賈寶惠, 方藝斌, 王毅強(qiáng)

（1.中國(guó)民航大學(xué) 航空工程學(xué)院，天津 300300；2.中國(guó)民航大學(xué) 中歐航空工程師學(xué)院，天津 300300）

目前，鋁合金依然是世界上大多數(shù)飛機(jī)最主要的機(jī)身結(jié)構(gòu)材料[1]。由于工業(yè)污染的日益嚴(yán)重，大氣中存在SO2、NO2等酸性腐蝕介質(zhì)，使得機(jī)身結(jié)構(gòu)不可避免地會(huì)受到酸性介質(zhì)腐蝕，造成安全隱患。隨著我國(guó)民航飛機(jī)引進(jìn)數(shù)量和使用年限的增加，越來越多的飛機(jī)進(jìn)入老齡階段。飛機(jī)的老齡化問題在國(guó)內(nèi)外一直受到重視。2010年11月，F(xiàn)AA發(fā)布文件《老齡飛機(jī)大綱：廣布疲勞損傷；最終條例》，用于確保老齡飛機(jī)持續(xù)適航性。中國(guó)民航局也加強(qiáng)了對(duì)老齡飛機(jī)的管理，并于2018年頒布了CCAR121R5，用于加強(qiáng)對(duì)老齡飛機(jī)安全運(yùn)行監(jiān)控。目前，對(duì)于鋁合金腐蝕預(yù)測(cè)的方法主要有數(shù)據(jù)擬合、灰色模型、馬爾科夫鏈、時(shí)間序列等[2-4]；而人工神經(jīng)網(wǎng)絡(luò)的飛速發(fā)展為材料腐蝕預(yù)測(cè)提供了新的方法，樊玉光等[5]利用后向傳播神經(jīng)網(wǎng)絡(luò)（back propagation neural networks，BP）建立腐蝕預(yù)測(cè)模型，為煉油廠的腐蝕控制提供數(shù)據(jù)支持，結(jié)果表明方法可行；夏法峰等[6]通過徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（ radial basis function neural networks，RBF）對(duì) Ni-TiN納米鍍層的腐蝕速率進(jìn)行預(yù)測(cè)研究，預(yù)測(cè)精度良好；于淳[7]利用神經(jīng)網(wǎng)絡(luò)為船舶的健康管理提供評(píng)估及決策支持，驗(yàn)證了神經(jīng)網(wǎng)絡(luò)用于船舶結(jié)構(gòu)腐蝕的可行性；Slika等[8]通過神經(jīng)網(wǎng)絡(luò)開發(fā)出一種非破壞性結(jié)構(gòu)健康監(jiān)測(cè)（SHM）方法，用于評(píng)估結(jié)構(gòu)狀態(tài)并預(yù)測(cè)其剩余的無腐蝕性使用壽命，結(jié)果表明該方法提高了維護(hù)效率和結(jié)構(gòu)可持續(xù)性。

在研究多種因素對(duì)于材料性能的影響時(shí)，常常需要同時(shí)考察3個(gè)或3個(gè)以上的實(shí)驗(yàn)因素，若進(jìn)行全面實(shí)驗(yàn)時(shí)，則實(shí)驗(yàn)的規(guī)模將很大，往往因?qū)嶒?yàn)條件的限制而難于實(shí)施。正交實(shí)驗(yàn)設(shè)計(jì)就是安排多因素實(shí)驗(yàn)的一種高效率實(shí)驗(yàn)設(shè)計(jì)方法，但正交實(shí)驗(yàn)只能通過部分實(shí)驗(yàn)來了解全面實(shí)驗(yàn)的情況，判斷各因素的效應(yīng)，無法精確地預(yù)測(cè)任意條件下的實(shí)驗(yàn)結(jié)果，而神經(jīng)網(wǎng)絡(luò)能夠很好地彌補(bǔ)這一問題。RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單、訓(xùn)練簡(jiǎn)潔、學(xué)習(xí)收斂速度快、能夠逼近任意非線性函數(shù)，克服局部極小值問題。原因在于RBF神經(jīng)網(wǎng)絡(luò)參數(shù)初始化具有一定的方法，并非隨機(jī)初始化[9-12]。本工作將RBF神經(jīng)網(wǎng)絡(luò)與正交實(shí)驗(yàn)設(shè)計(jì)相結(jié)合，進(jìn)行不同條件下的酸性鹽霧實(shí)驗(yàn)，研究飛機(jī)結(jié)構(gòu)材料2024鋁合金的腐蝕規(guī)律。

