顏光耀,劉治國(guó)

(海軍航空工程學(xué)院青島校區(qū),山東青島266041)

加速腐蝕環(huán)境下LD2CS鋁合金腐蝕損傷分析方法

顏光耀,劉治國(guó)

(海軍航空工程學(xué)院青島校區(qū),山東青島266041)

摘.要.目的研究LD2CS鋁合金腐蝕損傷數(shù)據(jù)的分析方法。方法針對(duì)LD2CS鋁合金腐蝕坑深度值,采用最小二乘支持向量機(jī)、BP人工神經(jīng)網(wǎng)絡(luò)和求和自回歸移動(dòng)平均等3種模型進(jìn)行回歸和預(yù)測(cè)分析。對(duì)比總結(jié)各種模型在小樣本遞增時(shí)間序列下的應(yīng)用特點(diǎn)。結(jié)果對(duì)于LD2CS鋁合金腐蝕坑深度值預(yù)測(cè),最小二乘支持向量機(jī)在回歸和預(yù)測(cè)上都有較高的精度。結(jié)論最小二乘支持向量機(jī)模型最適合LD2CS鋁合金的腐蝕坑深度值預(yù)測(cè)。

鋁合金;腐蝕深度;數(shù)據(jù)分析;對(duì)比性研究

LD2CS鋁合金作為重要的飛機(jī)結(jié)構(gòu)件材料,其服役壽命直接影響飛機(jī)結(jié)構(gòu)的整體可靠性。該鋁合金結(jié)構(gòu)材料在服役期間會(huì)發(fā)生腐蝕損傷,其中瀕海機(jī)場(chǎng)停放環(huán)境因素對(duì)其影響最為突出。

文中統(tǒng)計(jì)某機(jī)場(chǎng)多年環(huán)境數(shù)據(jù),并依據(jù)當(dāng)量折算原理編制用于開(kāi)展加速腐蝕試驗(yàn)的實(shí)驗(yàn)室加速腐蝕試驗(yàn)環(huán)境譜[1—2]。根據(jù)此譜進(jìn)行了LD2CS鋁合金加速腐蝕試驗(yàn),得到不同腐蝕周期下的LD2CS鋁合金腐蝕損傷數(shù)據(jù)。依據(jù)獲得的試驗(yàn)數(shù)據(jù),分別采用最小二乘支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)和求和自回歸移動(dòng)平均模型對(duì)LD2CS鋁合金的腐蝕損傷數(shù)據(jù)進(jìn)行回歸和預(yù)測(cè)分析。計(jì)算發(fā)現(xiàn),最小二乘支持向量機(jī)的回歸和預(yù)測(cè)精度優(yōu)于其他預(yù)測(cè)模型,因此該方法可應(yīng)用于鋁合金材料的腐蝕損傷數(shù)據(jù)分析,為鋁合金結(jié)構(gòu)材料的腐蝕機(jī)理研究和腐蝕控制方案制定提供數(shù)據(jù)支撐。

1 LD2CS鋁合金加速腐蝕試驗(yàn)

1.1 加速腐蝕試驗(yàn)環(huán)境譜

統(tǒng)計(jì)分析某瀕海機(jī)場(chǎng)多年環(huán)境要素?cái)?shù)據(jù),編制機(jī)場(chǎng)地面停放環(huán)境譜,結(jié)果見(jiàn)表1。依據(jù)當(dāng)量折算原理,得到的LD2CS鋁合金加速腐蝕試驗(yàn)環(huán)境譜如圖1所示。

表1 某機(jī)場(chǎng)地面停放環(huán)境譜(部分)Table 1 Ground parking environment spectrum in a certain airport(partial)

圖1 LD2CS鋁合金加速腐蝕試驗(yàn)環(huán)境譜Fig.1 Environment spectrum of LD2CS in accelerate corrosion test

1.2 加速腐蝕試驗(yàn)

利用ZJF-45G周期浸潤(rùn)試驗(yàn)箱等設(shè)備進(jìn)行加速腐蝕試驗(yàn),試驗(yàn)材料為L(zhǎng)D2CS板材,其外形和尺寸如圖2所示,試驗(yàn)過(guò)程參照HB 5455—90進(jìn)行。每個(gè)腐蝕試驗(yàn)周期后,利用XTZ-E光學(xué)體式測(cè)量顯微鏡和科仕達(dá)KH-7700三維腐蝕損傷顯微鏡進(jìn)行觀察測(cè)量,圖3—5為加速腐蝕7年試件表面腐蝕形貌和蝕坑深度測(cè)量示意圖。選取某試件表面典型蝕坑跟蹤測(cè)量,其不同腐蝕日歷年限蝕坑深度檢測(cè)結(jié)果見(jiàn)表2,由于前兩個(gè)腐蝕周期未發(fā)生明顯腐蝕損傷,所以未列出其腐蝕坑深度值。

