基于BP神经网络模型的Ni-SiC纳米镀层耐磨性能预测研究*

李心源，马春阳，赵旭东

(1. 大庆师范学院 信息中心 黑龙江 大庆 163712;2. 东北石油大学 机械科学与工程学院， 黑龙江 大庆 163318)

0 引 言

近年来，Ni-SiC纳米镀层以其高硬度、耐磨性、耐腐蚀性及抗高温氧化性等特点，被广泛应用于机械、石油、航空、医学、化工、军事等领域[1-6]。纳米镀层是由特征维度尺寸为纳米级(1～100 nm)的不溶性粒子镶嵌于一种或多种基体金属中所形成的金属基纳米复合材料，目前制备纳米镀层的方法有很多种，因超声辅助电沉积技术具有设备简单、电沉积效率高、耗能少等优点，现已被广泛应用于纳米镀层的制备中[7-12]。BP(Back Propagation)神经网络模型是一种通过数据正向传播、误差反向传递方式，来求得非线性连续函数的人工神经网络模型，此模型非常适用于解决不突出规律性或工艺参数变量多的科学问题，目前已逐渐应用于纳米镀层的性能预测[13-15]。为此，本文采用超声电沉积制得Ni-SiC纳米镀层，并利用BP神经网络模型对其耐磨性进行测试和分析。此外，本文将利用扫描电镜、原子力显微镜和X射线衍射仪观察和测试Ni-SiC纳米镀层组织结构和成分。

1 实 验

1.1 实验材料及工艺参数

采用超声电沉积，在40Cr钢表面制备Ni-SiC纳米镀层。选用镍板(纯度大于99%)作为阳极，40Cr钢(尺寸为30 mm×20 mm×10 mm)作为阴极，复合镀液组成及制备工艺见表1。

表1 复合镀液组成及工艺参数Table 1 Bath composition and plating parameters

1.2 表 征

Ni-SiC纳米镀层的磨损试验在UMT-2型摩擦磨损试验机上进行，其磨损质量在精度为0.1 mg的AUW220型电子分析天平进行测量。利用JSM-6460LV型扫描电镜(SEM)、Nanoscope Ⅲa型原子力显微镜(AFM)和XRD-6000型X射线衍射仪(XRD)检测超声电沉积Ni-SiC纳米镀层的微观组织结构和成分。

1.3 BP神经网络模型

一般而言，BP神经网络模型是由输入层、输出层及隐含层组成，本文采用SiC粒子浓度(X1)、电流密度(X2)和温度(X3)作为BP神经网络模型的输入层，采用Ni-SiC纳米镀层的磨损量(Y)作为输出层，本BP神经网络模型的结构如图1所示。在进行BP神经网络建模时，因Sigmoid函数具有通用性好、训练效果好以及计算误差小等优点，故本BP神经网络模型隐含层的激励函数采用Sigmoid函数，其计算公式如下：

(1)

图1 BP神经网络模型的结构图Fig 1 Schematic of BP artificial neural network model

2 结果与讨论

2.1 BP神经网络模型训练

图2为BP神经网络模型的神经元数和隐含层数对模型均方根误差的影响规律。当隐含层数和神经元数分别为1和8时，BP神经网络模型的均方根误差最小，其最小值为1.24%。故本文选用3×8×1结构的BP神经网络模型对Ni-SiC纳米镀层耐磨性能进行预测。可利用卡方拟合度检验法计算BP神经网络模型的预测值与实验值拟合度，其结果为该BP神经网络模型的拟合相似度R=0.9992，拟合效果如图3所示。

图2 神经元数和隐含层对BP神经网络均方根误差的影响Fig 2 Influence of different number of neurons and hidden layer on the root mean square error of BP neural network

图3 预测值与实验值拟合曲线Fig 3 The fitting curve between predicted value and experimental value

2.2 BP神经网络模型预测

以表2中的1～20组数据为训练样本，用3×8×1结构的BP神经网络模型进行训练，从而建立基于BP神经网络的Ni-SiC纳米镀层耐磨性能预测模型，图4为该模型对Ni-SiC纳米镀层磨损性能的预测结果。在建立好BP神经网络模型后，选取表2中的后10组数据作为测试样本，对超声电沉积Ni-SiC纳米镀层的磨损量进行预测和分析，以此验证BP神经网络模型的可靠性，其预测结果见表3。由表3可见，该BP神经网络模型的预测值与实验值的最大相对误差为1.51%。

表2 制备Ni-SiC纳米镀层的不同工艺参数Table 2 Different parameters for preparation of Ni-SiC nanocoatings

