加速腐蝕環境下LD2CS鋁合金腐蝕損傷分析方法

顏光耀,劉治國

(海軍航空工程學院青島校區,山東青島266041)

加速腐蝕環境下LD2CS鋁合金腐蝕損傷分析方法

顏光耀,劉治國

(海軍航空工程學院青島校區,山東青島266041)

摘.要.目的研究LD2CS鋁合金腐蝕損傷數據的分析方法。方法針對LD2CS鋁合金腐蝕坑深度值,采用最小二乘支持向量機、BP人工神經網絡和求和自回歸移動平均等3種模型進行回歸和預測分析。對比總結各種模型在小樣本遞增時間序列下的應用特點。結果對于LD2CS鋁合金腐蝕坑深度值預測,最小二乘支持向量機在回歸和預測上都有較高的精度。結論最小二乘支持向量機模型最適合LD2CS鋁合金的腐蝕坑深度值預測。

鋁合金;腐蝕深度;數據分析;對比性研究

LD2CS鋁合金作為重要的飛機結構件材料,其服役壽命直接影響飛機結構的整體可靠性。該鋁合金結構材料在服役期間會發生腐蝕損傷,其中瀕海機場停放環境因素對其影響最為突出。

文中統計某機場多年環境數據,并依據當量折算原理編制用于開展加速腐蝕試驗的實驗室加速腐蝕試驗環境譜[1—2]。根據此譜進行了LD2CS鋁合金加速腐蝕試驗,得到不同腐蝕周期下的LD2CS鋁合金腐蝕損傷數據。依據獲得的試驗數據,分別采用最小二乘支持向量機、BP神經網絡和求和自回歸移動平均模型對LD2CS鋁合金的腐蝕損傷數據進行回歸和預測分析。計算發現,最小二乘支持向量機的回歸和預測精度優于其他預測模型,因此該方法可應用于鋁合金材料的腐蝕損傷數據分析,為鋁合金結構材料的腐蝕機理研究和腐蝕控制方案制定提供數據支撐。

1 LD2CS鋁合金加速腐蝕試驗

1.1 加速腐蝕試驗環境譜

統計分析某瀕海機場多年環境要素數據,編制機場地面停放環境譜,結果見表1。依據當量折算原理,得到的LD2CS鋁合金加速腐蝕試驗環境譜如圖1所示。

表1 某機場地面停放環境譜(部分)Table 1 Ground parking environment spectrum in a certain airport(partial)

圖1 LD2CS鋁合金加速腐蝕試驗環境譜Fig.1 Environment spectrum of LD2CS in accelerate corrosion test

1.2 加速腐蝕試驗

利用ZJF-45G周期浸潤試驗箱等設備進行加速腐蝕試驗,試驗材料為LD2CS板材,其外形和尺寸如圖2所示,試驗過程參照HB 5455—90進行。每個腐蝕試驗周期后,利用XTZ-E光學體式測量顯微鏡和科仕達KH-7700三維腐蝕損傷顯微鏡進行觀察測量,圖3—5為加速腐蝕7年試件表面腐蝕形貌和蝕坑深度測量示意圖。選取某試件表面典型蝕坑跟蹤測量,其不同腐蝕日歷年限蝕坑深度檢測結果見表2,由于前兩個腐蝕周期未發生明顯腐蝕損傷,所以未列出其腐蝕坑深度值。

圖2 試件尺寸(厚度為4 mm)Fig.2 The dimension of the specimen(thickness=4 mm)

圖3 試件表面蝕坑形貌Fig.3 Specimen surface morphology of pitting corrosion

圖4 腐蝕坑三維形貌Fig.4 3D morphology of corrosion pit

圖5 試件腐蝕坑縱向截面示意Fig.5 Longitudinal section of specimen corrosion pit

表2 某典型蝕坑不同加速當量腐蝕年限的深度檢測結果Table 2 The observed corrosion pit depths series of one typical corrosion pit after different corrosion periods

由表2可知,該組數據屬于一元小樣本遞增時間序列。蝕坑深度值隨著當量腐蝕年限逐年遞增,但蝕坑深度值的增長率逐年遞減。這說明隨著粉末狀腐蝕產物的堆積,侵蝕性離子深入材料基體的通道會變得越來越狹窄,腐蝕向基體深度方向上的發展會受到阻礙。對于鋁合金材料而言,這種阻礙作用最終抵擋不住酸性NaCl溶液的腐蝕,因此腐蝕損傷會持續不斷地加劇,腐蝕坑不斷增多、逐漸連接,形成更大面積的剝蝕現象[3]。