1 實(shí)驗(yàn)材料及方法

1.1 鹽霧實(shí)驗(yàn)

實(shí)驗(yàn)材料為表面無包鋁層的2024-T3鋁合金薄板，化學(xué)成分如表1所示。試樣尺寸為155 mm ×70 mm × 2 mm，平行試樣數(shù)量為 4 件（根據(jù) AMSQQ-A-250-4A標(biāo)準(zhǔn)加工）。采用YW-120型鹽霧腐蝕箱，進(jìn)行酸性鹽霧環(huán)境下的3因素3水平正交實(shí)驗(yàn)。設(shè)定鹽霧實(shí)驗(yàn)的pH值分別為2、3、5，鹽霧濃度分別為 25 g/L、50 g/L、75 g/L，腐蝕時(shí)間分別為24 h、48 h、72 h。

表 1 2024 鋁合金化學(xué)成分（質(zhì)量分?jǐn)?shù)/%）Table 1 Chemical composition of 2024 aluminum alloy（mass fraction/%）

先用KQ-500E超聲波清洗機(jī)清洗試樣以去除表面油污，然后用去離子水沖洗，再用脫脂棉蘸無水乙醇擦洗試樣表面，冷風(fēng)吹干，用METTLER TOLEDO分析天平稱量質(zhì)量，精確到0.1 mg。保持被試表面與垂直方向成15°角。

按照GB/T 10125—2012標(biāo)準(zhǔn)，采用連續(xù)噴霧的方式進(jìn)行鹽霧實(shí)驗(yàn)，用冰乙酸調(diào)節(jié)鹽霧pH值，溫度為（35 ± 1）℃。實(shí)驗(yàn)結(jié)束后，在流水中用軟毛刷進(jìn)行清洗，以去除表面殘留的鹽和不牢固或疏松的腐蝕產(chǎn)物。用 50 mL 磷酸（ρ = 1.69 g/mL）+ 20 g 三氧化鉻（CrO3）+去離子水配置成1000 mL的溶液去除腐蝕產(chǎn)物，然后用去離子水沖洗，冷風(fēng)吹干后，稱量試樣質(zhì)量，精確到0.1 mg。利用式（1）計(jì)算質(zhì)量損耗Δm：

式中：m0為試樣鹽霧腐蝕前的質(zhì)量，g；m1為試樣鹽霧腐蝕后的質(zhì)量，g；S為試樣鹽霧腐蝕時(shí)的暴露面積，m2。

1.2 正交實(shí)驗(yàn)方案

正交實(shí)驗(yàn)設(shè)計(jì)如表2所示，將正交實(shí)驗(yàn)的9個(gè)點(diǎn)作為學(xué)習(xí)樣本集1。圖1為正交組和驗(yàn)證組在立方體中的分布圖。由圖1可以看出，9個(gè)實(shí)驗(yàn)點(diǎn)在正方體內(nèi)的分布是均衡的，在正方體的每個(gè)平面上，都恰有3個(gè)實(shí)驗(yàn)點(diǎn)；在正方體的每條線上，也都恰有1個(gè)實(shí)驗(yàn)點(diǎn)。9個(gè)實(shí)驗(yàn)點(diǎn)均衡地分布在這個(gè)立方體內(nèi)。為了驗(yàn)證RBF神經(jīng)網(wǎng)絡(luò)與正交實(shí)驗(yàn)設(shè)計(jì)相結(jié)合的方法是否能夠得到更好的預(yù)測(cè)精度，選取4個(gè)實(shí)驗(yàn)點(diǎn)作為驗(yàn)證組。驗(yàn)證組的參數(shù)選擇如表3所示。

表 2 正交實(shí)驗(yàn)設(shè)計(jì)Table 2 Orthogonal experimental design

圖 1 正交組（紅色圓形）和驗(yàn)證組（綠色三角形）Fig. 1 Orthogonal group（red circles）and verification group（green triangles）