图4 BP神经网络预测结果Fig 4 The prediction results of BP neural network

表3 BP神经网络预测结果Table 3 Prediction results of BP neural network

2.3 镀层表征

图5为不同工艺参数下超声电沉积Ni-SiC纳米镀层的SEM图，当采用SiC粒子浓度4 g/L、电流密度1 A/dm2、温度20 ℃时，Ni-SiC纳米镀层表面起伏较大，镍晶粒尺寸粗大。另外，镀层表面的SiC粒子(图5a中白色颗粒)团聚现象明显，且SiC粒子在镀层表面的分布杂乱。当采用SiC粒子浓度8 g/L、电流密度2 A/dm2、温度40 ℃时，SiC粒子均匀分布于Ni-SiC纳米镀层中，且镀层镍晶粒显著细化。

图6为不同工艺参数下超声电沉积Ni-SiC纳米镀层的AFM图，当SiC粒子浓度4 g/L、电流密度1 A/dm2、温度20 ℃时，Ni-SiC纳米镀层表面起伏较大，晶粒较粗且结构不规则。当采用SiC粒子浓度8 g/L、电流密度2 A/dm2、温度40 ℃时，Ni-SiC纳米镀层较平整，镍颗粒较细小。

图5 扫描电镜下Ni-SiC纳米镀层的表面形貌Fig 5 Surface morphology of Ni-SiC nanocoatings observed by SEM

图6 原子力显微镜下Ni-SiC纳米镀层的表面形貌Fig 6 Surface morphology of Ni-SiC nanocoatings observed by AFM

将不同工艺参数下超声电沉积制备的Ni-SiC纳米镀层用X射线衍射仪进行XRD衍射图谱测绘，其衍射图谱如图7所示。不同的工艺参数对Ni-SiC纳米镀层的XRD图谱影响较大，当采用SiC粒子浓度4 g/L、电流密度1 A/dm2、温度20 ℃时，Ni-SiC纳米镀层镍晶粒的衍射峰又细又高，说明该镀层镍晶粒较粗大。当采用SiC粒子浓度8 g/L、电流密度2 A/dm2、温度40 ℃时，Ni-SiC纳米镀层镍晶粒的衍射峰则变宽、变矮，这说明Ni-SiC纳米镀层在该工艺参数下镍晶粒得到明显细化。通过XRD衍射图谱还可以看出，在超声电沉积Ni-SiC纳米镀层中，存在Ni和SiC相。

图7 不同工艺参数下制备的Ni-SiC纳米镀层X射线衍射图谱Fig 7 XRD spectrograms of Ni-SiC nanocoatings obtained with different parameters

这出现上述现象的原因在于，当SiC粒子浓度较低时，SiC粒子与阴极接触碰撞的几率小，随着镀液SiC的粒子浓度逐渐增大，在单位时间内移动到阴极表面的SiC粒子量随之增多，这大大增加了SiC粒子与阴极表面碰撞的几率，使得附着在镀层表面的SiC粒子量增加，且SiC粒子分布较均匀。而SiC粒子对镍晶粒具有抑制生长的作用，故Ni-SiC纳米镀层中的镍晶粒细小，使镀层平整[16]。当电流密度较小时，电场力较弱，SiC粒子和镍离子的沉积速度较小，使得镍晶对SiC粒子的包裹能力较差，故Ni-SiC纳米镀层中SiC粒子含量较低。随着电流密度的增加，电场力增强，SiC粒子沉积到镀层中的含量增加，致使纳米镀层平整，颗粒较细小。此外，当温度较低时，镀液溶解度低，电化学反应速率较慢。随着温度的升高，镀液的溶解度增加，随之导电性也得到提高，使SiC粒子的沉积速率增大，镀层中的SiC粒子复合量增大，故Ni-SiC纳米镀层中的镍晶粒细小。

3 结 论

(1)建立了3×8×1结构的BP神经网络模型，该模型以SiC粒子浓度、电流密度和温度为输入层，Ni-SiC纳米镀层的磨损量为输出层。当隐含层数和神经元数分别为1和8时，BP神经网络模型的均方根误差最小，其最小值为1.24%。该BP神经网络模型的预测值与实验值相差不大，其最大误差为1.51%。

(2)当采用SiC粒子浓度8 g/L、电流密度2 A/dm2、温度40 ℃时，SiC粒子均匀分布于Ni-SiC纳米镀层中，且镀层镍晶粒显著细化。

(3)当采用SiC粒子浓度8 g/L、电流密度2 A/dm2、温度40 ℃时，Ni-SiC纳米镀层镍晶粒的衍射峰则变宽、变矮，这说明Ni-SiC纳米镀层在该工艺参数下镍晶粒得到明显细化。