2 LD2CS鋁合金腐蝕損傷數據分析

分別利用最小二乘支持向量機(Least Square Support Vector Machine,LS-SVM)、BP神經網絡(BP Neural Network)、ARIMA時間序列模型對數據進行回歸分析和預測分析[4—5]。

2.1 LS-SVM對數據的回歸和預測

支持向量機(Support Vector Machine,SVM)模型是由Vapnik等人在20世紀90年代根據統計學習理論中VC維和結構風險最小化原則提出的一種機器學習方法。之后,Suykens等提出了最小二乘支持向量機,即把SVM的訓練轉化為線性方程組的求解,這在一定程度上加速了SVM的訓練。為了維持標準SVM具有的稀疏性,Suykens等人進而提出了一種修剪算法,使LS-SVM能夠成熟地應用于回歸分析[6—8]。

文中利用最小二乘支持向量機工具箱進行數據的訓練及預測。根據表1給出的腐蝕損傷數據,令第3,5,7,9,11當量日歷年限的蝕坑深度值為訓練目標,第4,6,8,10,12當量日歷年限的蝕坑深度值為測試目標,第13,14,15當量日歷年限的蝕坑深度值為預測實驗對比值。

核函數選為高斯徑向基(Radius Basis Function, RBF)核函數[9],該算法預測精度的實現主要取決于兩個重要參數,懲罰系數gam和核函數寬度參數sig2。文中利用兩個循環語句分別從1到1000和1到500對gam和sig2進行搜索,當預測值和測試值的標準差小于1.5時停止循環。運行發現,當gam∈[800,900],sig2∈[130,150]時,函數擬合的誤差較小,得到數據的對比結果如圖6所示。

圖6 LS-SVM數據對比Fig.6 LS-SVM data comparison

擬合值和測試值的誤差對比見表3。預測值和檢驗值的誤差對比見表4。

表3 腐蝕坑深度擬合值和測試值及其誤差Table 3 Fitting data and test data of corrosion pit depths and their errors

表4 腐蝕坑深度預測值和檢驗值及其誤差標準差Table 4 Observed data and prediction data of corrosion pit depths and their error standard deviation

2.2 BP-ANN對數據的回歸和預測

反向傳播人工神經網絡(Back-Propagation Artificial Neural Network,BP-ANN)是目前研究得最多,應用最廣泛的一種神經網絡模型。它具有結構簡單、可操作性強、自學習能力好等特點,但是BP模型也存在很多不足,比如初始學習率和權值的選取困難,收斂速度慢等[10—13]。

文中利用BP神經網絡算法對表1的腐蝕坑深度值進行了回歸和預測分析。以第3,5,7,9,11當量日歷年限的蝕坑深度值為訓練目標,第4,6,8, 10,12當量日歷年限的蝕坑深度值為測試目標,第13,14,15當量日歷年限的蝕坑深度值為預測實驗對比值。經過調試,選取隱含層數為6,學習周期數為1000,最小均方誤差為10-8,最小梯度為10-20,一級激活函數為tansig函數,二級激活函數為線性函數的變學習率的BP神經網絡的算法。得到的數據對比結果如圖7所示。

圖7 BP-ANN數據對比Fig.7 BP-ANN data comparison

擬合值和測試值的誤差對比見表5。預測值和檢驗值的誤差對比見表6。

表5 腐蝕坑深度擬合值和測試值及其誤差Table 5 Fitting data and test data of corrosion pit depths and their errors

表6 腐蝕坑深度檢驗值和預測值及其誤差Table 6 Observed data and prediction data of corrosion pit depths and their error standard deviation

2.3 ARIMA模型對數據的回歸和預測

ARIMA模型的實質就是差分運算與ARMA模型的組合。這說明任何非平穩序列只要通過適當階數的差分實現差分后平穩,就能進行自回歸移動平均(Auto Regression Moving Average,ARMA)模型擬合[14—16]。

根據ARIMA模型的編程過程[17],確定該組序列為ARIMA(3,1,1),得到預測模型表達式:

