基于碳钢和低合金钢16年海水暴露腐蚀数据的神经网络预测模型

杜翠微赵研研李磊李晓刚（北京科技大学腐蚀与防护中心）

金属材料的海水腐蚀规律十分复杂，其腐蚀关系是非线性的，即同一种金属在不同的环境条件下有不同的腐蚀规律，在相同的环境条件下不同的金属也可能存在着不同的腐蚀规律。因此，利用已有的金属材料海水腐蚀数据预测未知海区金属材料的腐蚀行为，掌握其未来变化规律，对防腐工程设计、制定材料防腐规范和标准、保证设备和工程构件的安全使用具有重要意义[1~2]。腐蚀科技工作者相继提出了用于对碳钢及低合金钢的海水腐蚀预测的数学模型，如：指数模型、灰色系统模型，近年来，人工神经网络方法并成为材料环境腐蚀行为与使用寿命预测研究中的热点。在海水腐蚀领域，利用已知海水网站腐蚀速率数据预测未知地区碳钢、低合金钢海水腐蚀速率在国内尚不完善。利用人工神经网络技术，综合各种数学模型，预测碳钢及低合金钢海水腐蚀，十分重要的研究。近年来，人们开始逐渐将神经网络用于腐蚀领域，并取得了一定的研究成果[3~4]ynie和Upham[5]碳钢大气腐蚀的二氧化硫模型，但模型没有考虑其他重要因素影响。Pintos等[6]用神经网络技术对南美洲大气腐蚀进行了预测，其平方误差要小于线性回归模型。Leifer J和Zapp P E等[7]建立了存贮放射性废料的碳钢罐发生点蚀的危险程度，结果证明神经网络预测结果要比对数回归有更高的精度。杨晓明利用人工神经网络BP算法建立了海水环境对A3钢的腐蚀作用模型，用该模型预测了新海域环境下金属的腐蚀速度。宋诗哲[8~9]网络方法建立了碳钢和低合金钢海水腐蚀与合金成分、海水因素间的模型。训练网络的标准样本选用海水长期浸泡实验的碳钢和低合金钢腐蚀数据，材料的合金成分及海水主要腐蚀因素作为网络的输入，浸泡1、2、4、8年的平均腐蚀深度作为网络的标准样本输出值。从碳钢和低合金钢平均腐蚀深度与合金成分的模型中观察到，Al和Ni可有效地抑制腐蚀的进行，长期浸泡Mo可以在一定程度上抑制腐蚀，Cr和Mn的存在对于合金长期使用不利。刘学庆等[58]使用电化学方法测定了不同海水状态下3C钢的腐蚀速度 ,并采用人工神经网络分析了海水环境参数与腐蚀速度的相关性，建立了用于预测3C钢在海水中腐蚀速度的人工神经网络模型。 该方法在监测与评价区域海洋环境腐蚀性方面具有实际应用价值。

这些工作表明，借助于神经网络，可以用腐蚀试验室数据来预测材料在实际使用中的性能和行为，有效解决腐蚀试验室数据与材料实际使用结果相脱节的难题。但现有的研究仅针对数量很少或短期的海水腐蚀性数据进行评价，不能完整地体现海水的腐蚀性。本文通过对国家腐蚀试验站16年长周期的大量腐蚀数据的神经网络分析计算，建立了基于16年海水暴露的人工神经网络腐蚀预测模型，不仅能够更为准确地对碳钢低合金钢在我国海水中的腐蚀性进行评价，而且可以较为准确地预测其海水腐蚀行为与规律。

表1 我国各海区的主要环境因素（年平均）

表2 材料牌号及其编号对照表

1 研究方法

我国现在共有四个典型的海水腐蚀试验站，分别位于青岛，厦门，榆林和舟山，代表了不同海域典型港湾的环境因素特征。本文以我国海水试验站长期以来积累的海水腐蚀数据为基础，采用神经网络技术，运用Matlab、VB编程语言及计算机技术进行数据处理与建模。

