CN109238950B - 基于定性分析与定量预测的金属材料大气腐蚀预测方法 - Google Patents
基于定性分析与定量预测的金属材料大气腐蚀预测方法 Download PDFInfo
- Publication number
- CN109238950B CN109238950B CN201811034831.5A CN201811034831A CN109238950B CN 109238950 B CN109238950 B CN 109238950B CN 201811034831 A CN201811034831 A CN 201811034831A CN 109238950 B CN109238950 B CN 109238950B
- Authority
- CN
- China
- Prior art keywords
- atmospheric corrosion
- metal material
- atmospheric
- prediction
- weight loss
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N17/00—Investigating resistance of materials to the weather, to corrosion, or to light
- G01N17/006—Investigating resistance of materials to the weather, to corrosion, or to light of metals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N5/00—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid
- G01N5/04—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid by removing a component, e.g. by evaporation, and weighing the remainder
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明公开了一种基于定性分析与定量预测的金属材料大气腐蚀预测方法,将金属材料大气腐蚀失重原始数据序列经过弱化变速转换处理,构建融入金属材料大气腐蚀发展定性趋势的弱化变速数据序列;基于大气腐蚀失重弱化变速数据序列采用幂函数模型进行金属材料大气腐蚀预测;最后利用自然环境试验实测数据对金属材料大气腐蚀预测结果进行验证,说明其预测误差。采用弱化变速转换与幂函数建模相结合的方法,将金属材料大气腐蚀的长期发展趋势施加到幂函数模型中,实现金属材料大气腐蚀发展定性分析与定量预测的有机统一,从而实现对金属材料大气腐蚀发展趋势的精准预测。经大量试验证明,此方法简便易行,对于利用金属材料短周期大气腐蚀数据预测中长期大气腐蚀发展趋势,提高金属材料大气腐蚀预测准确度和可靠性具有重要支撑作用。
Description
技术领域
本发明涉及一种定性分析与定量预测有机统一的金属材料大气腐蚀预测方 法,属于环境适应性评价技术领域。
背景技术
金属材料大气腐蚀是一个普遍而严重的问题,容易引起各型装备失效,带 来巨大经济损失和社会危害。反映金属材料真实大气环境适应性的自然环境试 验某些情况下耗时很长,可能数年,甚至数十年,虽然所获数据十分宝贵却很 难跟上材料研究和装备研制的高速发展;而实验室加速腐蚀试验与装备实际服 役工况存在不可避免的差异。由于金属材料自然环境试验的时间跨度长,空间 分布广,腐蚀影响因素复杂多变,其大气腐蚀数据通常具有小样本、数据分布 蕴含层次结构、高噪声等特征,这一特点制约了很多传统数据分析技术的应用, 特别是大数据分析技术的应用,增加了金属材料大气腐蚀准确预测的困难性。
