基于RBF神经网络法的Zr-4合金管材酸洗工艺模型

卫新民，袁改焕，李小宁

(1.西安建筑科技大学，陕西 西安 710055)

(2.国核宝钛锆业股份公司，陕西 宝鸡 721013)

基于RBF神经网络法的Zr-4合金管材酸洗工艺模型

卫新民1，2，袁改焕2，李小宁2

(1.西安建筑科技大学，陕西 西安 710055)

(2.国核宝钛锆业股份公司，陕西 宝鸡 721013)

研究了Zr-4合金管材酸洗处理过程中，酸洗去除量、酸水转换时间、冲水时间及酸洗次数对管材氟残留量的影响，并基于径向基(RBF)人工神经网络法建立了Zr-4合金管材酸洗工艺与氟残留的神经网络模型。结果表明:冲水酸水转换时间和冲水时间对氟残留量均有影响，且酸水转换时间的影响更为显著;氟残留量与酸洗次数无明显对应关系。Zr-4合金酸洗工艺的RBF神经网络模型结构为3-5-1，实际值与模拟值的相对误差为9.2%。该神经网络模型具有较高的可靠性，可为Zr-4合金酸洗工艺参数的优化提供参考。

Zr-4合金;酸洗工艺;氟残留;RBF神经网络

0 引言

锆合金具有优异的抗中子辐照性能，适中的力学性能和良好的加工性能，因此在核反应堆中作为包壳材料和核结构材料［1］。锆合金的表面状态对其在堆内的腐蚀速率影响很大，如点坑、划伤和化学污染等会加速其腐蚀。实际生产采用酸洗的方法消除锆合金表面缺陷，以获得光亮、清洁、均匀的表面。Zr-4合金酸洗过程经常使用氢氟酸，酸洗后会在锆合金表面残留氟。已有的资料表明:SGHWR反应堆曾发生的Zr-4合金包壳管穿透性腐蚀是由残留在Zr-4合金管上的氟造成的［2－3］。所以Zr-4合金酸洗工艺参数与表面氟残留数值的影响关系一直是核材料研究工作者重要的研究内容。

由于影响Zr-4合金酸洗后表面残留氟的因素较多，如酸洗去除量，酸洗时间、温度，水洗时间、温度，酸水转换时间，锆合金成分等，各影响因素之间属于高度非线性交互影响关系，用传统的回归拟合方法难以建立酸洗工艺参数与氟残留数值模型。近年来，人工神经网络(ANN)方法在处理非线性关系预测模型时得到了广泛应用。这种方法是模拟自然界中生物神经网络信息处理过程建立起来的智能处理系统，能逼近任意复杂的非线性过程，通过计算模拟出各种复杂过程的内在联系，从而实现系统之间的建模、估计、预测、诊断和自适应控制。ANN以实验数据为基础，在通过自学获取系统数学模型方面有其独特的优越性，无需预先给定熟悉公式，而是以实验数据为基础，通过有限次数的反复迭代计算，获取一个反映数据内在规律的数学模型。有报道显示，于军辉等人［4］应用误差反向传播神经网络(BPANN)技术预测了锆合金酸洗工艺中的酸水转换时间、冲水时间以及酸洗去除量对氟残留的影响。然而，BPANN用于函数逼近时，权值的调节采用负梯度下降法，这种调节权值的方式存在收敛过程相对缓慢，且网络在运算中陷入局部极小值等问题。径向基神经网络(RBFANN)则在函数逼近、学习能力及速率上均优于BPANN。因此本研究在Zr-4合金管材酸洗实验的基础上，建立起酸洗去除量、酸水转换时间、冲水时间、酸洗次数与氟残留量关系的RBFANN模型，以优化Zr-4合金管材内酸洗工艺，减少酸洗引起的氟残留，降低核电运行风险。

1 实验

1.1 实验材料及设备

实验材料为某工程用Zr-4合金管材，其名义化学成分见表1。酸洗试样长度为100 mm。酸洗液成分(体积分数)为1%～2.5%HF+20%～28%HNO3+余量去离子水。酸洗设备为内流动酸洗专用设备。氟残留检测设备为锆合金氟残留专用高温蒸煮炉和UV2550分光光度计。

表1 Zr-4合金管材名义化学成分(w/%)Table 1 Nominal chemical composition of Zr-4 alloy tube

1.2 酸洗实验

Zr-4合金管材内表面酸洗工艺流程:酸洗→热水洗→冷水冲洗→烘干。在内流动酸洗专用设备上进行酸洗，酸洗工艺参数为:酸洗去除量为5～25 μm和25～45 μm;酸水转换时间为2、8、15 s;冲水时间为60、120、180 s。在酸洗后的管材头部和尾部分别取样，用高温蒸煮炉收集Zr-4合金管材内部的氟残留物，然后用UV2550分光光度计测量氟残留量。根据测定值绘制内酸洗工艺参数与氟残留量的关系曲线。以氟残留量最小的酸洗工艺参数为基础，对Zr-4合金管材(未酸洗)分别进行1次、2次、3次酸洗，检测酸洗前后管材的氟残留量。

1.3 RBFANN模型

建立Zr-4合金管材酸洗去除量(5～25、25～45 μm)、酸水转换时间(2、8、15 s)及冲水时间(60、120、180 s)对氟残留量的RBFANN模型。模型输入层为酸洗去除量、酸水转换时间及冲水时间，输出层各参数对应的氟残留数值。目前newpnn算法、newrb算法和newgrnn算法在RBFANN模型得到了广泛的应用［5］，因此分别以这三种算法进行计算，以均方差(MSE)来描述实际值与RBFANN输出值之间的精度。下式为均方误差表达式。

