人工神经网络模型预测不锈钢在高温水中的应力腐蚀破裂
来源期刊：中国腐蚀与防护学报2004年第1期
论文作者：吕战鹏 郭浩 蔡珣 杨武 冯国强
关键词：应力腐蚀破裂 人工神经网络 304SS 316SS 高温水 环境因素 预测;
摘 要：采用两种基于人工神经网络(ANN)的经验学习方法,即双层感知器(DLP)模型和Elman反馈(EF)模型,分析应力腐蚀破裂(SCC)数据,预测奥氏体不锈钢在高温水(HTW)中的SCC敏感性.对304不锈钢(SS)和316SS的两组SCC数据,DLP模型经过长时间的训练周次并不收敛,而EF模型在有限的时间内收敛到一稳定值.304SS和316SS的SCC敏感性依赖于温度(T)、溶解氧浓度(DO)、氯离子浓度([Cl-])以及电位(E).采用EF模型,待预测样本数据被包含在训练数组里(方法Ⅰ)比不包含(方法Ⅱ)的情况有更高的预测率.用于EF模型的SCC阈值(ThV)影响预测率,当ThV≤0.6时,对304SS而言,预测率的范围大约是0.66～0.90(方法Ⅰ),0.60～0.79(方法Ⅱ);对316SS,预测率范围约为0.81～0.98(方法Ⅰ),0.78～0.90(方法Ⅱ).从预测率平均值来看,预测率服从正态分布,0.5应为最佳阈值.EF模型对定性预测ASS在高温水中的SCC行为有较高的预报率,是一个很有用的工具.
吕战鹏1，郭浩2，蔡珣2，杨武1，冯国强1
(1.上海材料研究所,上海,200437;
2.上海交通大学材料学院,上海,200030)
摘要:采用两种基于人工神经网络(ANN)的经验学习方法,即双层感知器(DLP)模型和Elman反馈(EF)模型,分析应力腐蚀破裂(SCC)数据,预测奥氏体不锈钢在高温水(HTW)中的SCC敏感性.对304不锈钢(SS)和316SS的两组SCC数据,DLP模型经过长时间的训练周次并不收敛,而EF模型在有限的时间内收敛到一稳定值.304SS和316SS的SCC敏感性依赖于温度(T)、溶解氧浓度(DO)、氯离子浓度([Cl-])以及电位(E).采用EF模型,待预测样本数据被包含在训练数组里(方法Ⅰ)比不包含(方法Ⅱ)的情况有更高的预测率.用于EF模型的SCC阈值(ThV)影响预测率,当ThV≤0.6时,对304SS而言,预测率的范围大约是0.66～0.90(方法Ⅰ),0.60～0.79(方法Ⅱ);对316SS,预测率范围约为0.81～0.98(方法Ⅰ),0.78～0.90(方法Ⅱ).从预测率平均值来看,预测率服从正态分布,0.5应为最佳阈值.EF模型对定性预测ASS在高温水中的SCC行为有较高的预报率,是一个很有用的工具.
关键词:应力腐蚀破裂 人工神经网络 304SS 316SS 高温水 环境因素 预测;
【全文内容正在添加中】