表 3 驗(yàn)證組參數(shù)Table 3 Parameters of validation group

2 結(jié)果與分析

2.1 鹽霧實(shí)驗(yàn)質(zhì)量損耗結(jié)果分析

正交組和驗(yàn)證組的單位面積質(zhì)量損耗分別如表4、表5所示。

表 4 正交組的單位面積質(zhì)量損耗Table 4 Mass loss per unit area of orthogonal group

表 5 驗(yàn)證組的單位面積質(zhì)量損耗Table 5 Mass loss per unit area of validation group

借助Matlab建立RBF神經(jīng)網(wǎng)絡(luò)模型，以正交組的9個(gè)實(shí)驗(yàn)點(diǎn)作為RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本集1，對(duì)驗(yàn)證組進(jìn)行預(yù)測(cè)，期望誤差為0.0001。預(yù)測(cè)結(jié)果和誤差如表6所示。由表6可以看出，僅使用正交組的9個(gè)實(shí)驗(yàn)點(diǎn)進(jìn)行預(yù)測(cè)，誤差是相對(duì)較大的。為了提高預(yù)測(cè)的精度，增加立方體上剩余的5個(gè)頂點(diǎn)（如圖2所示）作為RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本集。將這5個(gè)點(diǎn)作為RBF神經(jīng)網(wǎng)絡(luò)的頂點(diǎn)補(bǔ)充組，表7給出了頂點(diǎn)補(bǔ)充組的參數(shù)選擇。將正交組和頂點(diǎn)補(bǔ)充組相結(jié)合作為RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本集2。

表 6 學(xué)習(xí)樣本集 1 的預(yù)測(cè)結(jié)果和誤差Table 6 Prediction result and error of sample set 1

圖 2 正交組（紅色圓形）、頂點(diǎn)補(bǔ)充組（藍(lán)色正方形）、驗(yàn)證組（綠色三角形）和隨機(jī)選取實(shí)驗(yàn)點(diǎn)（橙色菱形）Fig. 2 Orthogonal group（red circles）, supplementary peak group（blue squares）, verification group（green triangles）and random test points（orange rhombuses）.

表 7 頂點(diǎn)補(bǔ)充組參數(shù)Table 7 Parameters of supplementary peak group

圖2為正交租、頂點(diǎn)補(bǔ)充組、驗(yàn)證組和隨機(jī)選取實(shí)驗(yàn)點(diǎn)在立方體中的分布。從圖2可以看出，學(xué)習(xí)樣本集2包含了立方體所有的8個(gè)頂點(diǎn)，立方體中余下的點(diǎn)的實(shí)驗(yàn)條件都包含在這8個(gè)頂點(diǎn)所對(duì)應(yīng)的條件里，即用更大信息范圍的樣本集去預(yù)測(cè)信息范圍更小的樣本集。

表 8 隨機(jī)選取實(shí)驗(yàn)點(diǎn)的參數(shù)Table 8 Parameters for random selected test points

以正交組和頂點(diǎn)補(bǔ)充組組作為RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本集2，對(duì)驗(yàn)證組進(jìn)行預(yù)測(cè)。同時(shí)在立方體中隨機(jī)選取除正交組和頂點(diǎn)補(bǔ)充組之外的5個(gè)點(diǎn)與正交組作為學(xué)習(xí)樣本集3，對(duì)驗(yàn)證組進(jìn)行預(yù)測(cè)。學(xué)習(xí)樣本集2和學(xué)習(xí)樣本集3的預(yù)測(cè)結(jié)果和誤差如表9所示。

從表6和表9可以看出，學(xué)習(xí)樣本集2的預(yù)測(cè)結(jié)果和誤差要明顯優(yōu)于學(xué)習(xí)樣本集1和學(xué)習(xí)樣本集3，說明通過將正交組和頂點(diǎn)補(bǔ)充組同時(shí)作為RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)樣本集，能夠有效地提高預(yù)測(cè)精度。此外，學(xué)習(xí)樣本集3的預(yù)測(cè)結(jié)果和誤差也要優(yōu)于學(xué)習(xí)樣本集1，表明因樣本數(shù)量較大，學(xué)習(xí)樣本集3相較于學(xué)習(xí)樣本集1在一定程度上更利于提高樣本的預(yù)測(cè)精度。從圖3的三個(gè)樣本集的訓(xùn)練誤差曲線可以看出，擁有更大信息范圍的學(xué)習(xí)樣本2的訓(xùn)練次數(shù)最少。說明擁有更大信息范圍的學(xué)習(xí)樣本集2能夠以較少的訓(xùn)練次數(shù)達(dá)到期望誤差，提高時(shí)間效率。此外，學(xué)習(xí)樣本集2的誤差減小速度快，在訓(xùn)練100次左右的時(shí)候就已經(jīng)將均方誤差降低到0.001以下；學(xué)習(xí)樣本3在初期時(shí)雖然誤差減小速度也快，但因?yàn)槭芟抻跇颖拘畔⒎秶^小，導(dǎo)致后期的誤差減小速度減慢，造成訓(xùn)練次數(shù)的增加；學(xué)習(xí)樣本集1本身包含的信息范圍小，樣本數(shù)量較少，導(dǎo)致了其誤差減小速度遠(yuǎn)遠(yuǎn)小于學(xué)習(xí)樣本集2和學(xué)習(xí)樣本集3，訓(xùn)練次數(shù)大大增多。綜上所述，樣本信息范圍大的學(xué)習(xí)樣本集相較于樣本信息范圍小的學(xué)習(xí)樣本集，誤差減小速度更快，訓(xùn)練次數(shù)更少，預(yù)測(cè)精度更高。