式中:B為延遲算子;fT+l為T=11后l步的深度預測值;εT+l為T=11后l步的隨機干擾值。經計算得12,13,14,15當量腐蝕年限下蝕坑深度的預測值,見表7。

表7 ARIMA(3,1,1)模型腐蝕坑深度預測值及其誤差Table 7 The forecast results and forecast error of ARIMA(3,1,1)model

3 結果分析與討論

3.1 回歸精度和預測精度分析

如表3—7所示,通過分別對比回歸平均相對誤差和預測誤差標準差,可以得到各模型的回歸和預測精度。由于基于結構風險最小化原理并且引入核函數,LS-SVM的回歸和預測精度都很高,BP-ANN有著良好的回歸精度,但算法結果分散性大,初始值隨機選取,導致其預測精度不理想。ARIMA時間序列模型理論成熟,預測精度較高,但相比LS-SVM稍差。綜合來看,LS-SVM在此小樣本遞增序列中表現最好。

3.2 模型特點

此次采用的LD2CS鋁合金的腐蝕坑深度值樣本具有樣本容量小,基本逐年遞增的特點。小樣本中的個別數據對整個模型的回歸和預測分析的結果影響很大。通過3種模型對第3到15年的腐蝕坑深度值進行回歸和預測分析,總結出各模型的特點見表8。

4 結語

通過以上3種模型在腐蝕坑深度值的小樣本時間序列中的回歸和預測能力對比可以看出,每一種模型都有各自的優缺點。總體而言,最小二乘支持向量機模型的回歸和預測精度都很高,只是需要對懲罰系數gam和核函數寬度值sig2進行搜索后選擇。因此,針對如腐蝕坑深度隨日歷年限變化的小樣本時間序列,可以采用最小二乘支持向量機模型進行回歸和預測分析。

[1] 周希沅.飛機結構的當量環境譜與加速試驗譜[J].航空學報,1996,17(5):613—616. ZHOU Xi-yuan.Equivalent Environment Spectrum and Accelerate Corrosion Spectrum of Aircraft Structure[J]. Acta Aeronautica et Astronautica Sinica,1996,17(5): 613—616.

[2] 劉治國,穆志韜,鄒嵐.軍用飛機結構局部環境譜編制方法研究[J].裝備環境工程,2009.6(3):42—45. LIU Zhi-guo,MU Zhi-tao,ZOU Lan.Research on Establishment Method of Local Environmental Spectrum for Navy Aircraft Structure[J].Equipment Environment Engineering,2009,6(3):42—45.

[3] 李旭東,朱武峰,穆志韜,等.LD2CS鋁合金腐蝕行為研究[J].裝備環境工程,2013.10(1):8—12. LI Xu-dong,ZHU Guo-feng,MU Zhi-tao.et al.Corrosion Behavior Investigation of LD2CS Aluminum Alloy[J].E-quipment Environment Engineering,2013,10(1):8—12.

[4] 劉偉偉.油田集輸管道CO2腐蝕規律和預測模型研究[D].青島:中國石油大學,2009. LIU Wei-wei.CO2Corrosion and Prediction Model for oil and Gas Transportation Systems[D].Qingdao:China University of Petroleum,2009.

[5] 喬俊果.三種數學模型在海洋經濟預測中的應用[J].廣東海洋大學學報,2008,28(2):16—19. QIAO Jun-guo.Application of Three Mathematical Models for Marine Economy Forecasting in China[J].Journal of Guangdong Ocean University,2008,28(2):16—19.

[6] SUYKENS J A K,VANDEWALLE J.Least Squares Support Vector Machine Classifiers[J].Neural Processing Letter,1999,9:293—300.

[7] KREBEL U.Pairwise Classification and Support Vector Machines.SCHOLKOPF B.Advances in Kernel Methods-Support vector Learning[M].Cambridge:MIT Press, 1999.

[8] 曾紹華.LS-SVM的組合優化算法研究[J].計算機工程與應用,2007,43(8):89—92. ZENG Shao-hua.Research on LS-SVM Combination Opti-mization Algorithm[J].Computer Engineering and Applications,2007,43(8):89—92.

[9] 楊鐘瑾.核函數支持向量機[J],計算機工程與應用, 2008,44(33):1—6. YANG Zhong-jin.Kernal-based Support Vector Machines [J].Computer Engineering and Applications,2008,44 (33):1—6.

