衛(wèi)新民，袁改煥，李小寧

(1.西安建筑科技大學，陜西 西安 710055)

(2.國核寶鈦鋯業(yè)股份公司，陜西 寶雞 721013)

基于RBF神經網絡法的Zr-4合金管材酸洗工藝模型

衛(wèi)新民1，2，袁改煥2，李小寧2

(1.西安建筑科技大學，陜西 西安 710055)

(2.國核寶鈦鋯業(yè)股份公司，陜西 寶雞 721013)

研究了Zr-4合金管材酸洗處理過程中，酸洗去除量、酸水轉換時間、沖水時間及酸洗次數對管材氟殘留量的影響，并基于徑向基(RBF)人工神經網絡法建立了Zr-4合金管材酸洗工藝與氟殘留的神經網絡模型。結果表明:沖水酸水轉換時間和沖水時間對氟殘留量均有影響，且酸水轉換時間的影響更為顯著;氟殘留量與酸洗次數無明顯對應關系。Zr-4合金酸洗工藝的RBF神經網絡模型結構為3-5-1，實際值與模擬值的相對誤差為9.2%。該神經網絡模型具有較高的可靠性，可為Zr-4合金酸洗工藝參數的優(yōu)化提供參考。

Zr-4合金;酸洗工藝;氟殘留;RBF神經網絡

0 引言

鋯合金具有優(yōu)異的抗中子輻照性能，適中的力學性能和良好的加工性能，因此在核反應堆中作為包殼材料和核結構材料［1］。鋯合金的表面狀態(tài)對其在堆內的腐蝕速率影響很大，如點坑、劃傷和化學污染等會加速其腐蝕。實際生產采用酸洗的方法消除鋯合金表面缺陷，以獲得光亮、清潔、均勻的表面。Zr-4合金酸洗過程經常使用氫氟酸，酸洗后會在鋯合金表面殘留氟。已有的資料表明:SGHWR反應堆曾發(fā)生的Zr-4合金包殼管穿透性腐蝕是由殘留在Zr-4合金管上的氟造成的［2－3］。所以Zr-4合金酸洗工藝參數與表面氟殘留數值的影響關系一直是核材料研究工作者重要的研究內容。

由于影響Zr-4合金酸洗后表面殘留氟的因素較多，如酸洗去除量，酸洗時間、溫度，水洗時間、溫度，酸水轉換時間，鋯合金成分等，各影響因素之間屬于高度非線性交互影響關系，用傳統(tǒng)的回歸擬合方法難以建立酸洗工藝參數與氟殘留數值模型。近年來，人工神經網絡(ANN)方法在處理非線性關系預測模型時得到了廣泛應用。這種方法是模擬自然界中生物神經網絡信息處理過程建立起來的智能處理系統(tǒng)，能逼近任意復雜的非線性過程，通過計算模擬出各種復雜過程的內在聯系，從而實現系統(tǒng)之間的建模、估計、預測、診斷和自適應控制。ANN以實驗數據為基礎，在通過自學獲取系統(tǒng)數學模型方面有其獨特的優(yōu)越性，無需預先給定熟悉公式，而是以實驗數據為基礎，通過有限次數的反復迭代計算，獲取一個反映數據內在規(guī)律的數學模型。有報道顯示，于軍輝等人［4］應用誤差反向傳播神經網絡(BPANN)技術預測了鋯合金酸洗工藝中的酸水轉換時間、沖水時間以及酸洗去除量對氟殘留的影響。然而，BPANN用于函數逼近時，權值的調節(jié)采用負梯度下降法，這種調節(jié)權值的方式存在收斂過程相對緩慢，且網絡在運算中陷入局部極小值等問題。徑向基神經網絡(RBFANN)則在函數逼近、學習能力及速率上均優(yōu)于BPANN。因此本研究在Zr-4合金管材酸洗實驗的基礎上，建立起酸洗去除量、酸水轉換時間、沖水時間、酸洗次數與氟殘留量關系的RBFANN模型，以優(yōu)化Zr-4合金管材內酸洗工藝，減少酸洗引起的氟殘留，降低核電運行風險。