式中，Ti为实测结果，Yi为网络输出值。以网络精度均方差、运算耗时以及迭代步长最小数值作为最终判定网络结构优劣的依据。

2 结果与分析

2.1 酸洗实验结果

2.1.1 酸水转换时间与管材表面氟残留量的关系

酸洗去除量、酸水转换时间和冲水时间与Zr-4合金管材表面氟残留的检测结果如图1所示。当酸洗去除量约为5～25 μm时，在冲水时间为60 s的条件下，随着酸水转换时间的延长，氟残留量逐渐增大，而在冲水时间为120 s和180 s的条件下，随着酸水转换时间的延长，氟残留量仅略有升高(图1a)。当酸洗去除量约为25～40 μm时，随着酸水转换时间的增长，氟残留量明显增大(图1b)，所以酸水转换时间是影响氟残留的主要因素。从图1也可以得出:酸水转换时间和冲水时间对氟残留量都有影响，且酸水转换时间的影响更为显著。这可能是锆合金管材表面酸洗后，残留的酸液一方面继续与管材继续反应，另一方面在管材表面蒸发、浓缩，甚至干燥沉淀。沉淀后的氟化物不溶于水或溶解非常缓慢，在随后的冲洗中很难消除［2］。从工业化生产因素考虑，冲洗时间不宜过长，所以最终确定的氟残留量最小时的酸洗工艺参数为酸洗去除量5～25 μm，酸洗转换时间为2 s，冲水时间为120 s。

2.1.2 酸洗次数与管材氟残留量的关系

在去除量约5～25 μm、酸水转换时间为2 s、冲水时间为120 s的工艺参数下，酸洗次数对氟残留的影响如图2所示。

图1 酸洗参数对管材氟残留的影响Fig.1 Effect of pickling parameters on fluorine residue

图2 酸洗次数对氟残留量的影响Fig.2 Effect of pickling times on fluorine residue

从图2可知，随着酸洗次数的增加，氟残留数值波动较大，管材分别酸洗3次后，酸洗次数与氟残留值无明显的对应关系。管材氟残留量不会随着酸洗次数的增加而叠加，只由最后一次酸洗操作带来的氟残留量决定。该结果与文献［2］研究结果一致。

2.2 RBFANN模型模拟结果

根据实验结果，酸洗次数与氟残留量无明显的对应关系，因此本次神经网络模型中以酸洗去除量、酸水转换时间、冲水时间为神经网络的输入层，以神经网络氟残留数值为输出层。表2为不同算法下的神经网络的运算结果。可以看出，基于newrb算法的RBF神经网络模型，当隐含层节点为5时，网络结构为3-5-1，均方差(MSE)为9.2%，运算耗时0.46 s。与其他算法相比，newrb算法具有收敛速度快、误差小的特点。该预测模型具有较高的可靠性，可为酸洗工艺参数优化提供参考。

表2 各种算法下的RBF神经网络运算结果Table 2 The results of RBFANN in the different algorithm

采用newrb算法，将Zr-4合金酸洗工艺参数与氟残留数值输入建立的RBFANN模型进行模拟，绘制出Zr-4合金管材酸洗工艺参数与氟残留量关系图，如图3所示。

图3 Zr-4合金酸洗参数与氟残留关系图Fig.3 Relationships between pickling parameters and fluorine present

从图3可以看出，氟残留量随着酸水转换时间的延长而增大。当酸洗去除量为5～25 μm时，氟残留量与酸水转换时间呈线性增大趋势;当酸洗去除量为25～40 μm时，氟残留量与酸水转换时间呈现非线性增大趋势。该模拟结果与实验结果相似，更加充分说明酸水转换时间对氟残留量影响较大。

3 结论

(1)酸水转换时间和冲水时间对氟残留量都有影响，且酸水转换时间的影响更为显著。

(2)酸洗次数与氟残留量无明显的对应关系。Zr-4合金管材氟残留不会随着酸洗次数的增加而叠加，只由最后一次酸洗操作决定。

(3)基于径向基(RBF)人工神经网络法建立了Zr-4合金管材酸洗工艺与氟残留的神经网络模型。模型结构为3-5-1，实际值与模拟值的相对误差为9.2%，运算耗时0.46 s。该模型具有收敛速度快、误差小的特点，可为酸洗工艺参数优化提供参考。

［1］刘建章.核结构材料［M］.北京:化学工业出版社，2007:5－7.

［2］向德光，王树人，李宝霞.酸洗工艺对锆包壳管表面氟含量的影响［C］//国产锆－4合金性能研究论文集.成都:中国核动力研究设计院，1998:143－146.

［3］李小宁，刘春光，吕培成.锆合金管材表面除氟工艺探索［J］.钛工业进展，2010，27(4):40－42.

［4］于军辉，李小宁，刘春光，等.基于人工神经网络的锆合金酸洗工艺预测模型［C］//中国有色金属工业协会钛锆分会2012锆铪年会论文集.北京:中国有色金属工业协会钛锆分会，2012:109－115.

［5］李国勇.神经模糊控制理论及应用［M］.北京:电子工业出版社，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

卫新民(1984—)，男，工程师。