李海濤, 袁 森

基于遺傳算法和BP神經網絡的海洋工程材料腐蝕預測研究

李海濤, 袁 森

(青島科技大學 信息科學與技術學院, 山東 青島 266000)

為提高海洋工程材料腐蝕速率預測的精度, 提出了一種基于遺傳算法(GA)優(yōu)化反向傳播(Back Propagation, BP)神經網絡的海洋工程材料海洋環(huán)境腐蝕速率預測模型。通過遺傳算法對BP神經網絡的權值和閾值進行優(yōu)化, 利用優(yōu)化后的BP神經網絡對試驗數(shù)據(jù)進行預測。GA-BP模型選取具有代表性的2Cr1312不銹鋼、Q235B碳鋼和6082鋁合金三種基本海洋工程材料數(shù)據(jù)進行試驗, 預測結果誤差小于傳統(tǒng)BP神經網絡, 并且在網絡訓練時間上有所縮短, 預測精度上有所提高。本模型在海洋工程材料于海洋環(huán)境中腐蝕速率的實際預測中具有良好的推廣價值。

腐蝕速率預測; GA-BP模型; 遺傳算法; 反向傳播(Back Propagation, BP)神經網絡

海洋工程材料在海洋環(huán)境中各種物理因素、化學因素以及生物因素的共同作用下, 極易發(fā)生腐蝕破壞, 海洋工程材料腐蝕在經濟上和安全上容易引發(fā)較大危害。研究海洋工程材料在海洋環(huán)境下的腐蝕規(guī)律, 對海洋開發(fā)利用, 海洋環(huán)保以及海洋裝備的制造等具有重要意義[1]。在海洋環(huán)境中, 引起海洋工程材料進行腐蝕的影響因素較多, 其影響因素與海洋工程材料的相關反應皆為非線性相關, 因此傳統(tǒng)的數(shù)學函數(shù)無法適用于該相關反應, 因此目前多采用神經網絡模型、灰關聯(lián)分析、SWM等[2]科學算法對海洋工程材料在海洋環(huán)境中的腐蝕速率進行預測, 如宋詩哲等[3]建立了海水影響因素、碳鋼合成元素以及碳鋼的腐蝕反應的人工神經網絡的腐蝕預測模型; 朱相榮等[4]將灰關聯(lián)分析應用到海水腐蝕相關性的研究; 鄧志安等[5]建立由模糊算法優(yōu)化神經網絡的模型進行腐蝕速率預測的研究; 胡松青等[6]采用采用反向傳播(Back Propagation, BP)神經網絡模型進行研究輸油管線內的腐蝕反應等。

與其他預測模型相比, BP神經網絡具有高效性和適應性, 尤其是對于非線性的、無規(guī)律的海洋工程材料腐蝕數(shù)據(jù), 在海洋工程材料的腐蝕速率研究工作中利用BP神經網絡模型, 能夠獲取到比較準確的預測結果。但是, 應用傳統(tǒng)的BP神經網絡模型容易出現(xiàn)網絡模型訓練周期較長、常常導致局部過小、誤差較實際值偏大等問題[7]。為了使上述問題得到合理性的解決, 本文研究提出將遺傳算法(GA)優(yōu)化BP神經網絡的模型應用到海洋工程材料腐蝕速率的預測中。遺傳算法的特點是全局尋優(yōu), 能夠將BP神經網絡的閾值和權值進行優(yōu)化, 避免了傳統(tǒng)BP網絡模型在數(shù)據(jù)訓練上易出現(xiàn)陷入局部極小值等問題。GA-BP網絡模型具有相對穩(wěn)定, 迭代次數(shù)較少, 與傳統(tǒng)BP神經網絡相比誤差較小等優(yōu)點。BP神經網絡和遺傳算法在人工智能方向發(fā)展已經成熟, 現(xiàn)如今使BP神經網絡和遺傳算法彼此相融合, 互補長短, 使其不僅僅具有理論上的優(yōu)勢, 在實踐中也可有長遠的應用[8]。