圖2 試件尺寸(厚度為4 mm)Fig.2 The dimension of the specimen(thickness=4 mm)

圖3 試件表面蝕坑形貌Fig.3 Specimen surface morphology of pitting corrosion

圖4 腐蝕坑三維形貌Fig.4 3D morphology of corrosion pit

圖5 試件腐蝕坑縱向截面示意Fig.5 Longitudinal section of specimen corrosion pit

表2 某典型蝕坑不同加速當(dāng)量腐蝕年限的深度檢測(cè)結(jié)果Table 2 The observed corrosion pit depths series of one typical corrosion pit after different corrosion periods

由表2可知,該組數(shù)據(jù)屬于一元小樣本遞增時(shí)間序列。蝕坑深度值隨著當(dāng)量腐蝕年限逐年遞增,但蝕坑深度值的增長(zhǎng)率逐年遞減。這說(shuō)明隨著粉末狀腐蝕產(chǎn)物的堆積,侵蝕性離子深入材料基體的通道會(huì)變得越來(lái)越狹窄,腐蝕向基體深度方向上的發(fā)展會(huì)受到阻礙。對(duì)于鋁合金材料而言,這種阻礙作用最終抵擋不住酸性NaCl溶液的腐蝕,因此腐蝕損傷會(huì)持續(xù)不斷地加劇,腐蝕坑不斷增多、逐漸連接,形成更大面積的剝蝕現(xiàn)象[3]。

2 LD2CS鋁合金腐蝕損傷數(shù)據(jù)分析

分別利用最小二乘支持向量機(jī)(Least Square Support Vector Machine,LS-SVM)、BP神經(jīng)網(wǎng)絡(luò)(BP Neural Network)、ARIMA時(shí)間序列模型對(duì)數(shù)據(jù)進(jìn)行回歸分析和預(yù)測(cè)分析[4—5]。

2.1 LS-SVM對(duì)數(shù)據(jù)的回歸和預(yù)測(cè)

支持向量機(jī)(Support Vector Machine,SVM)模型是由Vapnik等人在20世紀(jì)90年代根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論中VC維和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則提出的一種機(jī)器學(xué)習(xí)方法。之后,Suykens等提出了最小二乘支持向量機(jī),即把SVM的訓(xùn)練轉(zhuǎn)化為線性方程組的求解,這在一定程度上加速了SVM的訓(xùn)練。為了維持標(biāo)準(zhǔn)SVM具有的稀疏性,Suykens等人進(jìn)而提出了一種修剪算法,使LS-SVM能夠成熟地應(yīng)用于回歸分析[6—8]。

文中利用最小二乘支持向量機(jī)工具箱進(jìn)行數(shù)據(jù)的訓(xùn)練及預(yù)測(cè)。根據(jù)表1給出的腐蝕損傷數(shù)據(jù),令第3,5,7,9,11當(dāng)量日歷年限的蝕坑深度值為訓(xùn)練目標(biāo),第4,6,8,10,12當(dāng)量日歷年限的蝕坑深度值為測(cè)試目標(biāo),第13,14,15當(dāng)量日歷年限的蝕坑深度值為預(yù)測(cè)實(shí)驗(yàn)對(duì)比值。

核函數(shù)選為高斯徑向基(Radius Basis Function, RBF)核函數(shù)[9],該算法預(yù)測(cè)精度的實(shí)現(xiàn)主要取決于兩個(gè)重要參數(shù),懲罰系數(shù)gam和核函數(shù)寬度參數(shù)sig2。文中利用兩個(gè)循環(huán)語(yǔ)句分別從1到1000和1到500對(duì)gam和sig2進(jìn)行搜索,當(dāng)預(yù)測(cè)值和測(cè)試值的標(biāo)準(zhǔn)差小于1.5時(shí)停止循環(huán)。運(yùn)行發(fā)現(xiàn),當(dāng)gam∈[800,900],sig2∈[130,150]時(shí),函數(shù)擬合的誤差較小,得到數(shù)據(jù)的對(duì)比結(jié)果如圖6所示。

圖6 LS-SVM數(shù)據(jù)對(duì)比Fig.6 LS-SVM data comparison

擬合值和測(cè)試值的誤差對(duì)比見(jiàn)表3。預(yù)測(cè)值和檢驗(yàn)值的誤差對(duì)比見(jiàn)表4。

表3 腐蝕坑深度擬合值和測(cè)試值及其誤差Table 3 Fitting data and test data of corrosion pit depths and their errors