1 實驗

1.1 實驗材料及設備

實驗材料為某工程用Zr-4合金管材，其名義化學成分見表1。酸洗試樣長度為100 mm。酸洗液成分(體積分數)為1%～2.5%HF+20%～28%HNO3+余量去離子水。酸洗設備為內流動酸洗專用設備。氟殘留檢測設備為鋯合金氟殘留專用高溫蒸煮爐和UV2550分光光度計。

表1 Zr-4合金管材名義化學成分(w/%)Table 1 Nominal chemical composition of Zr-4 alloy tube

1.2 酸洗實驗

Zr-4合金管材內表面酸洗工藝流程:酸洗→熱水洗→冷水沖洗→烘干。在內流動酸洗專用設備上進行酸洗，酸洗工藝參數為:酸洗去除量為5～25 μm和25～45 μm;酸水轉換時間為2、8、15 s;沖水時間為60、120、180 s。在酸洗后的管材頭部和尾部分別取樣，用高溫蒸煮爐收集Zr-4合金管材內部的氟殘留物，然后用UV2550分光光度計測量氟殘留量。根據測定值繪制內酸洗工藝參數與氟殘留量的關系曲線。以氟殘留量最小的酸洗工藝參數為基礎，對Zr-4合金管材(未酸洗)分別進行1次、2次、3次酸洗，檢測酸洗前后管材的氟殘留量。

1.3 RBFANN模型

建立Zr-4合金管材酸洗去除量(5～25、25～45 μm)、酸水轉換時間(2、8、15 s)及沖水時間(60、120、180 s)對氟殘留量的RBFANN模型。模型輸入層為酸洗去除量、酸水轉換時間及沖水時間，輸出層各參數對應的氟殘留數值。目前newpnn算法、newrb算法和newgrnn算法在RBFANN模型得到了廣泛的應用［5］，因此分別以這三種算法進行計算，以均方差(MSE)來描述實際值與RBFANN輸出值之間的精度。下式為均方誤差表達式。

式中，Ti為實測結果，Yi為網絡輸出值。以網絡精度均方差、運算耗時以及迭代步長最小數值作為最終判定網絡結構優(yōu)劣的依據。

2 結果與分析

2.1 酸洗實驗結果

2.1.1 酸水轉換時間與管材表面氟殘留量的關系

酸洗去除量、酸水轉換時間和沖水時間與Zr-4合金管材表面氟殘留的檢測結果如圖1所示。當酸洗去除量約為5～25 μm時，在沖水時間為60 s的條件下，隨著酸水轉換時間的延長，氟殘留量逐漸增大，而在沖水時間為120 s和180 s的條件下，隨著酸水轉換時間的延長，氟殘留量僅略有升高(圖1a)。當酸洗去除量約為25～40 μm時，隨著酸水轉換時間的增長，氟殘留量明顯增大(圖1b)，所以酸水轉換時間是影響氟殘留的主要因素。從圖1也可以得出:酸水轉換時間和沖水時間對氟殘留量都有影響，且酸水轉換時間的影響更為顯著。這可能是鋯合金管材表面酸洗后，殘留的酸液一方面繼續(xù)與管材繼續(xù)反應，另一方面在管材表面蒸發(fā)、濃縮，甚至干燥沉淀。沉淀后的氟化物不溶于水或溶解非常緩慢，在隨后的沖洗中很難消除［2］。從工業(yè)化生產因素考慮，沖洗時間不宜過長，所以最終確定的氟殘留量最小時的酸洗工藝參數為酸洗去除量5～25 μm，酸洗轉換時間為2 s，沖水時間為120 s。

2.1.2 酸洗次數與管材氟殘留量的關系

在去除量約5～25 μm、酸水轉換時間為2 s、沖水時間為120 s的工藝參數下，酸洗次數對氟殘留的影響如圖2所示。

圖1 酸洗參數對管材氟殘留的影響Fig.1 Effect of pickling parameters on fluorine residue

圖2 酸洗次數對氟殘留量的影響Fig.2 Effect of pickling times on fluorine residue

從圖2可知，隨著酸洗次數的增加，氟殘留數值波動較大，管材分別酸洗3次后，酸洗次數與氟殘留值無明顯的對應關系。管材氟殘留量不會隨著酸洗次數的增加而疊加，只由最后一次酸洗操作帶來的氟殘留量決定。該結果與文獻［2］研究結果一致。