1 基本理論

1.1 BP神經網絡

BP神經網絡[9]是由Rumelhard和McCelland于1986年提出, 該網絡模型的構建是基于人類大腦神經網絡特征和構造的基礎, 具有自我學習和歸納等特點, 應用于各個領域中的預測研究工作中。BP神經網絡模型可以很好地模擬海洋工程材料的腐蝕速率以及與其相關的各環(huán)境要素之間的關系, 將簡單的條件輸入和結果輸出的線性相關替換為非線性相關的映射, 在計算海洋工程材料腐蝕的速率工作中, 缺少與之相匹配的計算公式并且常常困于經驗主義導致精度較低, 該模型的提出能夠很好的解決該問題。BP神經網絡模型的構建主要有三個部分: 一是BP神經網絡模型的網絡初始化, 二是前向傳播信號, 三是反向傳播誤差。BP神經網絡能夠通過訓練試驗數(shù)據(jù)對BP神經網絡結構中的閾值和權值繼續(xù)調節(jié), 可以使BP神經網絡模型的誤差平方和達到最小。然在實際的應用中, 網絡模型訓練時間較長、易陷入局部較小、誤差較實際值偏大等問題在BP神經網絡常常出現(xiàn)。BP神經網絡計算流程如圖1所示。

圖1 BP神經網絡計算流程圖

1.2 遺傳算法

遺傳算法(GA)是一種以“適者生存”為基礎的優(yōu)化算法, 具有普遍隨機性、適用性強和并行度高等優(yōu)點,利用復制、交叉、變異等操作步驟, 能夠將問題解編碼表示的“染色體”群一代代不斷進化, 從而群體收斂到最合適, 并最終獲取到目標問題的最優(yōu)解[10]。遺傳算法有著理論及實操簡易、適應性強以及限制條件約束弱等優(yōu)點, 且具有隱含并行性以及在全局尋優(yōu)的過程中有著突出優(yōu)勢, 遺傳算法能夠與其他智能算法進行融合, 該方式已在各個領域得到了全面的實際應用。遺傳算法能夠在搜索全局方面達到最優(yōu)是基于模仿自然界生物進化機制實現(xiàn)的。遺傳算法使用適者生存的原則可對所有試驗數(shù)據(jù)進行逐次操作, 通過搜索全局可得到一個與實際誤差最小的最優(yōu)方案。遺傳算法的流程如圖2所示。

圖2 遺傳算法模型

2 GA-BP模型構建

2.1 數(shù)據(jù)來源

本文的研究內容為海洋工程材料在海洋環(huán)境中的腐蝕速率預測, 特選取2Cr1312不銹鋼, Q235B碳鋼和6082鋁合金三種代表性的海洋工程材料作為本次研究的實驗對象, 該數(shù)據(jù)皆來源于中國腐蝕與防護網。對海洋工程材料的腐蝕影響因素進行研究, 以收集的環(huán)境影響因素數(shù)據(jù)為基礎, 經遺傳算法理論計算相關影響因素的影響率, 由表1影響因素的影響率表可以看出, 海洋環(huán)境中的水溫、溶解氧、鹽度、電導率、pH值和氧化還原電位等六種海洋環(huán)境影響因素在海洋工程材料腐蝕過程中與該材料的腐蝕速率有著密切聯(lián)系。

特從中國腐蝕與防護網上面選取三種基本海洋工程材料的六種基本海洋環(huán)境因素數(shù)據(jù), 共計1 350組數(shù)據(jù), 每組數(shù)據(jù)有2Cr1312不銹鋼, Q235B碳鋼和6082鋁合金三種材料, 共計4 050條數(shù)據(jù), 通過數(shù)據(jù)清洗, 去除錯誤以及冗余數(shù)據(jù)23條, 剩余4 027條數(shù)據(jù)。其中選擇4 024條數(shù)據(jù)作為模型的訓練數(shù)據(jù), 剩余數(shù)據(jù)作為2Cr1312不銹鋼, Q235B碳鋼和6082鋁合金的測試數(shù)據(jù)。2Cr1312不銹鋼環(huán)境影響因素以及相應腐蝕速率部分數(shù)據(jù)如下表2所示。將該數(shù)據(jù)輸入GA-BP網絡模型進行訓練, 與實際腐蝕速率進行相比較且與傳統(tǒng)BP神經網絡模型進行預測結果和訓練時間上進行對比。