表4 腐蝕坑深度預(yù)測(cè)值和檢驗(yàn)值及其誤差標(biāo)準(zhǔn)差Table 4 Observed data and prediction data of corrosion pit depths and their error standard deviation

2.2 BP-ANN對(duì)數(shù)據(jù)的回歸和預(yù)測(cè)

反向傳播人工神經(jīng)網(wǎng)絡(luò)(Back-Propagation Artificial Neural Network,BP-ANN)是目前研究得最多,應(yīng)用最廣泛的一種神經(jīng)網(wǎng)絡(luò)模型。它具有結(jié)構(gòu)簡(jiǎn)單、可操作性強(qiáng)、自學(xué)習(xí)能力好等特點(diǎn),但是BP模型也存在很多不足,比如初始學(xué)習(xí)率和權(quán)值的選取困難,收斂速度慢等[10—13]。

文中利用BP神經(jīng)網(wǎng)絡(luò)算法對(duì)表1的腐蝕坑深度值進(jìn)行了回歸和預(yù)測(cè)分析。以第3,5,7,9,11當(dāng)量日歷年限的蝕坑深度值為訓(xùn)練目標(biāo),第4,6,8, 10,12當(dāng)量日歷年限的蝕坑深度值為測(cè)試目標(biāo),第13,14,15當(dāng)量日歷年限的蝕坑深度值為預(yù)測(cè)實(shí)驗(yàn)對(duì)比值。經(jīng)過(guò)調(diào)試,選取隱含層數(shù)為6,學(xué)習(xí)周期數(shù)為1000,最小均方誤差為10-8,最小梯度為10-20,一級(jí)激活函數(shù)為tansig函數(shù),二級(jí)激活函數(shù)為線性函數(shù)的變學(xué)習(xí)率的BP神經(jīng)網(wǎng)絡(luò)的算法。得到的數(shù)據(jù)對(duì)比結(jié)果如圖7所示。

圖7 BP-ANN數(shù)據(jù)對(duì)比Fig.7 BP-ANN data comparison

擬合值和測(cè)試值的誤差對(duì)比見(jiàn)表5。預(yù)測(cè)值和檢驗(yàn)值的誤差對(duì)比見(jiàn)表6。

表5 腐蝕坑深度擬合值和測(cè)試值及其誤差Table 5 Fitting data and test data of corrosion pit depths and their errors

表6 腐蝕坑深度檢驗(yàn)值和預(yù)測(cè)值及其誤差Table 6 Observed data and prediction data of corrosion pit depths and their error standard deviation

2.3 ARIMA模型對(duì)數(shù)據(jù)的回歸和預(yù)測(cè)

ARIMA模型的實(shí)質(zhì)就是差分運(yùn)算與ARMA模型的組合。這說(shuō)明任何非平穩(wěn)序列只要通過(guò)適當(dāng)階數(shù)的差分實(shí)現(xiàn)差分后平穩(wěn),就能進(jìn)行自回歸移動(dòng)平均(Auto Regression Moving Average,ARMA)模型擬合[14—16]。

根據(jù)ARIMA模型的編程過(guò)程[17],確定該組序列為ARIMA(3,1,1),得到預(yù)測(cè)模型表達(dá)式:

式中:B為延遲算子;fT+l為T=11后l步的深度預(yù)測(cè)值;εT+l為T=11后l步的隨機(jī)干擾值。經(jīng)計(jì)算得12,13,14,15當(dāng)量腐蝕年限下蝕坑深度的預(yù)測(cè)值,見(jiàn)表7。

表7 ARIMA(3,1,1)模型腐蝕坑深度預(yù)測(cè)值及其誤差Table 7 The forecast results and forecast error of ARIMA(3,1,1)model

3 結(jié)果分析與討論

3.1 回歸精度和預(yù)測(cè)精度分析

如表3—7所示,通過(guò)分別對(duì)比回歸平均相對(duì)誤差和預(yù)測(cè)誤差標(biāo)準(zhǔn)差,可以得到各模型的回歸和預(yù)測(cè)精度。由于基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理并且引入核函數(shù),LS-SVM的回歸和預(yù)測(cè)精度都很高,BP-ANN有著良好的回歸精度,但算法結(jié)果分散性大,初始值隨機(jī)選取,導(dǎo)致其預(yù)測(cè)精度不理想。ARIMA時(shí)間序列模型理論成熟,預(yù)測(cè)精度較高,但相比LS-SVM稍差。綜合來(lái)看,LS-SVM在此小樣本遞增序列中表現(xiàn)最好。