目前,国内外是通过部分或全部原始腐蚀数据训练建立幂函数、指数函数、 神经网络、多元线性回归等模型后进行金属材料大气腐蚀预测。然而,金属材 料大气腐蚀通常初期发展迅速,随着暴露时间的延长,金属材料大气腐蚀有不 断减小的趋势。金属材料大气腐蚀原始数据只能反映腐蚀阶段性的历史状态, 这个状态与金属未来的腐蚀发展状态可能存在偏差,容易导致定量预测结果与 直观定性分析结果大相径庭。此时我们还需要根据经验,将金属材料大气腐蚀 未来的发展趋势施加到现有模型中,从而实现未来更准确的预测。此外,基于 既有腐蚀原始数据建立数学模型虽然常常获得较好的模拟精度,但是这并不表 示我们已经掌握了金属材料大气腐蚀演变的客观规律,在实际腐蚀预测过程中 经常出现拟合效果很好但是对腐蚀发展趋势预测精度不高的情况。
因此,提出一种定性分析与定量预测有机统一的金属材料大气腐蚀预测方 法,将金属长期腐蚀的发展趋势有机融入腐蚀模型构建过程中,提高金属材料 大气腐蚀的预测准确度和可靠性是非常必要且具有重要意义。
发明内容
针对上述现有技术中的不足之处,本发明旨在提供一种基于定性分析与定 量预测的金属材料大气腐蚀预测方法,通过这样一种将定性分析结果定量化的 “跨界”方法,能够克服现有金属材料大气腐蚀预测方法建模时完全依赖原始数据 的不足,避免“就模型而模型”的预测误区,提高金属材料大气腐蚀预测结果的准 确度和可靠性。
为实现上述目的,本发明的技术方案:一种基于定性分析与定量预测的金 属材料大气腐蚀预测方法,其包括如下步骤:
(1)通过开展金属材料大气环境试验,获取金属材料大气腐蚀失重原始数 据序列W0:
W0={w0(t1),w0(t2),...,w0(tm)},
式中,w0(t1),w0(t2),…w0(tm)分别代表金属材料在大气环境试验时间为t1、 t2、…tm时采集的大气腐蚀失重原始数据,t1、t2、…tm为互不相同的任意正实数, m表示在整个大气环境试验周期内采集的金属材料大气腐蚀失重原始数据个数, m为不小于3的正整数;
(2)对金属材料大气腐蚀失重原始数据序列W0进行弱化变速转换,构建 大气腐蚀失重弱化变速数据序列Ws:
Ws=W0D={w0(t1)d,w0(t2)d,...,w0(tm)d},
式中,w0(t1)d,w0(t2)d,…w0(tm)d分别代表金属材料在大气环境试验时间为 t1、t2、…tm时的大气腐蚀失重弱化变速数据,其中,
式中,k=1,2,……,m,α为权重因子;
(3)基于金属材料大气腐蚀失重弱化变速数据序列Ws进行幂函数建模, 得到金属材料大气腐蚀预测值w(t)=Atn,其中,t代表大气环境试验时间,w(t) 代表金属材料在大气环境试验时间为t时的大气腐蚀失重预测数据,A、n是基于 金属材料大气腐蚀失重弱化变速数据序列Ws进行幂函数拟合建模后得到的常数。
进一步还包括步骤:
(4)利用自然环境试验得大气腐蚀失重实测数据,并将该实测数据与金属 材料大气腐蚀预测结果进行对比验证,计算其相对预测误差,计算公式如下:
进一步的,按GJB8893-2017《军用装备自然环境试验方法》开展金属材料 大气环境试验,获得金属材料大气腐蚀失重数据。
进一步的,所述α取值范围为0~1。
进一步的,所述α=0.5。
本发明的技术效果:采用弱化变速转换与幂函数拟合建模相结合的方法, 将金属长期腐蚀的发展趋势施加到幂函数模型中,能够实现金属材料大气腐蚀 发展定性分析与定量预测的有机统一,克服现有金属材料大气腐蚀预测方法建 模时完全依赖原始数据的不足,避免“就模型而模型”的预测误区,提高金属材料 大气腐蚀预测结果的准确度和可靠性。
此方面简便易行,对于利用金属材料短周期大气腐蚀数据预测中长期大气 腐蚀发展趋势,提高金属材料大气腐蚀预测准确度和可靠性具有重要支撑作用。
附图说明
图1是本发明的流程框图。
具体实施方式
下面结合具体及附图来进一步详细说明本发明。
一种基于定性分析与定量预测的金属材料大气腐蚀预测方法,包括如下步 骤:
(1)按照GJB8893-2017《军用装备自然环境试验方法》开展金属材料大气 环境试验,获取金属材料大气腐蚀失重原始数据序列W0:
Wo={wo(t1),wo(t2),...,wo(tm)},
式中,wo(t1),wo(t2),…wo(tm)分别代表金属材料在大气环境试验时间为t1、 t2、…tm时采集的大气腐蚀失重原始数据;t1、t2……tm为互不相同的任意正实数; m表示在整个大气环境试验周期内采集的金属材料大气腐蚀失重原始数据个数, m为不小于3的正整数;
这里整个大气环境试验周期为任意正实数,在试验开始时就已设定。
(2)对金属材料大气腐蚀失重原始数据序列Wo进行弱化变速转换,构建 大气腐蚀失重弱化变速数据序列Ws:
Ws=WoD={wo(t1)d,wo(t2)d,...,wo(tm)d},
式中,wo(t1)d,wo(t2)d,…wo(tm)d分别代表金属材料在大气环境试验时间为t1、t2、…tm时的大气腐蚀失重弱化变速数据,其中,
式中,k=1,2,……,m,α为权重因子,α优选但不限于为0.5。
(3)基于金属材料大气腐蚀失重弱化变速数据序列Ws进行幂函数建模, 得到金属材料大气腐蚀预测值w(t)=Atn,其中,t代表大气环境试验时间, w(t)代表金属材料在大气环境试验时间为时的大气腐蚀失重预测数据;A、n 是基于金属材料大气腐蚀失重弱化变速数据序列Ws进行幂函数拟合建模后得到 的常数。
实际工作中,可用Excel或者Origin等软件进行幂函数曲线拟合建模。
(4)利用自然环境试验的大气腐蚀失重实测数据,并将该实测数据与金属 材料大气腐蚀预测结果进行对比验证,计算其相对预测误差,计算公式如下:
其中,w(t)表示金属材料在大气环境试验时间为t时的大气腐蚀失重预测数 据,wr(t)代表金属材料在大气环境试验时间为t时的大气腐蚀失重实测数据。
需要特别说明的是,本方法中,在获取金属材料大气腐蚀失重原始数据序 列W0时,时间t1、t2……tm为互不相同的任意时间值,且t1<t2<……<tm,比如: 可以是第1年、第2年、第3年,也可以是第2年、第3年、第5年、第9年, 也可以是第1个月、第3个月、第4个月、第6个月、第9个月等,但t1、t2……tm所选时间单位需与金属材料大气腐蚀预测值w(t)=Atn中的代表大气环境试验 时间t的时间单位一致。
为了更好地理解本发明中的金属材料大气腐蚀预测方法,下面采用实例来 说明本案中一种定性分析与定量预测有机统一的金属材料大气腐蚀预测方法。 实例:一种定性分析与定量预测有机统一的高强钢大气腐蚀预测方法
(1)按照GJB8893-2017《军用装备自然环境试验方法》在海南万宁试验站 开展试验周期为5年的高强钢大气环境试验,获取高强钢在大气环境试验时间 为1年、2年、3年、5年的腐蚀失重原始数据。采用大气环境试验时间为1年、 2年、3年的腐蚀失重原始数据为样本预测大气环境试验为5年时的腐蚀失重。 第5年腐蚀失重实测数据作为验证数据。
高强钢大气环境试验时间为1年、2年、3年时的腐蚀失重原始数据如表1 所示。
表1高强钢大气环境试验时间为1年、2年、3年时的腐蚀失重原始数据(g/m2)
1年 | 2年 | 3年 | |
万宁 | 2940.0000 | 5628.3180 | 7319.3100 |
高强钢大气环境腐蚀失重原始数据序列W0为:
Wo={wo(t1),wo(t2),wo(t3)}={2940.0000,5628.3180,7319.3100}
(2)对高强钢原始腐蚀失重数据进行弱化变速转换(α=0.5,m=3)。
wo(3)d=0.5×7319.3100+0.5×7319.3100=7319.3100
高强钢大气腐蚀失重弱化变速数据序列Ws为:
Ws=WoD={wo(t1)d,wo(t2)d,wo(t3)d}={5321.964,6782.463,7319.310}
(3)基于高强钢大气腐蚀失重弱化变速数据序列Ws,利用Excel建立幂函数模 型为,
w(t)=5375t0.296(R2=0.979)
利用幂函数模型预测高强钢大气环境户外暴露5年的大气腐蚀失重,
t=5时,w(5)=8655.13(g/m2)
(4)高强钢大气环境试验5年的大气腐蚀失重实测数据为
wr(5)=7993.3570(g/m2)
根据高强钢大气环境试验5年腐蚀失重实测数据,计算预测相对误差为
为对比本方法与常用的单一幂函数方法预测效果差异性,采用表1中的高 强钢大气腐蚀失重原始数据序列Wo,利用Excel建立幂函数模型为,
w(t)=2992t0.841(R2=0.991)
t=5时,w(5)=11582.31(g/m2)
根据高强钢大气环境试验5年腐蚀失重实测数据,计算其相对误差为
通过应用实例可以看出,采用单一幂函数方法进行高强钢大气腐蚀预测时 出现拟合效果很好但是预测误差非常大的情况。采用弱化变速转换与幂函数建 模相结合的方法,高强钢大气腐蚀预测误差从44.90%降为8.28%,高强钢大气 腐蚀预测准确度和可靠性大为提升。