1.1 金属材料海水腐蚀数据

1.1.1 海水环境条件

选取青岛、榆林、厦门、舟山等的有代表性的地区，代表我国不同海域典型海水的环境因素特征，从而对材料的海水腐蚀性能做出较为全面可靠的判断。我国各海区的主要环境因素表1。

1.1.2 试验材料本文建模数据来源于国家自然科学基金委员会重大项目“材料自然环境腐蚀”积累的16年海水腐蚀数据，积累的62种金属和涂镀层材料（1173片）在四个网站的全浸、潮差、飞溅区16年 （舟山8年）海水腐蚀数据4692个，并定期测试了四个站的海水环境因素2400个。其中碳钢及低合金钢有19种，本文将其编号如表2所示

1.1 计算机技术

本工作采用Matlab编程语言编写模型程序，Visual Basic语言进行系统界面的开发。其中的神经网络工具箱是Mathworks公司最新推出的MATLAB6.x高性能可视化数值计算软件的组成部分。它主要针对神经网络系统的分析与设计，提供了大量可供直接调用的工具箱函数、图形界面函数和Simulink仿真工具，是进行神经网络系统分析与设计的绝佳工具，设计思想如图1所示。

2 结果与讨论

2.1 不含环境因素神经网络模型

不含环境因素的神经网络模型主要是在预测未知地区环境因素的条件下对金属的腐蚀趋势定性的评估。另外，系统还能够分析各合金元素对金属腐蚀的影响，对不同金属的腐蚀速率分析对比。

2.1.1 模型构建

1）学习样本的选择

以国家海水腐蚀试验站积累的青岛、厦门、榆林几个海水腐蚀试验站16年的腐蚀数据建模。试验钢种共有19种。选定1#A3钢和15#10CrCu-SiV低合金钢为检验样本，其余17种材料1、2、4、8、16年的腐蚀数据为训练样本各地区分别训练。

2）输入因子的选择

输入因子为金属材料10种主要合金元素含量，合金元素见表3。输出为材料分别在1、2、4、8、16年的腐蚀速率。即输入节点数为10，输出节点数为5。

表3 碳钢及低合金钢主要合金元素表

3）网络结构的确定

采用3层BP神经网络结构，第一层为输入层，中间为隐含层，第三为输出层，相邻两侧的神经元之间相互连接，各层内的神经元之间无连接。

4）输入层神经元变换函数的选用

在本模型中输出层的传递函数为线性函数或者S型函数，隐含层的传递函数采用对数S型函数。

综上所述，不含环境因素人工神经网络模型的拓扑结构如图2所示。

2.1.2 训练结果

当上述因素确定以后，对神经网络进行训练。训练网络使用的是Matlab软件中所提供的神经网络工具箱。

网络中间层神经元数目预选为5，传递函数类型为sigmoid，输出层传递函数为S型函数，训练函数为trainlm。输出系统目标误差取10-5，训练步数为 3×105。

以经过学习的模型作为预测模型，将1#A3钢和15#10CrCuSiV合金的元素成分输入，得出1#，15#的神经网络预测结果见表4。除对第一年腐蚀速率误差较大，基本能够反应该金属的腐蚀趋势。其中，A3钢在海水的腐蚀速率随着暴露时间而减小，10CrCuSiV钢腐蚀速率在4年之后腐蚀速率变大，出现“逆转”现象，与实际现象符合。

从不含环境因素的神经网络模型的训练及预测过程可以得出以下结果：

1）对与网络模型其隐含层数越多训练结果越贴近实际值。但是隐含层数增多，训练时间加长且非训练点的输出值误差增大。因此选择模型的原则是：在达到精度的情况下，隐含层数尽可能的少。

2）应用结果表明，用人工神经网络的方法预测的结果基本反映金属在海水全浸区腐蚀速率变化的规律，具有一定的应用价值。

2.2 含环境因素神经网络模型

本工作根据我国海水腐蚀试验站积累的数据，将BP人工神经网络技术应用于碳钢及低合金钢海水腐蚀预测的研究中。通过训练网络建立了海水环境腐蚀性因素及合金元素对海水腐蚀速率的关系，探讨了环境腐蚀性因素的选择、合金元素及网络输出层的变换函数对预测结果精度的影响。