2.2 BP模型構建

在海洋工程材料腐蝕速率預測的研究工作之中, 能夠首先得知BP神經網絡的輸入層和輸出層的節(jié)點個數(shù), 輸入層為海洋工程材料腐蝕影響因素, 影響因素包含水溫、溶解氧、鹽度、電導率、pH值和氧化還原電位共6個影響因素, 輸入層節(jié)點個數(shù)為6, 輸出層節(jié)點個數(shù)為1(腐蝕速率)。因此, 如何確定隱含層的個數(shù)成為BP神經網絡模型優(yōu)化的關鍵。可由下式獲取隱含層節(jié)點個數(shù):

表1 環(huán)境影響因素的影響率

表2 2Cr1312不銹鋼數(shù)據(jù)表

上式中,為隱含層節(jié)點個數(shù),,為輸入層及輸出層節(jié)點個數(shù),為[0-10]之間的常數(shù)。

經研究表明, 在BP神經網絡模型中的隱含層節(jié)點個數(shù)確定方面, 目前未有成熟的理論支撐, 多數(shù)從事BP神經網絡的研究人員確定隱含層的個數(shù)皆是根據(jù)以往的經驗公式獲取。

根據(jù)上述公式, 本文經過式(1)計算, 得出隱含層結點的區(qū)間范圍為[4, 11], 但由于公式具有經驗性, 導致誤差過大, 預測結果不夠準確。通過對模型進行反復試驗, 當隱含層節(jié)點個數(shù)為8時, 最終算法得到完美的收斂, 該神經網絡模型的預測精度最高, 所以最終確定隱含層節(jié)點數(shù)為8。因此構建的BP神經網絡拓撲結構為6-8-1, BP神經網絡模型構建后的結構圖如圖3所示。

圖3 BP神經網絡模型結構圖

圖3中, 影響因素為水溫、溶解氧、鹽度、電導率、pH值和氧化還原電位, IW和LW表示各層中的連接權值, 預測速率為輸出結果。

BP神經網絡模型的輸入層神經元, 通過研究選擇pH值、電導率、水溫、溶解氧、鹽度和氧化還原電位六個影響海洋工程材料腐蝕速率的環(huán)境數(shù)據(jù), 利用Sigmoid函數(shù)作為BP神經網絡模型的轉移函數(shù), 即:

BP神經網絡模型由于具有陷入局部最小的問題, 因此, 為提高模型的精準度和收斂速率, 利用Delta學習規(guī)則應用于BP神經網絡, 從而使誤差信號的目標函數(shù)達到最小:

上述公式中, ΔW()為當輸入為時的權值(與之間),y為的期望輸出值,為學習效率,O和O為神經元和的激活值。

2.3 基于GA優(yōu)化BP模型的構建

采用遺傳算法對BP神經網絡進行優(yōu)化, 主要有兩個方面表現(xiàn): 一遺傳算法具有全局尋優(yōu)的特征, 能夠優(yōu)化BP神經網絡模型的權閾值; 二是優(yōu)化網絡的拓撲結構[11]。

在對BP神經網絡模型進行訓練之前, 首先引入遺傳算法對BP神經網絡進行閾值和權值的優(yōu)化。對參數(shù)進行初始設定: 交叉概率為0.6, 變異概率為0.05, 種群規(guī)模為50, 進化代數(shù)為100。下面講述具體的優(yōu)化步驟:

1) BP神經網絡模型的閾值和權值的編碼過程是選取實數(shù)編碼方式, 網絡模型的各層神經元個數(shù)決定著編碼長度。設定BP神經網絡共三層, 輸入層、隱含層和輸出層, 通過計算得出隱含層的個數(shù), 確定6-8-1為模型的結構, 則權值的個數(shù)為6×8+8×1= 56個, 閾值的個數(shù)為8+1=9, 最終通過計算得到65為編碼長度。

2) 本次研究將種群規(guī)模設定為50。

3) BP神經網絡模型得出的實際值和結果輸出值的越接近, 那么染色體則有著優(yōu)秀的體現(xiàn), 所以染色體的適用值計算公式為:

式中表示樣本數(shù)量;為期望值;為模型輸出值。其中個體的適用度值是染色體適用值的倒數(shù)。

4) 將實驗數(shù)據(jù)進行歸一化處理是網絡模型進行訓練的前提條件, 使相關數(shù)據(jù)能夠轉化為[0, 1]之間的數(shù)是此步驟的目的, 能夠將歸一化處理的數(shù)據(jù)更好的應用于BP神經網絡模型的訓練, 最終能夠使得模型程序在進行訓練時運行時耗時減少, 提高模型的預測準確率。該步驟的公式如下所示:

上式中,max和min分別是該樣品數(shù)據(jù)的最大值和最小值。

5) 在Matlab中, 選取其中的遺傳算法工具箱, 利用該工具箱進行優(yōu)化操作, 通過工具箱解碼獲取到的種群最優(yōu)個體的最優(yōu)解, 優(yōu)化后的BP神經網絡模型的初始閾值和權值能夠通過此步驟得到, 目的為優(yōu)化BP神經網絡模型。

6) 多次訓練網絡模型獲得最優(yōu)解, 獲取最優(yōu)BP神經網絡模型的閾值和權值。

2.4 網絡模型構建

在BP神經網絡模型基礎上, 應用Matlab數(shù)學建模工具, 建立實現(xiàn)GA-BP網絡模型的實現(xiàn)程序, 將相關輸入條件從已知的樣本數(shù)據(jù)中提取, 并將其整合為最簡屬性集合, 從而構建神經網絡并將該集合作為神經網絡輸入節(jié)點, 并在環(huán)境影響因素和材料腐蝕速率之間建模, 并對數(shù)據(jù)進行訓練。構建后的GA-BP網絡預測模型流程圖如圖4所示。

圖4 網絡預測模型流程圖

3 模型訓練及分析

3.1 模型訓練

將海洋工程材料2Cr1312不銹鋼、Q235B碳鋼和6082鋁合金共計4 027條數(shù)據(jù)作為訓練數(shù)據(jù)輸入GA-BP網絡模型進行訓練。將2Cr1312不銹鋼、Q235B碳鋼和6082鋁合金的水溫、溶解氧、鹽度、電導率、pH值和氧化還原電位作為輸入數(shù)據(jù), 輸入的閾值和權值由遺傳算法優(yōu)化獲得, 利用Matlab分別編寫傳統(tǒng)BP神經網絡模型和GA-BP網絡模型函數(shù), 輸入層與隱含層之間的傳輸函數(shù)選用Matlab中的Sigmod函數(shù), 隱含層與輸出層之間的傳輸函數(shù)選用Matlab中purelin函數(shù), 學習函數(shù)采用“trainbr”進行訓練。

神經網絡學習效率為0.50, 誤差容量為0.000 01, 訓練次數(shù)為10 000; 遺傳算法(GA)的染色體編碼長度=6×8+8×1+8+1=65, 種群規(guī)模設定為50, 交叉概率設定為0.6, 變異概率設為設定為0.05, 經過多次試驗迭代次數(shù)設定為100, 確保能通過遺傳算法(GA)尋找到最優(yōu)的初始化參數(shù)。

在Matlab環(huán)境下將構建完成的GA-BP神經網絡模型進行訓練, 模型經過90余次訓練, 神經網絡模型誤差可達到0.000 01精度要求; 而傳統(tǒng)的BP神經網絡卻經過4 000余次才達到0.000 01的精度要求。因此可以看出, GA-BP神經網絡模型可以很好的擬合海洋工程材料腐蝕相關數(shù)據(jù), 預測效果較好。

