碳钢在不同水质中腐蚀速率的预测模型

2024-06-24邢会爽何禹仑刘鹏

科技资讯 2024年7期

邢会爽何禹仑刘鹏

摘要：腐蚀作为循环冷却水系统面临的三大问题之一，对其进行实时、准确的监测，有助于及时发现和控制生产中的腐蚀问题。在分析已有腐蚀速率监测技术的基础上，结合换热器材质、水质、腐蚀控制的实际情况和控制效果，模拟管壳式换热器运行过程中冷却水的流动及传质特点，构建了循环冷却水动态模拟综合评价系统。结合最小二乘支持向量机算法原理，以腐蚀速率为目标量，建立了基于水质参数预测腐蚀速率的模型，为阻垢缓蚀效果的评价提供了可靠的腐蚀特性数据。

关键词：循环冷却水腐蚀速率水质参数 LS-SVM 预测模型

中图分类号：TE988.2

Prediction Models for the Corrosion Rate of Carbon Steel in Different Water Qualities

XING Huishuang1 HE Yulun 2 LIU Peng2

1.Jilin Vocational College of Industry and Technology；2. Northeast Electric Power University， Jilin， Jilin Province， 132012 China

Abstract： Corrosion is one of the three major problems faced by the circulating cooling water system， and its real-time and accurate monitoring is helpful to timely detect and control corrosion problems in production. Based on the analysis of the existing monitoring technology of the corrosion rate， and combined with the actual situation and control effect of heat exchanger materials， water quality and corrosion control， the flow and mass transfer characteristics of cooling water during the operation of shell-and-tube heat exchangers are simulated， and a dynamic simulation and comprehensive evaluation system of circulating cooling water is constructed. Combined with the principle of the least square support vector machine algorithm， a model for predicting the corrosion rate based on water quality parameters is established with the corrosion rate as the target quantity， which provides the reliable data of corrosion properties for the evaluation of scale and corrosion inhibition effects.

Key Words： Circulating cooling water; Corrosion rate; Water quality parameter; LS-SVM; Prediction model

金属材料凭借其优越的使用特性和优良的工艺特性，已经被广泛应用到现代工业技术设备和日常生活中。但在实际应用中金属材料同时又最容易受周围环境介质影响，发生腐蚀、穿孔及泄露损坏[1]。腐蚀主要发生在金属与介质界面上，是一种复杂的多相反应，且随着时间的推移，腐蚀会逐渐对金属内部造成破坏[2]。碳钢直接暴露的表面受到腐蚀的场景和条件繁多[3]，腐蚀过程一个使能量降低的自发破坏过程。

碳钢作为现代工业使用较为广泛的金属材料其腐蚀性的研究一直备受关注[4]。目前常用的腐蚀判定指数有Larson指数法（LI）、腐蚀指数（CI）、侵蚀指数（AI）等，但是这些指数局限于对腐蚀的定性判断，不能作为腐蚀倾向的定量判断。刘武等人[5]应用灰色GM（1，1）模型对管道腐蚀速率进行了预测，该方法仅考虑了单一变量的变化，忽略了影响腐蚀的各因素间的相互关系。支持向量机（Support Vector Machine，SVM）可消除人工神经网络收敛速度慢、易陷入局部最小、存在过拟合等问题，由于其具有学习速度快、样本数量要求少、全局最优、泛化能力强等优点在回归预测领域得到广泛应用。

1 实验方法

实验水通过抽滤泵分别经由系统的下水箱、上水箱、换热器（即碳钢管）、水质检测池，最后再回到下水箱完成循环。其中，上水位箱中装有溢流管，用来恒定碳钢管入口水压；下水箱中装有一套板式散热器作为冷却设备。它与专门的空冷装置连通，通过PID控制系统与恒温水浴控制系统共同作用来维持模拟管式换热器的入口水温恒定；通过自动控制系统来调节电加热棒和空冷系统，使水浴温度和碳钢管的入口温度维持在设定温度的±0.5 ℃范围内。在封闭式循环冷却水系统循环的过程中，对各个与腐蚀过程相关的水质参数进行监测。

2 实验原理

2.1 最小二乘支持向量机预测算法原理

最小二乘支持向量机（LS-SVM）是通过将最小二乘线性系统应用到支持向量机中，用求解线性关系式问题来代替支持向量机算法中的求解二次规划问题，有效降低了该算法的复杂度，不仅节约运算时间而且还提高了模型的预测精度。与标准SVM不同，LS-SVM选择的二范数作为损失函数，优化问题变为：

同时用等式约束条件代替不等式约束条件：

引入Lagrang函数L来求解优化问题：

式（3）中：是拉格朗日乘子，常数。再根据KKT条件，对式（3）求偏导，得如下等式和约束条件：

式（4）中：，上式消去和，求解线性方程组，利用最小二乘算法求出和，由此可得预测模型：

3 最小二乘支持向量机腐蚀速率预测结果

使用表1中第一组数据作为样本数据进行训练，使用第二组数据作为验证数据。为了对比LS-SVM模型的预测性能，本文采用BP神经网络作为参照模型，使用相同的数据进行训练和验证。

图1为BP神经网络和LS-SVM两种预测模型的预测结果。相比于BP神经网络模型，本文提出的LS-SVM模型能够更准确地预测腐蚀速率及其变化趋势。

为了进一步分析两种模型的预测性能，对其分别求取平均绝对百分比误差MAPE：

式（6）中：和分别为实际的和预测的腐蚀速率值。两种模型预测结果的MAPE值分别为：LS-SVM为3.54%；BP为7.05%。结果表明：LS-SVM方法是一种很好的冷却水腐蚀速率预测方法，具有很好的实际应用前景。