氨-柴双燃料四冲程内燃机气阀材料耐腐蚀性预测方法与流程

本发明涉及内燃机气阀缺陷管理，具体涉及氨-柴双燃料四冲程内燃机气阀材料耐腐蚀性预测方法。

背景技术：

1、在航运业绿色、减排发展的大背景下，为遵守国际、国家和地方法规，减少船舶的硫氧化物(sox)、氮氧化物(nox)、颗粒物(pm)、碳和温室气体(ghg)排放，不仅需要从技术和营运方面提高船舶能效，应用清洁能源已成为实现中长期减碳目标新方向。氨是一种零碳燃料，可以相对快速地进入全球市场，帮助实现国际海事组织(im0)2050年温室气体减排目标，或为航运业低碳排放提供新的解决方案。

2、与其他主流燃料相比，氨与各种工业材料不相容，在有水分的情况下与铜、黄铜、锌和各种合金发生反应并腐蚀，形成绿/蓝色。发动机的材料基本为铸铁和钢，所以氨燃料对内燃机关重件的腐蚀问题就常常被忽视。氨是碱性还原剂，可与酸、卤素和氧化剂发生反应，在船上使用氨时，必须仔细选择材料；使用氨的储罐、管道和结构部件应选用耐氨的铁、钢和特定有色合金；当引入液氨中氧含量超过几个ppm时，钢中的应力腐蚀开裂就会诱发并在高温下迅速进行。如果不能及时解决腐蚀造成的损伤问题，极有可能会出现内燃机气阀服役时效、管道泄漏等事故，给经济、环境带来重大损失。

3、气阀作为柴油机燃烧室中的重要工作部件，在服役过程中承受着极其恶劣的条件，服役过程中不仅受到柴油压燃引起的瞬时高温高压燃气的热冲击与阀座的撞击力，同时还受到内燃机流体环境腐蚀，这将形成气阀的开裂、烧蚀、磨损等缺陷，进而会导致气阀服役性能下降，甚至使发动机出现漏气等故障，严重影响着内燃机工作的可靠性、耐久性和强化程度。

4、目前针对氨-柴双燃料发动机关重件在服役过程中腐蚀风险的识别是通过定期定时保养诊断维修，该方法通过定期对气阀进行检测来诊断气阀的服役性能，进而来分析气阀在一定服役周期中的承受侵蚀的能力，但该方法费时费力，难以及时把控气阀的受损情况，对气阀的故障诊断可能会有所滞后。因此，研发设计一种氨-柴双燃料四冲程内燃机气阀材料耐腐蚀性预测方法，及时把控气阀的腐蚀情况，具有积极的社会和经济效益。

技术实现思路

1、针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种氨-柴双燃料四冲程内燃机气阀材料耐腐蚀性预测方法，能够识别得到与气阀材料耐腐蚀性高度关联的环境参数，并且通过遗传(ga)算法和深度神经网络(bp神经网络)的结合来提高氨-柴双燃料四冲程内燃机气阀材料耐腐蚀性预测的准确性和有效性。

2、为了解决上述技术问题，本发明采用了如下的技术方案：

3、氨-柴双燃料四冲程内燃机气阀材料耐腐蚀性预测方法，包括：

4、s1：基于深度学习模型构建气阀腐蚀预测模型；

5、s2：通过遗传算法确定气阀腐蚀预测模型的最优模型参数；

6、s3：对不同材料属性的气阀进行气阀腐蚀试验，采集气阀腐蚀试验的数据，并确定影响腐蚀速度的第一环境参数；

7、s4：对不同材料属性的气阀进行气阀腐蚀仿真试验，采集气阀腐蚀仿真试验的数据，并确定影响腐蚀速度的第二环境参数；

8、s5：基于材料属性及其对应的第一环境参数和第二环境参数构建试验数据库；

9、s6：从试验数据库中提取若干组训练数据；每组训练数据的输入为气阀的材料属性、目标环境参数和腐蚀时间，输出为腐蚀速度；其中目标环境参数为第一环境参数和第二环境参数中共有的环境参数；

