基于遗传算法和BP神经网络的海洋工程材料腐蚀预测研究

发布时间：2021-11-25 07:10

　　为提高海洋工程材料腐蚀速率预测的精度,提出了一种基于遗传算法（GA）优化反向传播（Back Propagation,BP）神经网络的海洋工程材料海洋环境腐蚀速率预测模型。通过遗传算法对BP神经网络的权值和阈值进行优化,利用优化后的BP神经网络对试验数据进行预测。GA-BP模型选取具有代表性的2Cr1312不锈钢、Q235B碳钢和6082铝合金三种基本海洋工程材料数据进行试验,预测结果误差小于传统BP神经网络,并且在网络训练时间上有所缩短,预测精度上有所提高。本模型在海洋工程材料于海洋环境中腐蚀速率的实际预测中具有良好的推广价值。 

【文章来源】：海洋科学. 2020,44(10)北大核心

【文章页数】：6 页

【部分图文】：

BP神经网络计算流程图

遗传算法(GA)是一种以“适者生存”为基础的优化算法,具有普遍随机性、适用性强和并行度高等优点,利用复制、交叉、变异等操作步骤,能够将问题解编码表示的“染色体”群一代代不断进化,从而群体收敛到最合适,并最终获取到目标问题的最优解[10]。遗传算法有着理论及实操简易、适应性强以及限制条件约束弱等优点,且具有隐含并行性以及在全局寻优的过程中有着突出优势,遗传算法能够与其他智能算法进行融合,该方式已在各个领域得到了全面的实际应用。遗传算法能够在搜索全局方面达到最优是基于模仿自然界生物进化机制实现的。遗传算法使用适者生存的原则可对所有试验数据进行逐次操作,通过搜索全局可得到一个与实际误差最小的最优方案。遗传算法的流程如图2所示。2 GA-BP模型构建

根据上述公式,本文经过式(1)计算,得出隐含层结点的区间范围为[4,11],但由于公式具有经验性,导致误差过大,预测结果不够准确。通过对模型进行反复试验,当隐含层节点个数为8时,最终算法得到完美的收敛,该神经网络模型的预测精度最高,所以最终确定隐含层节点数为8。因此构建的BP神经网络拓扑结构为6-8-1,BP神经网络模型构建后的结构图如图3所示。图3中,影响因素为水温、溶解氧、盐度、电导率、p H值和氧化还原电位,IW和LW表示各层中的连接权值,预测速率为输出结果。

【参考文献】：
期刊论文
[1]基于遗传算法SVM的海洋环境腐蚀速率预测[J]. 李响,余建星,苗春生,郭帅,齐凯,陈达兴.  中国海洋平台. 2018(05)
[2]GA-BP神经网络预测金属腐蚀速率[J]. 向乃瑞,闫海,王炜,刘闯,陈思凡.  电力学报. 2018(01)
[3]基于模糊神经网络的海洋管线腐蚀速率预测新方法[J]. 邓志安,李姝仪,李晓坤,王珊,王晓军.  中国腐蚀与防护学报. 2015(06)
[4]BP人工神经网络对国内典型地区碳钢土壤腐蚀的预测研究[J]. 李丽,李晓刚,邢士波,董超芳,杜翠薇.  腐蚀科学与防护技术. 2013(05)
[5]人工神经网络在我国海水腐蚀中的应用[J]. 宋伟伟,董彩常,张波.  腐蚀与防护. 2012(08)
[6]基于BP神经网络的输油管道内腐蚀速率预测模型[J]. 胡松青,石鑫,胡建春,任振甲,郭爱玲,高元军.  油气储运. 2010(06)
[7]GA-BP人工神经网络应用于海底腐蚀管道极限承载力的研究[J]. 李昕,王原嵩,陈严飞.  中国海洋平台. 2009(04)
[8]人工神经网络优化碳钢表面TiO2修饰膜制备工艺[J]. 宋来洲,高志明,宋诗哲.  中国腐蚀与防护学报. 2001(02)
[9]海水中钢铁腐蚀与环境因素的灰关联分析[J]. 朱相荣,张启富.  海洋科学. 2000(05)

博士论文
[1]海洋环境工程钢材腐蚀行为与预测模型的研究[D]. 刘学庆.中国科学院研究生院（海洋研究所） 2004



本文编号：3517647