表4 青岛地区不含环境因素神经网络模型预测结果

考虑到学习样本对腐蚀预测结果的影响，本文拟建立含环境因素的神经网络模型I和含环境因素的神经网络模型II两种神经网络模型。

其中，含环境因素的神经网络模型I用于预测已知环境因素的地区的金属腐蚀速率。输入因子为海水腐蚀站点主要环境因素：温度、海水中溶氧量、pH、盐度和生物影响因素，输出为金属平均腐蚀率。由于各试验金属的性质不同，因此需要分别对每个金属分别构建神经网络模型。即输入节点数为5，输出值为平均腐蚀速度，输出层节点数为1。

含环境因素的神经网络II是对金属所知条件较多的情况下进行较为精确预测的模型。输入因子包括合金成分因素及环境因素。 即 Cu、Cr、Mn、Al、P、S、Si、Mo和V等10种成份及温度、海水中溶氧量、pH、盐度和生物影响因素。即输入节点数为15，输出值为平均腐蚀速度，输出层节点数为1。

2.2.1 含环境因素神经网络模型I

1）模型构建

（1）学习样本的选择

以国家海水腐蚀试验站积累的青岛、厦门、榆林三个海水腐蚀试验站16年的腐蚀数据建模。试验钢种共有19种，编号如表2所示。

（2）输入因子的选择

前文将海水环境因子与平均腐蚀数率的灰关联分析表明，温度、海水中溶氧量、pH、盐度和生物附着对碳钢及低合金钢的腐蚀都有较大的影响，是影响碳钢及低合金钢的主要环境因素。其中对于均匀腐蚀而言，溶解氧、pH值、盐度是最主要的因素。因此对于含环境因素的神经网络的输入因子的选择，本工作将温度、海水中溶氧量、pH、盐度和生物附着都纳入其中。

（3）网络结构的确定

采用3层BP神经网络结构，第一层为输入层，中间为隐含层，第三为输出层，相邻两侧的神经元之间相互连接，各层内的神经元之间无连接。不同的钢种人工神经网络的结构选用有所不同。

虽然增加层数可以更进一步的降低误差，提高精度，但使网络复杂化，增加网络的训练时间，因此本模型采取较为简洁的3层神经网络。而误差精度的提高通过增加隐含层的神经元数来获得。隐含层中神经元的数量在理论上没有一个明确的规定，数量太少，网络不够健壮，误差收敛速度慢，误差较大；而数量太多，造成训练时间加长，容易过度拟合，误差不一定最佳。网络结构对神经元数量是比较敏感的，因此通过对不同神经元数进行训练比较对比，确定最佳的神经元数。

（4）输入层神经元变换函数的选用

对于含环境因素神经网络I，各钢种网络隐含层中的神经元均采用sigmoid型变换函数，但是输出层神经元变换函数有所不同。如果BP网络的最后一层是sigmoid型函数，那么整个网络的输出就限制在一个较小的范围内；如果BP网络的最后一层是纯线性函数purelin，那么整个网络的输出可以取任意值。由于金属材料大气腐蚀是一个复杂的非线性系统，通常输出层神经元变换函数选用sigmoid型变换函数，预测结构较接近实际值。但是，某些金属材料，则采用纯线性函数purelin比较好。最终确定各个钢种的网络I结构及输出层神经元变换函数如表5所示。模型拓扑结构见图3。

表5 人工神经网络模型I结构与输出层神经元传递函数

2.2.3 含环境因素神经网络模型II

1）模型构建

（1）学习样本的选择

以国家海水腐蚀试验站积累的青岛、厦门、榆林几个海水腐蚀试验站16年的腐蚀数据建模。试验钢种共有19种，编号如表2所示。以1#A3碳钢和15#10CrCuSiV低合金钢为检验样本，其余17种材料 1、2、4、8、16年的腐蚀数据为训练样本。