3.2 模型特點(diǎn)

此次采用的LD2CS鋁合金的腐蝕坑深度值樣本具有樣本容量小,基本逐年遞增的特點(diǎn)。小樣本中的個(gè)別數(shù)據(jù)對(duì)整個(gè)模型的回歸和預(yù)測(cè)分析的結(jié)果影響很大。通過(guò)3種模型對(duì)第3到15年的腐蝕坑深度值進(jìn)行回歸和預(yù)測(cè)分析,總結(jié)出各模型的特點(diǎn)見(jiàn)表8。

4 結(jié)語(yǔ)

通過(guò)以上3種模型在腐蝕坑深度值的小樣本時(shí)間序列中的回歸和預(yù)測(cè)能力對(duì)比可以看出,每一種模型都有各自的優(yōu)缺點(diǎn)?？傮w而言,最小二乘支持向量機(jī)模型的回歸和預(yù)測(cè)精度都很高,只是需要對(duì)懲罰系數(shù)gam和核函數(shù)寬度值sig2進(jìn)行搜索后選擇。因此,針對(duì)如腐蝕坑深度隨日歷年限變化的小樣本時(shí)間序列,可以采用最小二乘支持向量機(jī)模型進(jìn)行回歸和預(yù)測(cè)分析。

[1] 周希沅.飛機(jī)結(jié)構(gòu)的當(dāng)量環(huán)境譜與加速試驗(yàn)譜[J].航空學(xué)報(bào),1996,17(5):613—616. ZHOU Xi-yuan.Equivalent Environment Spectrum and Accelerate Corrosion Spectrum of Aircraft Structure[J]. Acta Aeronautica et Astronautica Sinica,1996,17(5): 613—616.

[2] 劉治國(guó),穆志韜,鄒嵐.軍用飛機(jī)結(jié)構(gòu)局部環(huán)境譜編制方法研究[J].裝備環(huán)境工程,2009.6(3):42—45. LIU Zhi-guo,MU Zhi-tao,ZOU Lan.Research on Establishment Method of Local Environmental Spectrum for Navy Aircraft Structure[J].Equipment Environment Engineering,2009,6(3):42—45.

[3] 李旭東,朱武峰,穆志韜,等.LD2CS鋁合金腐蝕行為研究[J].裝備環(huán)境工程,2013.10(1):8—12. LI Xu-dong,ZHU Guo-feng,MU Zhi-tao.et al.Corrosion Behavior Investigation of LD2CS Aluminum Alloy[J].E-quipment Environment Engineering,2013,10(1):8—12.

[4] 劉偉偉.油田集輸管道CO2腐蝕規(guī)律和預(yù)測(cè)模型研究[D].青島:中國(guó)石油大學(xué),2009. LIU Wei-wei.CO2Corrosion and Prediction Model for oil and Gas Transportation Systems[D].Qingdao:China University of Petroleum,2009.

[5] 喬俊果.三種數(shù)學(xué)模型在海洋經(jīng)濟(jì)預(yù)測(cè)中的應(yīng)用[J].廣東海洋大學(xué)學(xué)報(bào),2008,28(2):16—19. QIAO Jun-guo.Application of Three Mathematical Models for Marine Economy Forecasting in China[J].Journal of Guangdong Ocean University,2008,28(2):16—19.

[6] SUYKENS J A K,VANDEWALLE J.Least Squares Support Vector Machine Classifiers[J].Neural Processing Letter,1999,9:293—300.

[7] KREBEL U.Pairwise Classification and Support Vector Machines.SCHOLKOPF B.Advances in Kernel Methods-Support vector Learning[M].Cambridge:MIT Press, 1999.

[8] 曾紹華.LS-SVM的組合優(yōu)化算法研究[J].計(jì)算機(jī)工程與應(yīng)用,2007,43(8):89—92. ZENG Shao-hua.Research on LS-SVM Combination Opti-mization Algorithm[J].Computer Engineering and Applications,2007,43(8):89—92.

[9] 楊鐘瑾.核函數(shù)支持向量機(jī)[J],計(jì)算機(jī)工程與應(yīng)用, 2008,44(33):1—6. YANG Zhong-jin.Kernal-based Support Vector Machines [J].Computer Engineering and Applications,2008,44 (33):1—6.

[10]劉治國(guó),穆志韜,金平.LY12CZ腐蝕疲勞壽命的神經(jīng)網(wǎng)絡(luò)研究[J].裝備環(huán)境工程,2008,5(3):24—27. LIU Zhi-guo,MU Zhi-tao,JIN Ping.Study of Corrosion Fatigue Life of LY12CZ Based on Artificial Neural Network[J].Equipment Environment Engineering,2008,5 (3):24—27.