[10]劉治國,穆志韜,金平.LY12CZ腐蝕疲勞壽命的神經網絡研究[J].裝備環境工程,2008,5(3):24—27. LIU Zhi-guo,MU Zhi-tao,JIN Ping.Study of Corrosion Fatigue Life of LY12CZ Based on Artificial Neural Network[J].Equipment Environment Engineering,2008,5 (3):24—27.

[11]劉成臣,徐勝,王浩偉,等.基于灰色模型和神經網絡的鋁合金腐蝕預測對比[J].裝備環境工程,2013,3 (10):1—4. LIU Cheng-chen,XU Sheng,WANG Hao-wei,et al.Comparative Study of Prediction Models of Aluminum Alloys Based on Gray Model and Artificial Neural Network[J]. Equipment Environment Engineering,2013,3(10):1—4.

[12]劉延利,鐘群鵬,張錚.基于人工神經網絡的預腐蝕鋁合金疲勞性能預測[J].航空學報,2001,3(2):135—139. LIU Yan-li,ZHONG Qun-peng,ZHANG Zheng.Predictive Model Based on Artificial Neural Net for Fatigue Performances of Prior-corroded Aluminum Alloys[J].Acta Aeronautica et Astronautica Sinica,2001,3(2):135—139.

[13]王海濤,韓恩厚,柯偉.腐蝕領域中人工神經網絡的應用進展[J].腐蝕科學與防護技術,2004,5(3):147—150. WANG Hai-tao,HAN En-hou,KE Wei.Application of Artificial Neural Network to the Field of Corrosion[J].Corrosion Science and Protection Technology,2004,5(3): 147—150.

[14]劉曉春,黃愛軍,馬芳,等.基于指數平滑技術的裝備維修備件需求預測[J].裝備環境工程,2012,9(6): 109—112. LIU Xiao-chun,HUANG Ai-jun,MA Fang,et al.Requirement Forecast of Equipment Maintenance Parts Based on Exponential Smoothing Method[J].Equipment Environment Engineering,2012,9(6):109—112.

[15]俞國紅,楊德志,叢佩麗.ARIMA和RBF神經網絡相融合的股票價格預測研究[J].計算機工程與應用, 2013,49(18):245—248. YU Guo-hong,YANG De-zhi,CONG Pei-li.Study of Stock Price Forecasting Based on Combination of ARIMA and RBF neural network[J].Computer Engineering and Applications,2013,49(18):245—248.

[16]甘旭升,端木京順,高建國,等.基于ARIMA模型的航空裝備事故時序預測[J].中國安全科學學報,2012, 22(3):97—102. GAN Xu-sheng,DUAN-MU Jing-shun,GAO Jian-guo,et al.Time Series Prediction of Aviation Equipment Accident Based on ARIMA Model[J].China Safety Science Journal,2012,22(3):97—102.

[17]王燕.應用時間序列分析[M].北京:中國人民大學出版社,2005. WANG Yan.Analysis of Time Series Application[M]. Beijing:China People University Press, 2005.

Research on Analysis Methods for Corrosion Damage of LD2CS Aluminum Alloy in Accelerated Corrosion Environment

YAN Guang-yao,LIU Zhi-guo
(Qingdao Branch of Naval Aeronautical Academy,Qingdao 266041,China)

Objective To study analysis methods for corrosion damage data of LD2CS aluminum alloy.Methods Three forecasting models were used to conduct regression and prediction analysis,targeting at the corrosion pit depths of LD2CS aluminum alloy structural material,which were LS-SVM,BP-ANN and ARIMA.Basic forecasting principles and forecast accuracy of the three prediction methods were compared and analyzed.Results The calculation results showed that the prediction accuracy and the prediction extensionality of LS-SVM were better than those of the other models for the prediction of corrosion pit depths of LD2CS aluminum alloy.Conclusion LS-SVM was the most suitable model for prediction of corrosion pit depths of LD2CS aluminum alloy.

aluminum alloy;pit depths;data analysis;comparative research

10.7643/issn.1672-9242.2014.06.019

TG171;V252

:A

1672-9242(2014)06-0110-06

2014-07-24;

2014-08-16

Received:2014-07-24;Revised:2014-08-16

顏光耀(1990—),男,碩士,主要研究方向為海洋環境工程。

Biography:YAN Guang-yao(1990—),Male,Master,Research focus:marine environmental engineering.