蘭志剛, 侯保榮 白 剛, 宋積文 陳勝利 譚 震 張 杰

（1. 中國科學(xué)院 海洋研究所, 山東 青島 266071; 2. 中海油能源發(fā)展股份有限公司北京分公司, 北京100027;3. 中國科學(xué)院 研究生院, 北京 100039; 4. 中海油有限公司工程建設(shè)部, 北京 100010）

海洋環(huán)境中平臺(tái)鋼腐蝕速率的三層BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

蘭志剛1,2,3, 侯保榮1, 白 剛4, 宋積文2, 陳勝利2, 譚 震2, 張 杰2

（1. 中國科學(xué)院 海洋研究所, 山東 青島 266071; 2. 中海油能源發(fā)展股份有限公司北京分公司, 北京100027;3. 中國科學(xué)院 研究生院, 北京 100039; 4. 中海油有限公司工程建設(shè)部, 北京 100010）

利用三層BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)海洋環(huán)境因素對(duì)材料的腐蝕速率的影響。結(jié)合實(shí)測(cè)的pH值、溫度、溶解氧、鹽度、生物附著等影響因素, 分析了上述環(huán)境因素對(duì)平臺(tái)鋼腐蝕的影響, 建立環(huán)境因素與腐蝕速率之間的映射關(guān)系, 預(yù)測(cè)了平臺(tái)鋼在海洋環(huán)境中的腐蝕速率。結(jié)果表明, 全浸區(qū)腐蝕速率預(yù)測(cè)誤差為6.95%, 潮差帶腐蝕速率預(yù)測(cè)誤差為4.2%, 預(yù)測(cè)精度較高。說明利用三層BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)鋼在海水中腐蝕速率技術(shù)可行, 具有較高的預(yù)測(cè)精度和應(yīng)用價(jià)值。

腐蝕因素; 腐蝕速率預(yù)測(cè); BP神經(jīng)網(wǎng)絡(luò); 海洋環(huán)境腐蝕預(yù)測(cè)

腐蝕預(yù)測(cè)一直是腐蝕領(lǐng)域中重要的研究?jī)?nèi)容[1]。在海洋環(huán)境中, 金屬的腐蝕受到各種環(huán)境因素如海水溫度、溶解氧含量、鹽度、pH值、生物活性等的影響。其中三層 BP（back propagation, 反向傳播）神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)腐蝕速率作為一項(xiàng)新的技術(shù)被廣泛研究。崔大林等[2]研究了應(yīng)用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)有色金屬海水腐蝕的長(zhǎng)期行為?？椎掠⒌萚3], 根據(jù)金屬海水腐蝕的特征, 用人工神經(jīng)網(wǎng)絡(luò)技術(shù)分析碳鋼、低合金鋼海水腐蝕數(shù)據(jù), 建立了碳鋼、低合金鋼的腐蝕速率與合金成分及海水間的神經(jīng)網(wǎng)絡(luò)模型, 可用于預(yù)測(cè)新鋼種在其他海域中的腐蝕速率, 并用所建模型分析了合金元素對(duì)腐蝕速率的影響。楊曉明等[4]利用各種腐蝕因素對(duì)海水中鋼的腐蝕行為進(jìn)行預(yù)測(cè)和分析。神經(jīng)網(wǎng)絡(luò)具有大規(guī)模并行、分布式存儲(chǔ)和處理、自組織、自適應(yīng)和自學(xué)習(xí)能力, 具有傳統(tǒng)函數(shù)算法無法比擬的優(yōu)點(diǎn)。特別是處理需要同時(shí)考慮許多因素和條件的、不精確和模糊的信息處理問題, 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法具有優(yōu)勢(shì)[5]。使用神經(jīng)網(wǎng)絡(luò)來預(yù)測(cè)海水環(huán)境對(duì)材料的腐蝕速率是將環(huán)境因素與材料腐蝕率之間的關(guān)系視為黑箱, 進(jìn)而通過試驗(yàn)數(shù)據(jù)學(xué)習(xí), 建立輸入（環(huán)境因素）與輸出（材料腐蝕率）之間的作用關(guān)系,從而預(yù)測(cè)材料在特定海水環(huán)境條件下的腐蝕速率。