10、s7：通过训练数据训练具有最优模型参数的气阀腐蚀预测模型，直至模型收敛；

11、s8：将待预测气阀的材料属性、目标环境参数和腐蚀时间输入经过训练的气阀腐蚀预测模型中，输出对应的预测腐蚀速度。

12、优选的，基于bp神经网络构建气阀腐蚀预测模型。

13、优选的，模型参数包括bp神经网络的初始阈值和权值。

14、优选的，遗传算法确定最优模型参数的处理步骤如下：

15、s201：确定遗传算法的适应度函数并随机生成若干个个体作为初始群体，其中每个个体代表一组气阀腐蚀预测模型的模型参数；

16、s202：通过适应度函数计算每个个体的适应度值；

17、s203：选择适应度值最大的个体作为最优个体；

18、s204：根据最优个体对群体中的个体进行一定概率的交叉操作，生成子代个体；

19、s205：根据最优个体对群体中的个体进行一定概率的变异操作，生成子代个体；

20、s206：判断是否达得到全局最优解：若是，则输出最优个体对应的模型参数作为最优模型参数；否则，返回步骤s202。

21、优选的，气阀腐蚀试验的步骤如下：

22、s301：确定试验气阀的材料属性，包括气阀的材料类型及材质组分、微观组织、力学特性；

23、s302：设计试验环境参数，根据氨-柴双燃料四冲程内燃机气阀不同冲程的服役工况搭建气阀服役环境实验平台，并在试验环境参数下进行腐蚀试验；

24、s303：确定试验气阀的腐蚀速度评价方法；

25、s304：定期对实验气阀进行腐蚀评价，记录相关数据；

26、s305：根据记录的相关数据测量试验气阀的腐蚀动力学曲线，进而识别与腐蚀速度相关的试验环境参数为第一环境参数。

27、优选的，腐蚀速度评价方法包括重量法和深度法；

28、1)重量法：用试验气阀在单位时间、单位面积的重量变化来表示腐蚀速度；当腐蚀后试验气阀质量增加且腐蚀产物完全牢固的附着在试样表面时，用试验气阀质量的增加表示腐蚀速度；

29、公式表述为：

30、v增＝(m2-m0)/st；

31、式中：v增表示试验气阀增重表示的腐蚀速度；m2表示带有腐蚀产物的试验气阀质量；m0表示试验气阀的原有质量；s表示试验气阀的表面积；t表示腐蚀时间；

32、2)深度法：用试验气阀腐蚀的深度表示腐蚀速度；

33、公式表示为：

34、v深＝8.76×v增/ρ；

35、式中：v深表示试验气阀深度表示的腐蚀速度；v增表示试验气阀增重表示的腐蚀速度；ρ表示试验气阀的材料密度。

36、优选的，气阀腐蚀仿真试验的步骤如下：

37、s401：构建氨-柴双燃料四冲程内燃机的有限元模型；

38、s402：根据采集的氨-柴双燃料四冲程内燃机的实际数据设置有限元模型的边界参数；

39、s403：通过有限元分析软件基于氨-柴双燃料四冲程内燃机有限元模型进行仿真试验；

40、s404：仿真试验过程中采集气阀在不同冲程阶段服役的环境参数作为第二环境参数。

41、优选的，对气阀腐蚀试验和气阀腐蚀仿真试验采集的数据进行去重、清洗、比对、整理形成试验数据库；然后试验数据库中的数据进行初始化处理，初始化处理指对数据库进行转化、关联、脱敏和异常处理。

42、优选的，对试验数据库的数据进行归一化处理；

43、公式表示为：

44、

45、式中：yn表示归一化之后的数据；x表示需要归一化的数据；min、max表示数据的最小值和最大值。

46、优选的，预测腐蚀速度包括深度表示的腐蚀速度和增重表示的腐蚀速度。

47、本发明中氨-柴双燃料四冲程内燃机气阀材料耐腐蚀性预测方法与现有技术相比，具有如下有益效果：

48、本发明通过气阀腐蚀试验最大程度还原氨-柴双燃料四冲程内燃机的实际工况，进而设计气阀在不同工况不同冲程中的腐蚀试验，实现对不同工况不同冲程中的气阀材料耐腐蚀性能的监测，是采集不同工况不同冲程气阀服役性能数据的重要环节，同时还能够对腐蚀速度及腐蚀产物进行综合分析，可以对比不同材料的耐腐蚀性能。同时本发明通过气阀腐蚀仿真试验，能够利用有限元分析的方法模拟双燃料内燃机的实际工况，分析气阀不同冲程的环境参数与气阀材料耐腐蚀磨损情况的响应规律，并对各参数进行筛选分类形成第二环境参数。

49、本发明中第一环境参数和第二环境参数既可以互相验证，也可以对构件的腐蚀动力学模型进形完善补充，从而提高整个试验数据库的准确度。同时，目标环境参数为第一环境参数和第二环境参数中共有的环境参数，即能够识别得到与气阀材料耐腐蚀性高度关联的环境参数，从而提高氨-柴双燃料四冲程内燃机气阀材料耐腐蚀性预测的准确性。

50、本发明通过深度学习模型(具体采用bp神经网络)构建气阀腐蚀预测模型来预测氨-柴双燃料四冲程内燃机气阀材料的腐蚀速度，其中深度学习模型具有强大的拟合能力和泛化能力，可以更好地捕捉内燃机气阀腐蚀速度的变化规律，从而提高氨-柴双燃料四冲程内燃机气阀材料耐腐蚀性预测的准确性和有效性。

51、本发明在深度学习模型的基础上通过遗传算法(ga算法)确定气阀腐蚀预测模型的最优模型参数。其中遗传算法可以有效缓解bp神经网络(深度学习模型)在对复杂的非线性关系求解时，容易陷入局部最优而非全局最优的情况；同时遗传算法具有内在的隐并行性和更好的全局寻优能力，有效改善了bp神经网络对参数初始值十分敏感，若设置不当会导致在预测时产生较大的误差，且初始值的设置问题难以通过误差数据的反向传递过程进行缓解的问题，可以高度真实预测内燃机不同工况下的腐蚀风险点。此外遗传算法可以直接对结构对象进行操作，对目标函数没有限定，没有可导性和连续的要求，能够有效弥补bp神经网络在最大训练数和最小梯度上的要求，提高模型最优值的精度。综上，本发明通过遗传算法和深度神经网络的结合，能够进一步提高氨-柴双燃料四冲程内燃机气阀材料耐腐蚀性预测的准确性和有效性。