（2）输入因子的选择

输入因子包括合金成分因素及环境因素。即Cu、Cr、Mn、AL、P、S、Si、 Mo 和 V 等 10 种主要合金成份及温度、海水中溶氧量、pH、盐度和生物影响因素。即输入节点数为15，输出值为平均腐蚀速度，输出层节点数为1。

（3）网络结构的确定

采用3层BP神经网络结构，第一层为输入层，中间为隐含层，第三为输出层，相邻两侧的神经元之间相互连接，各层内的神经元之间无连接。不同的钢种人工神经网络的结构选用有所不同。

（4）输入层神经元变换函数的选用

对于含环境因素神经网络II，采用的神经网络结构是15-15-1。隐含层中的神经元采用sigmoid型变换函数，输出层神经元变换函数也选用sig-moid型变换函数。

含环境因素的人工神经网络模型II的拓扑结构见图4。

2）预测结果

以经过学习的模型作为预测模型，将检验样本1#A3钢和15#10CrCuSiV。得出1#，15#的神经网络预测结果见表6～8。

表6 青岛地区神经网络模型预测结果

表7 厦门地区神经网络模型预测结果

表8 榆林地区神经网络模型预测结果

2.2.4 讨论

1）神经网络预测精度

模型I和模型II预测结果较好地反映了1#和15#金属材料腐蚀的实际情况。其相对误差基本在20%以内，具有较好的预测精度。可以认为所建立的网络模型有较强的参考性。

表9 舟山地区1、2、4、8、16年金属腐蚀速率实测值与人工神经网络模型预测值的比较

2）含环境因素的神经网络I与II比较

利用训练好的神经网络I和神经网络II对舟山地区金属的腐蚀速率进行预测的结果进行比较如表9所示。

比较两种模型的预测结果，分析两种模型精度差别的原因可能有以下几种：

（1）输入因子的影响

由结果可见，模型II要比模型I精确度高。输入因子的增加有利于提高预测精确度，并且合金元素和环境因子都对金属海水腐蚀有一定的影响，单独考虑一个方面是不准确的。另外，从含环境因素神经网络模型I和不含神经网络模型比较可知，环境因素是影响金属海水腐蚀的主要方面，掌握环境因素即可比较准确地掌握金属腐蚀的趋势。因此，在不能很全面的掌握材料环境资料时，不含环境因素的神经网络模型可以作为参考。而含环境因素神经网络模型I则基本可以作为含环境因素神经网络模型II的简化模型使用。

但是，模型II对输入因子要求较苛刻，需要较多的输入因子。模型总的预测精度稍弱，这种误差很可能是由于网络学习样本中所采用的输入因子较少或者是训练样本的准确性和代表性不够引起的。模型I、II的预测结果表现出的规律与实测值都是相一致的。

（2）合金元素的影响

模型较为准确地反映了金属在海水全浸区的腐蚀行为。例如铬钢在全浸区的腐蚀行为与碳钢不同，发生耐蚀性“逆转”现象。不同铬钢的腐蚀行为也有明显差别。铬钢的腐蚀行为与合金元素有关，也与各试验地点的环境因素有关。预测结果较好地反映了这一点。

另外，在钢中加入少量的 Mn、Si、P、Cu、Al、Mo、Nb、V等或它们复合对钢耐海水腐蚀性的影响很小。模型I和模型II在预测结果相差不大，验证了影响碳钢及低合金钢海水全浸区腐蚀的主要是环境因素，上述合金元素作用较小。以上结果，在文献13中有所讨论，但是本文结果更加全面。

（3）网络输出层神经元变换函数对预测结果的影响

以A3钢为例，使用模型I预测了金属在舟山地区1、2、4、8、16年的腐蚀速率。 表10中列出了输入层变换函数使用sigmoid型函数和纯线性函数purlin对预测结果的影响。从表中可以看出，对于A3钢，使用sigmoid函数作为输出层变换函数后，网络预测结果精度明显比纯线性purelin函数