1 腐蝕速率的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

利用A3鋼在青島、舟山、廈門、榆林和湛江5個(gè)海區(qū)全浸帶和潮差帶的腐蝕掛片試驗(yàn)結(jié)果, 構(gòu)建三層BP人工神經(jīng)網(wǎng)絡(luò)模型, 建立海水溫度、溶解氧含量、鹽度、pH值、生物附著等主要環(huán)境因子和腐蝕速率之間的映射關(guān)系, 進(jìn)而通過上述環(huán)境因子特征, 預(yù)測(cè)A3鋼的腐蝕速率。并分析其預(yù)測(cè)誤差, 確認(rèn)三層BP人工神經(jīng)網(wǎng)絡(luò)模型的可行性。

2 腐蝕預(yù)測(cè)的技術(shù)路線

建立三層BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型時(shí), 需要將測(cè)量數(shù)據(jù)分成幾個(gè)部分, 分別用于訓(xùn)練、驗(yàn)證和測(cè)試神經(jīng)網(wǎng)絡(luò)。本研究用于建立預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)的實(shí)測(cè)數(shù)據(jù)見表 1。

由于數(shù)據(jù)量有限, 本研究利用青島、舟山、廈門、榆林4個(gè)海區(qū)的實(shí)測(cè)數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本,用湛江的實(shí)測(cè)結(jié)果作為驗(yàn)證樣本。

預(yù)測(cè)模型采用三層前饋型BP網(wǎng)絡(luò)模型。第一層為輸入層, 中間為隱含層, 神經(jīng)元傳遞函數(shù)為正切S型傳遞函數(shù)。第三層為輸出層, 神經(jīng)元傳遞函數(shù)線性傳遞函數(shù)。各層次間的神經(jīng)元之間形成全互連連接,各層次內(nèi)的神經(jīng)元之間沒有連接。輸入層的節(jié)點(diǎn)數(shù)為輸入向量的分量數(shù), 這里為5個(gè), 即海水溫度、溶解氧含量、鹽度、pH值、生物附著; 輸出層的節(jié)點(diǎn)數(shù)為輸出向量的分量數(shù), 這里為 1個(gè), 即平均腐蝕率。采用Levenberg-Marquardt法訓(xùn)練函數(shù)。網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

表1 建立預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)的實(shí)測(cè)數(shù)據(jù)Tab. 1 In situmeasurements

圖1 網(wǎng)絡(luò)結(jié)構(gòu)Fig. 1 Structure of the neural network

3 全浸帶腐蝕速度預(yù)測(cè)

圖2是全浸帶的三層BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)曲線, 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練曲線經(jīng)8次迭代后收斂。

神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值分別為:

圖2 全浸帶神經(jīng)網(wǎng)絡(luò)的訓(xùn)練曲線Fig. 2 Training of the neural network for the submerged zone

利用該神經(jīng)網(wǎng)絡(luò)模型, 把湛江海區(qū)環(huán)境參數(shù)作為輸入, 預(yù)測(cè)得出湛江海區(qū)的腐蝕率, 結(jié)果如表2所示。

從計(jì)算結(jié)果可以求得全浸區(qū)預(yù)測(cè)誤差為:（0.2032－0.19）/0.19=6.95%.

4 潮差帶腐蝕速度預(yù)測(cè)

圖3是潮差帶的三層BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)曲線, 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練曲線經(jīng)15次迭代后收斂神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值分別為:

表2 全浸帶腐蝕速率預(yù)測(cè)結(jié)果Tab. 2 Predicted corrosion rates in the submerged zones

圖3 潮差帶神經(jīng)網(wǎng)絡(luò)的訓(xùn)練曲線Fig. 3 Training of the neural network for the tidal zone

利用該神經(jīng)網(wǎng)絡(luò)模型, 把湛江海區(qū)環(huán)境參數(shù)作為輸入, 預(yù)測(cè)得出湛江海區(qū)的腐蝕率, 結(jié)果如表3所示。