表 9 學(xué)習(xí)樣本集 2、3 的預(yù)測(cè)結(jié)果和誤差Table 9 Prediction results and errors of sample set 2, 3

圖 3 誤差曲線圖Fig. 3 Training error curve

2.2 正交實(shí)驗(yàn)分析

正交實(shí)驗(yàn)所收集到的實(shí)驗(yàn)數(shù)據(jù)如表4所示。對(duì)所收集的數(shù)據(jù)進(jìn)行極差分析，分別計(jì)算Kjm、kjm和Rj。其中，Kjm為第j列因素m水平所對(duì)應(yīng)的實(shí)驗(yàn)指標(biāo)（即單位面積的質(zhì)量損耗）之和，kjm為Kjm的平均值。Rj為第j列因素的極差，可由式（2）得到。Rj反映了第j列因素水平波動(dòng)時(shí)，實(shí)驗(yàn)指標(biāo)的變動(dòng)幅度。Rj越大，說明該因素對(duì)實(shí)驗(yàn)指標(biāo)的影響越大。根據(jù)Rj的大小，可以判斷因素的主次順序。

式中：Max（km）和 Min（km）分別為第 j列因素的最大平均值和最小平均值。

計(jì)算得到的k值和R值如表10所示。

從表 10 看出，RpH ＞ RSalt concentration ＞ RCorrosion time，說明對(duì)2024鋁合金單位面積的質(zhì)量損耗影響最大的因素是溶液的pH值，其次是鹽霧濃度，腐蝕時(shí)間的影響最小。

表 10 極差分析的 k 值和 R 值Table 10 k and R values of range analysis

圖4為三個(gè)因素對(duì)單位面積質(zhì)量損耗的影響效果圖。從圖4可以看出，隨著溶液pH值的減小，單位面積的質(zhì)量損耗越大，這是因?yàn)槿芤旱膒H值越低，溶液中的氫離子濃度越高，溶液的酸性越強(qiáng)，溶液的腐蝕性越強(qiáng)；對(duì)于鹽霧濃度來說，隨著鹽霧濃度的增加，單位面積的質(zhì)量損耗呈現(xiàn)出先增加后減小的趨勢(shì)，在鹽霧濃度達(dá)到50 g/L左右，單位面積的質(zhì)量損耗達(dá)到最大，之后隨著鹽霧濃度的增加，單位面積的質(zhì)量損耗開始減小。這可能是因?yàn)樵诘望}霧濃度范圍內(nèi)，溶液中的氧含量隨鹽霧濃度的增加而增加，在鹽霧濃度增加到50 g/L時(shí)，氧含量達(dá)到相對(duì)的飽和，鹽霧濃度持續(xù)增加，氧含量則相應(yīng)下降。氧含量下降，氧的去極化能力也下降即腐蝕減弱；對(duì)于腐蝕時(shí)間來說，單位面積的質(zhì)量損耗隨著腐蝕時(shí)間的增長(zhǎng)而增大。這是因?yàn)楦g一直在進(jìn)行，腐蝕時(shí)間越長(zhǎng)，單位面積的質(zhì)量損耗只會(huì)更大而不會(huì)變小。因而在衡量腐蝕時(shí)間這一因素對(duì)于鹽霧實(shí)驗(yàn)的影響時(shí)，應(yīng)當(dāng)使用單位時(shí)間單位面積的質(zhì)量損耗，即單位面積的質(zhì)量損耗率，能更好地反映腐蝕時(shí)間的影響。

通過計(jì)算可得到腐蝕時(shí)間對(duì)單位面積的質(zhì)量損耗率的影響效果圖，如圖5所示。從圖5可以看出，隨著腐蝕時(shí)間的增加，單位面積的質(zhì)量損耗率呈現(xiàn)出減小的趨勢(shì)，這可能是因?yàn)殡S著腐蝕的不斷進(jìn)行，鋁合金表面覆蓋了一層腐蝕產(chǎn)物，對(duì)鋁合金基體有一定的保護(hù)作用，使得腐蝕速率降低。