2.2 RBFANN模型模擬結果

根據實驗結果，酸洗次數與氟殘留量無明顯的對應關系，因此本次神經網絡模型中以酸洗去除量、酸水轉換時間、沖水時間為神經網絡的輸入層，以神經網絡氟殘留數值為輸出層。表2為不同算法下的神經網絡的運算結果。可以看出，基于newrb算法的RBF神經網絡模型，當隱含層節(jié)點為5時，網絡結構為3-5-1，均方差(MSE)為9.2%，運算耗時0.46 s。與其他算法相比，newrb算法具有收斂速度快、誤差小的特點。該預測模型具有較高的可靠性，可為酸洗工藝參數優(yōu)化提供參考。

表2 各種算法下的RBF神經網絡運算結果Table 2 The results of RBFANN in the different algorithm

采用newrb算法，將Zr-4合金酸洗工藝參數與氟殘留數值輸入建立的RBFANN模型進行模擬，繪制出Zr-4合金管材酸洗工藝參數與氟殘留量關系圖，如圖3所示。

圖3 Zr-4合金酸洗參數與氟殘留關系圖Fig.3 Relationships between pickling parameters and fluorine present

從圖3可以看出，氟殘留量隨著酸水轉換時間的延長而增大。當酸洗去除量為5～25 μm時，氟殘留量與酸水轉換時間呈線性增大趨勢;當酸洗去除量為25～40 μm時，氟殘留量與酸水轉換時間呈現非線性增大趨勢。該模擬結果與實驗結果相似，更加充分說明酸水轉換時間對氟殘留量影響較大。

3 結論

(1)酸水轉換時間和沖水時間對氟殘留量都有影響，且酸水轉換時間的影響更為顯著。

(2)酸洗次數與氟殘留量無明顯的對應關系。Zr-4合金管材氟殘留不會隨著酸洗次數的增加而疊加，只由最后一次酸洗操作決定。

(3)基于徑向基(RBF)人工神經網絡法建立了Zr-4合金管材酸洗工藝與氟殘留的神經網絡模型。模型結構為3-5-1，實際值與模擬值的相對誤差為9.2%，運算耗時0.46 s。該模型具有收斂速度快、誤差小的特點，可為酸洗工藝參數優(yōu)化提供參考。

［1］劉建章.核結構材料［M］.北京:化學工業(yè)出版社，2007:5－7.

［2］向德光，王樹人，李寶霞.酸洗工藝對鋯包殼管表面氟含量的影響［C］//國產鋯－4合金性能研究論文集.成都:中國核動力研究設計院，1998:143－146.

［3］李小寧，劉春光，呂培成.鋯合金管材表面除氟工藝探索［J］.鈦工業(yè)進展，2010，27(4):40－42.

［4］于軍輝，李小寧，劉春光，等.基于人工神經網絡的鋯合金酸洗工藝預測模型［C］//中國有色金屬工業(yè)協(xié)會鈦鋯分會2012鋯鉿年會論文集.北京:中國有色金屬工業(yè)協(xié)會鈦鋯分會，2012:109－115.

［5］李國勇.神經模糊控制理論及應用［M］.北京:電子工業(yè)出版社，2009:18－67.

Pickling Process Model of Zr-4 Alloy Tube Based on RBF Network

Wei Xinmin1，2，Yuan Gaihuan2，Li Xiaoning2
(1.Xi’an University of Architecture and Technology，Xi’an 710055，China)
(2.State Nuclear Bao Ti Zirconium Industry Company，Baoji 721013，China)

In this paper，the effects of pickling removing(PR)，the time of the pickling to washing(TPW)，the washing time(WT)and the pickling times(PT)on fluorine present of Zr-4 alloy were studied，and the Radial Basis Function Network(RBF)Model was proposed to predict pickling process model of the Zr-4 alloy tube.The results show that fluorine present value is influenced by TPW and WT，and the effect of TPW is more apparent than WT，but the PT has little impact on fluorine present value.The optimal RBF network architecture of Zr-4 alloy tube pickling process is considered to be 3-5-1，and the mean squared error(MSE)is 9.2% .It is a highly reliable model，and can be used for the optimization of the pickling parameters.

Zr-4 alloy;pickling parameters;fluorine present;radial basis function network

10.13567/j.cnki.issn1009-9964.2015.04.013

2015－03－04

衛(wèi)新民(1984—)，男，工程師。