表10 不同网络输出层神经元变换函数对预测结果的影响（A3）,mm/a

低。对于某些金属，如16MnQ使用S型函数作为输出层变换函数较好。因此，输出层神经元变换函数依实际情况分别使用sigmoid和purelin函数。

综上所述，人工神经网络模型预测结果与实测值基本吻合，两者偏差均在可接受范围内，人工神经网络技术在海水腐蚀预测中的应用是可行的，具有良好的参考价值和推广价值。另外，输入因子的选择、输出神经元的变换函数、隐含层节点数的确定等都可以为以后神经网络建模提供经验。

3 结论

（1）对碳钢及低合金钢常用的海水腐蚀预测模型进行了研究，建立了不含环境因素的神经网络预测模型，对学习样本的拟合结果精度达到95%以上，对未来数据的预测精度较差。部分合金成分数据的缺少是造成模型误差的主要原因。总体而言，模型能够正确反映金属材料的合金成分与海水腐蚀速率的关系，可以进行金属材料海水环境腐蚀速率的长期预测。

（2）对碳钢及低合金钢常用的海水腐蚀预测模型进行了研究，建立了含环境因素的神经网络预测模型I和II。对未来数据的预测精度在80%以上，其中模型I精度比II要低。结果表明输入因子的增加有利于提高预测精确度，并且合金元素和环境因子都对金属海水腐蚀有一定的影响，单独考虑一个方面是不准确的。其中环境因素是影响金属海水腐蚀的主要方面，掌握环境因素即可比较准确地掌握金属腐蚀的趋势。模型II对输入因子要求较苛刻，需要较多的输入因子。在不能很全面的掌握材料环境资料时，不含环境因素的神经网络模型可以作为参考。

（3）模型总的预测精度稍弱，这种误差可能是由于网络学习样本中所采用的输入因子较少，即训练样本的数量不足和代表性不够引起的。但是模型I、II的预测结果表现出的规律与实测值都是相一致的。

致谢：本工作得到科技部科技条件平台建设重大项目（2005DTA10400）和国家自然科学基金重大项目（50499333）的支持，特此致谢！训练数据来源于国家自然环境腐蚀海水台站，特此致谢！

[1]曹楚南．中国材料的自然环境腐蚀．北京：化学工业出版社，2005：211

[2]王光雍，王海江，李兴濂，等．自然环境的腐蚀与防护．北京：化学工业出版社，1997：45～46

[3]H M G Smets,W F L Bogaerts．SCC analysis of austenitic stainless steels in chloride-bearing water by neural network techniques．Corrosion,1992,48(8)：618

[4]Cai J P,Cottis R A,Lyon S B．Phenomenological modeling of atmospheric corrosion using an artificial neural network．Corrosion Science,1999,41(110)：2001～2030

[5]F H Haynie,J P Upham．Effects of atmospheric pollutants on corrosion behavior of steels．Material Perform,1971,10(11)：18

[6]S Pintos,N V Queipo,O T D Rincon et al．Artifical neural network modeling of atmospheric corrosion in the MICAT project．Corrosion Science,2000,42(1)：35

[7]J Leifer,P E Zapp,J I Michalonis．Predictive models for determination of pitting corrosion versus inhibitor concentrations and temperature for radioactive sludage in carbon steel waste tanks．Corrosion,1999,55(1)：31

[8]宋诗哲．神经网络在海洋腐蚀中的应用．中国腐蚀与防护学报，1997，(3)：45

[9]孔德英，宋诗哲．人工神经网络技术探讨碳钢、低合金钢的实海腐蚀规律．中国腐蚀与防护学报，1998，18（4）：289

[10]刘学庆，唐晓，王佳．3C钢腐蚀速度与海水环境参数关系的人工神经网络分析．中国腐蚀与防护学报，2005，25（1）：11～14

[11]楼顺天，陈生潭．Matlab5.X程序设计语言．西安：西安电子科技大学出版社，2000：132～142

[12]张崇明，汪春梅，朱品昌等．使用 Java扩展Matlab．计算机工程设计，2006，27（9）：1563～1569

[13]杜翠微，赵研研，李晓刚等，神经网络在海水腐蚀预测中的应用，装备环境工程，2007，4（3）：85～87