由預(yù)測(cè)結(jié)果可以看出, 潮差帶預(yù)測(cè)誤差為（0.2203－0.23）/0.23=4.2%

5 結(jié)論

本文利用實(shí)測(cè)的pH值、溫度、溶解氧、鹽度、生物附著等環(huán)境因子, 分析了上述環(huán)境影響因子對(duì)海洋平臺(tái)鋼腐蝕的影響, 建立三層BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)了平臺(tái)鋼在海水環(huán)境中的腐蝕速率。由計(jì)算結(jié)果可以求得全浸區(qū)預(yù)測(cè)誤差為 6.95%, 潮差帶預(yù)測(cè)誤差為4.2%, 預(yù)測(cè)精度較高, 表明利用三層BP人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)鋼在海水中腐蝕速率技術(shù)可行, 具有較高的預(yù)測(cè)精度和應(yīng)用價(jià)值。

表3 潮差帶腐蝕速率預(yù)測(cè)結(jié)果Tab. 3 Predicted corrosion rates in the tidal zones

[1] Cottis R A, Turega M. Neural Network Applications in Corrosion Engineering [M]. Chicago: Engineering Books Inc., 1993. 201-204.

[2] 崔大為, 林樂耘, 趙月紅. 應(yīng)用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)有色金屬海水腐蝕的長(zhǎng)期行為[J]. 中國腐蝕與防護(hù)學(xué)報(bào),2004, 24（1）: 29-32.

[3] 孔德英, 宋詩哲. 人工神經(jīng)網(wǎng)絡(luò)技術(shù)探討碳鋼、低合金鋼的實(shí)海腐蝕規(guī)律[J]. 腐蝕與防護(hù), 1998, 18（4）: 18-20.

[4] 楊曉明, 陳明文. 海水對(duì)金屬腐蝕因素的分析及預(yù)測(cè)[J].北京科技大學(xué)學(xué)報(bào), 2000, 3: 26-28.

[5] 聞新, 周露, 王丹力. MatLab神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京: 電子工業(yè)出版社, 2001. 35-47.

Received: May, 4, 2010

Key words:corrosion factors; prediction of corrosion rate; three-layer BP neural network; prediction of corrosion on marine environmental

Abstract:We introduced the methodology to study relationship between steel corrosion and marine environmental factors and to predict of steel corrosion rates with three-layer BP neural network. With thein situmeasurements of pHs, water temperatures, dissolved oxygen, salinities and bio-fouling, the effects of marine environmental factors on steel corrosion were analyzed and sorted in a descending sequence. With a three-layer BP neural network, the corrosion rates of steel in seawater were predicted with an error of 6.95% in submerged zones and 4.2% in tidal zones. The results show that prediction with the neural network was feasible, producing good prediction accuracy and value.

（本文編輯:劉珊珊）

Prediction of effects of marine environmental factors on steel corrosion rates with three-layer BP neural network

LAN Zhi-gang1,2,3, HOU Bao-rong1, BAI Gang4, SONG Ji-wen2, CHEN Sheng-li2,TAN Zhen2, ZHANG Jie2
（1. Institute of Oceanology, the Chinese Academy of Sciences, Qingdao 266071, China; 2. CNOOC Energy Technology & Services Limited, Beijing Branch, Beijing 100027, China; 3. Graduate School, the Chinese Academy of Sciences, Beijing 100039, China; 4. CNOOC Limited Beijing 100010, China）

TG174

A

1000-3096（2010）12-0075-03

2010-05-04;

2010-10-18

海洋石油總公司綜合科研項(xiàng)目

蘭志剛（1963-）, 男, 山東青島人, 高級(jí)工程師, 中國科學(xué)院海洋研究所在讀博士, 從事海洋工程環(huán)境和海洋工程防腐工作,E-mail: lanzhg@cnooc.com.cn; 侯保榮, 通信作者, 中國工程院院士,電話: 0532-82898731, E-mail: baoronghou@qdio.ac.cn