本,将其余ET/2、QT作为输入,对应的比例a/a+Y作为输出,对步骤 1的网络进行测试,每次训练后用测试样本代入,求其测试误差,当训练误差不断减小而测 试误差增加时,终止训练。
[0033] 测定带锈试样的计时电位曲线(V-T曲线),转化为标准曲线后得到ET/2、QT两个 参数,将其输入步骤(6)中训练好的神经网络进行工作,得到输出作为实验结果。
[0034] 所述步骤(3)中所述的工作电极应按照如下方法制成:取面积为0. 75-1. 25cm2 的不锈钢网片,用双面导电胶粘在一面,将一定质量的步骤(2)中制备的混合粉末从另一 面压入,最后用树脂将边缘封好,使工作面是的样品平面,最后在导电胶上焊上导 线,同样用树脂封住焊接处。
[0035] 所述的半反应电位ET/2为还原时间为总还原时间的一半时的电位,代表电化学反 应过程在电位上的特征。
[0036] 所述的参与反应电荷数1是指每摩尔铁离子还原过程消耗的电荷数计算公式 为:Q= (iJV[T:)/nmF%Fe。其中ic为电化学过程施加的恒定电流,单位为A;M为铁元素 的摩尔质量,单位为1 ;t为还原过程所用的时间,单位为s;n为单位反应转移电子数,等于 1 ;m为参与反映的FeOOH锈层质量,单位为g;F为法拉第常数,等于96485C/mol; %Fe为 FeOOH/锈层中铁元素的质量分数。
[0037] 所述的神经网络为三层BP神经网络,隐层神经元数目为5,输出层神经元数目为 1,选择隐层和输出层神经元传递函数分别为tansig函数和purelin函数,网络训练算法采 用弹性梯度下降法,使用trainrp函数。
[0038] 本发明的原理在于,一个干湿循环包含三个不同的腐蚀阶段,第一阶段认为阴极 反应为Y-FeOOH的还原,阳极反应为铁的氧化,因而认为y-FeOOH在钢铁的大气腐蚀中起 到重要作用。而有关研宄表明,在FeOOH还原与铁氧化之间在特定情况下存在电流耦合现 象。因而,当以上步骤⑷中施加恒电流后,会发生如下反应:
[0039]Fe2++8Fe00H+2e- 3Fe304+4H20
[0040]Fe-Fe2++2e-
[0041] 在这个过程中,铁表面的电位会随反应进行发生变化,参与反应电荷量Q也会随 反应发生变化,故整个反应的变量应该为电位和参与反应电荷量。因此测定钢铁表面腐蚀 产物的计时电位曲线,电位方面选择半反应电位ET/2,即反应进行到一半时体系的电位,电 荷方面选择参与反应电荷数QT,将这两个参数作为这个反应的代表性参数,利用神经网络
再多了解一些
当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1