圖6為編號(hào)為4、5、7的正交實(shí)驗(yàn)組的宏觀形貌圖。對(duì)比第 4 組（48 h，25 g/L，pH = 3）和第 5 組（48 h，50 g/L，pH = 5）的宏觀形貌圖，可以看出兩組試樣的表面都有紅色的腐蝕斑點(diǎn)，說明在腐蝕的過程中有Cu元素的析出。而第4組的紅色腐蝕斑點(diǎn)明顯要大于第5組，說明雖然第5組的鹽霧濃度相比第4組更有利于腐蝕的進(jìn)行，但是第4組的pH值低于第5組，酸性更強(qiáng)，對(duì)于腐蝕的促進(jìn)作用大于由于鹽霧濃度較低帶來的負(fù)面影響。而對(duì)比第 5 組（48 h，50 g/L，pH = 5）和第 7 組（72 h，25 g/L，pH = 5）的宏觀形貌圖，可以看出第 5 組試樣的表面有紅色腐蝕斑點(diǎn)，而第7組試樣的表面只有紅色斑點(diǎn)，即腐蝕過程中沒有Cu元素的析出。說明雖然第5組的試樣的腐蝕時(shí)間要比第7組的時(shí)間短，但是第5組的鹽霧濃度要優(yōu)于第7組，對(duì)于腐蝕的促進(jìn)作用相較于腐蝕時(shí)間更大[13-15]。

圖 5 腐蝕時(shí)間對(duì)單位面積的質(zhì)量損耗率影響Fig. 5 Effect of corrosion time on mass loss rate per unit area

利用3R-Anyty無線顯微鏡對(duì)腐蝕后的試樣表面進(jìn)行拍照。利用Matlab對(duì)得到的微觀形貌圖進(jìn)行二值化處理。二值圖像只有純黑和純白兩種灰度，微觀形貌圖中純黑為腐蝕坑，純白為基體[16-18]。然后利用Image-Pro圖像處理軟件對(duì)二值圖像進(jìn)行處理，可得到試樣的孔蝕率p，即

圖 6 宏觀形貌圖 （a）第4組； （b）第5組； （c）第7組Fig. 6 Macroscopic topography pictures （ a） group 4；（b）group 5； （c）group 7

圖 7 二值圖像 （a）第4組； （b）第5組； （c）第7組Fig. 7 Binary images （a）group 4； （b）group 5； （c）group 7

圖7 為編號(hào)分別4、5、7的正交實(shí)驗(yàn)組的二值圖像，通過Image-pro計(jì)算得到三組實(shí)驗(yàn)組的孔蝕率，如表11所示。從表11可以看出，第4組的孔蝕率最大，其次是第5組，最小的是第7組。說明第4組的腐蝕最嚴(yán)重，依次是第5組和第7組。綜上可得，對(duì)2024鋁合金單位面積的質(zhì)量損耗影響最大的因素是溶液的pH值，其次是鹽霧濃度，腐蝕時(shí)間的影響最小。

3 結(jié)論

（1）將RBF神經(jīng)網(wǎng)絡(luò)與正交實(shí)驗(yàn)設(shè)計(jì)相結(jié)合，將正交組和頂點(diǎn)組同時(shí)作為學(xué)習(xí)樣本集的預(yù)測(cè)結(jié)果要優(yōu)于只有正交組作為學(xué)習(xí)樣本集的預(yù)測(cè)結(jié)果。

（2）通過對(duì)正交實(shí)驗(yàn)的結(jié)果進(jìn)行極差分析，得到溶液pH值的極差最大，其次是鹽霧濃度，最小的是腐蝕時(shí)間。通過分析正交實(shí)驗(yàn)組4、5、7（pH分別為3、5、5）的宏觀形貌圖可以看出，第4組和第5組由于Cu元素的析出，表面出現(xiàn)了紅色腐蝕斑點(diǎn)，且第4組表面的紅色腐蝕斑點(diǎn)要比第5組的大，而第7組表面則沒有紅色腐蝕斑點(diǎn)，綜上說明對(duì)2024鋁合金單位面積的質(zhì)量損耗影響最大的因素是溶液的pH值，其次是鹽霧濃度，腐蝕時(shí)間的影響最小。