[11]劉成臣,徐勝,王浩偉,等.基于灰色模型和神經(jīng)網(wǎng)絡(luò)的鋁合金腐蝕預(yù)測(cè)對(duì)比[J].裝備環(huán)境工程,2013,3 (10):1—4. LIU Cheng-chen,XU Sheng,WANG Hao-wei,et al.Comparative Study of Prediction Models of Aluminum Alloys Based on Gray Model and Artificial Neural Network[J]. Equipment Environment Engineering,2013,3(10):1—4.

[12]劉延利,鐘群鵬,張錚.基于人工神經(jīng)網(wǎng)絡(luò)的預(yù)腐蝕鋁合金疲勞性能預(yù)測(cè)[J].航空學(xué)報(bào),2001,3(2):135—139. LIU Yan-li,ZHONG Qun-peng,ZHANG Zheng.Predictive Model Based on Artificial Neural Net for Fatigue Performances of Prior-corroded Aluminum Alloys[J].Acta Aeronautica et Astronautica Sinica,2001,3(2):135—139.

[13]王海濤,韓恩厚,柯偉.腐蝕領(lǐng)域中人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用進(jìn)展[J].腐蝕科學(xué)與防護(hù)技術(shù),2004,5(3):147—150. WANG Hai-tao,HAN En-hou,KE Wei.Application of Artificial Neural Network to the Field of Corrosion[J].Corrosion Science and Protection Technology,2004,5(3): 147—150.

[14]劉曉春,黃愛(ài)軍,馬芳,等.基于指數(shù)平滑技術(shù)的裝備維修備件需求預(yù)測(cè)[J].裝備環(huán)境工程,2012,9(6): 109—112. LIU Xiao-chun,HUANG Ai-jun,MA Fang,et al.Requirement Forecast of Equipment Maintenance Parts Based on Exponential Smoothing Method[J].Equipment Environment Engineering,2012,9(6):109—112.

[15]俞國(guó)紅,楊德志,叢佩麗.ARIMA和RBF神經(jīng)網(wǎng)絡(luò)相融合的股票價(jià)格預(yù)測(cè)研究[J].計(jì)算機(jī)工程與應(yīng)用, 2013,49(18):245—248. YU Guo-hong,YANG De-zhi,CONG Pei-li.Study of Stock Price Forecasting Based on Combination of ARIMA and RBF neural network[J].Computer Engineering and Applications,2013,49(18):245—248.

[16]甘旭升,端木京順,高建國(guó),等.基于ARIMA模型的航空裝備事故時(shí)序預(yù)測(cè)[J].中國(guó)安全科學(xué)學(xué)報(bào),2012, 22(3):97—102. GAN Xu-sheng,DUAN-MU Jing-shun,GAO Jian-guo,et al.Time Series Prediction of Aviation Equipment Accident Based on ARIMA Model[J].China Safety Science Journal,2012,22(3):97—102.

[17]王燕.應(yīng)用時(shí)間序列分析[M].北京:中國(guó)人民大學(xué)出版社,2005. WANG Yan.Analysis of Time Series Application[M]. Beijing:China People University Press, 2005.

Research on Analysis Methods for Corrosion Damage of LD2CS Aluminum Alloy in Accelerated Corrosion Environment

YAN Guang-yao,LIU Zhi-guo
(Qingdao Branch of Naval Aeronautical Academy,Qingdao 266041,China)

Objective To study analysis methods for corrosion damage data of LD2CS aluminum alloy.Methods Three forecasting models were used to conduct regression and prediction analysis,targeting at the corrosion pit depths of LD2CS aluminum alloy structural material,which were LS-SVM,BP-ANN and ARIMA.Basic forecasting principles and forecast accuracy of the three prediction methods were compared and analyzed.Results The calculation results showed that the prediction accuracy and the prediction extensionality of LS-SVM were better than those of the other models for the prediction of corrosion pit depths of LD2CS aluminum alloy.Conclusion LS-SVM was the most suitable model for prediction of corrosion pit depths of LD2CS aluminum alloy.

aluminum alloy;pit depths;data analysis;comparative research

10.7643/issn.1672-9242.2014.06.019

TG171;V252

:A

1672-9242(2014)06-0110-06

2014-07-24;

2014-08-16

Received:2014-07-24;Revised:2014-08-16

顏光耀(1990—),男,碩士,主要研究方向?yàn)楹Ｑ蟓h(huán)境工程。

Biography:YAN Guang-yao(1990—),Male,Master,Research focus:marine environmental engineering.