3.2 實例分析

將2Cr1312不銹鋼, Q235B碳鋼和6082鋁合金的測試數(shù)據(jù)輸入訓練好的傳統(tǒng)BP神經網絡模型和GA-BP模型, 可得出下表3中的2Cr1312不銹鋼, Q235B碳鋼和6082鋁合金的預測值, 由表3可以看出, 與2Cr1312不銹鋼, Q235B碳鋼和6082鋁合金實際腐蝕速率相比較, 和實際腐蝕速率數(shù)值相吻合, 同時可以看出利用GA-BP網絡模型比傳統(tǒng)BP神經網絡模型相對誤差較小, 且訓練時間相對較短。

表3 三種海洋工程材料預測結果比較

4 結論

本文通過將遺傳算法和BP神經網絡相融合, 使兩種算法優(yōu)勢互補進行的可行性研究。利用BP神經網絡結合遺傳算法對2Cr1312不銹鋼, Q235B碳鋼和6082鋁合金海洋工程材料環(huán)境數(shù)據(jù)進行訓練, 形成的網絡模型在應用于海洋工程材料在海水環(huán)境中的腐蝕速率預測中, 可使預測結果誤差相對變小、平均耗時時間相對縮短, 同時海洋工程材料海水腐蝕速率預測使用該模型可大大提高實際的預測準確率。在海洋工程材料處于海洋環(huán)境中的腐蝕速率預測等研究工作中, 使用基于遺傳算法優(yōu)化后的BP神經網絡模型, 能夠減少危害性, 具有一定的擴展性、應用性以及推廣價值。

[1] 劉學慶. 海洋環(huán)境工程鋼材腐蝕行為與預測模型的研究[D]. 青島: 中國科學院海洋研究所, 2004. Liu Xueqing. Study on Corrosion Behavior and Prediction Model of Steel for Marine Environmental Enginee-ring[D]. Qingdao: Institute of Oceanology, Chinese Academy of Sciences, 2004.

[2] 李響, 余建星, 苗春生, 等. 基于遺傳算法SVM的海洋環(huán)境腐蝕速率預測[J]. 中國海洋平臺, 2018, 33(5): 56-62. Li Xiang, Yu Jianxing, Miao Chunsheng, et al. Corrosion rate prediction of marine environment based ongenetic algorithm SVM[J]. China Offshore Platform, 2018, 33(5): 56-62.

[3] 宋來洲, 高志明, 宋詩哲. 人工神經網絡優(yōu)化碳鋼表面TiO_2修飾膜制備工藝[J]. 中國腐蝕與防護學報, 2001, 2: 38-42. Song Laizhou, Gao Zhiming, Song Shizhe. Optimization of preparation process of TiO_2 mod-ified film on carbon scteel surface by artificial neural network[J]. Journal of Chinese Society for Corrosion and protection, 2001, 2: 38-42.

[4] 朱相榮, 張啟富. 海水中鋼鐵腐蝕與環(huán)境因素的灰關聯(lián)分析[J]. 海洋科學, 2000, 24(5): 37-40. Zhu Xiangrong, Zhang Qifu. Grey correlation analysis of steel corrosion and environmental factors in seawater[J]. Marine Sciences, 2000, 24(5): 37-40.

[5] 鄧志安, 李姝儀, 李曉坤, 等. 基于模糊神經網絡的海洋管線腐蝕速率預測新方法[J]. 中國腐蝕與防護學報, 2015, 35(6): 571-576. Deng Zhian, Li Shuyi, Li Xiaokun, et al. A new method for predicting corrosion rate of marine pipelines based on fuzzy neural network[J]. Journal of Chinese Society for Corrosion and protection, 2015, 35(6): 571-576.

[6] 胡松青, 石鑫, 胡建春, 等. 基于BP神經網絡的輸油管道內腐蝕速率預測模型[J]. 油氣儲運, 2010, 29(6): 1-3. Hu Songqing, Shi Xin, Hu Jianchun, et al. Prediction model of corrosion rate in oil pipelines based on BP neural network[J]. Oil & Gas Storage and Transportation, 2010, 29(6): 1-3.

[7] 宋偉偉, 董彩常, 張波. 人工神經網絡在我國海水腐蝕中的應用[J]. 腐蝕與防護, 2012, 33(8): 668-671, 694. Song Weiwei, Dong Caichang, Zhang Bo. Application of artificial neural network in seawater corrosion in China[J]. Corrosion and Protection, 2012, 33(8): 668-671, 694.

[8] 李昕, 王原嵩, 陳嚴飛. GA-BP人工神經網絡應用于海底腐蝕管道極限承載力的研究[J]. 中國海洋平臺, 2009, 24(4): 43-49. Li Xin, Wang Yuansong, Chen Yanfei. Application of GA-BP artificial neural network to ultimate bearing capacity of submarine corrosion pipelines[J]. China Offshore Platform, 2009, 24(4): 43-49.

[9] 李麗, 李曉剛, 邢士波, 等. BP人工神經網絡對國內典型地區(qū)碳鋼土壤腐蝕的預測研究[J], 2013, 25(5): 2-5. Li Li, Li Xiaogang, Xing Shibo, et al. Prediction of Carbon Steel Soil Corrosion in Typical Areas of China-Using BP Artificial Neural Network[J]. 2013, 25(5): 2-5.

[10] Steinberg D, Colla P. CART: Classification and regression trees[J]. The Top Ten Algorithms in Data Mining, 2009, 13(2): 177-179.

[11] 向乃瑞, 閆海, 王煒, 等. GA-BP神經網絡預測金屬腐蝕速率[J]. 電力學報, 2018, 33(1): 1-6. Xiang Nairui, Yan Hai, Wang Wei, et al. GA-BP neural network predicts metal corrosion rate[J]. Journal of Electric Power, 2018, 33(1): 1-6.

Corrosion prediction of marine engineering materials based on genetic algorithm and BP neural network

LI Hai-tao, YUAN Sen

(College of Information Science and Technology, Qingdao University of Science and Technology, Qingdao 266000, China)

A model based on back propagation (BP) neural network optimized using a genetic algorithm (GA) was proposed to improve the accuracy of corrosion rate prediction of Marine engineering materials. The weights and thresholds of the BP neural network were optimized using the genetic algorithm, and the optimized BP neural network was used to predict the experimental data. The GA–BP model selected the representative data of 2Cr1312 stainless steel, Q235B carbon steel, and 6082 aluminum alloy as the basic Marine engineering materials for the experiment. The prediction results error was smaller than that of the standard BP neural network. The training time of the network was reduced, and the prediction accuracy increased. This model has good value in realistic prediction of corrosion rate of Marine engineering materials in Marine environment.

corrosion rate prediction; GA–BP model; genetic algorithm; BP neural network

Nov. 18, 2019

TG172

A

1000-3096(2020)10-0033-06

10.11759/hykx20191118003

2019-11-18;

2020-02-13

青島市創(chuàng)新創(chuàng)業(yè)領軍人才(15-07-03-0030); 農業(yè)部水產養(yǎng)殖數(shù)字建設試點項目(2017-A2131-130209-K0104-004)

[Qingdao Innovation and Entrepreneur Leading Talents, No. 15-07-03-0030; Pilot project of digitalagriculture construction in Ministry of Agriculture, No. 2017-A2131-130209-K0104-004]

李海濤(1978-), 男, 山東菏澤人, 副教授, 博士, 研究方向為智慧海洋工程、地理信息系統(tǒng), 電話: 13805422639, E-mail: taohaili@sina.com; 袁森,通信作者, 電話: 17860749803, E-mail: 1142073116@qq.com

(本文編輯:康亦兼)