以上对本发明实施例所提供的技术方案进行了详细介绍,本文中应用了具 体个例对本发明实施例的原理以及实施方式进行了阐述,以上实施例的说明只 适用于帮助理解本发明实施例的原理;同时,对于本领域的一般技术人员,依 据本发明实施例,在具体实施方式以及应用范围上均会有改变之处。综上所述, 本说明书内容不应理解为对本发明的限制。
Claims (5)
1.一种基于定性分析与定量预测的金属材料大气腐蚀预测方法,其特征在于:包括如下步骤:
(1)通过开展金属材料大气环境试验,获取金属材料大气腐蚀失重原始数据序列W0:
W0={w0(t1),w0(t2),...,w0(tm)},
式中,w0(t1),w0(t2),...w0(tm)分别代表金属材料在大气环境试验时间为t1、t2、…tm时采集的大气腐蚀失重原始数据,t1、t2、…tm为互不相同的任意正实数,m表示在整个大气环境试验周期内采集的金属材料大气腐蚀失重原始数据个数,m为不小于3的正整数;
(2)对金属材料大气腐蚀失重原始数据序列W0进行弱化变速转换,构建大气腐蚀失重弱化变速数据序列Ws:
Ws=W0D={w0(t1)d,w0(t2)d,...,w0(tm)d},
式中,w0(t1)d,w0(t2)d,...w0(tm)d分别代表金属材料在大气环境试验时间为t1、t2、…tm时的大气腐蚀失重弱化变速数据,其中,
式中,k=1,2,......,m,α为权重因子;
(3)基于金属材料大气腐蚀失重弱化变速数据序列Ws进行幂函数建模,得到金属材料大气腐蚀预测值w(t)=Atn,其中,t代表大气环境试验时间,w(t)代表金属材料在大气环境试验时间为t时的大气腐蚀失重预测数据,A、n是基于金属材料大气腐蚀失重弱化变速数据序列Ws进行幂函数拟合建模后得到的常数。
3.根据权利要求1所述一种基于定性分析与定量预测的金属材料大气腐蚀预测方法,其特征在于:按GJB8893-2017《军用装备自然环境试验方法》开展金属材料大气环境试验,获得金属材料大气腐蚀失重数据。
4.根据权利要求1所述基于定性分析与定量预测的金属材料大气腐蚀预测方法,其特征在于:所述α取值范围为0~1。
5.根据权利要求4所述基于定性分析与定量预测的金属材料大气腐蚀预测方法,其特征在于:所述α=0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811034831.5A CN109238950B (zh) | 2018-09-06 | 2018-09-06 | 基于定性分析与定量预测的金属材料大气腐蚀预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811034831.5A CN109238950B (zh) | 2018-09-06 | 2018-09-06 | 基于定性分析与定量预测的金属材料大气腐蚀预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109238950A CN109238950A (zh) | 2019-01-18 |
CN109238950B true CN109238950B (zh) | 2021-04-20 |
Family
ID=65060819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811034831.5A Active CN109238950B (zh) | 2018-09-06 | 2018-09-06 | 基于定性分析与定量预测的金属材料大气腐蚀预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109238950B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112197926B (zh) * | 2020-10-08 | 2023-02-14 | 天津大学 | 考虑腐蚀环境与荷载历史影响的结构件抗震性能试验方法 |
CN113588528A (zh) * | 2021-07-02 | 2021-11-02 | 北京航空航天大学 | 一种考虑自然环境动态特性的金属大气腐蚀预测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0648239B2 (ja) * | 1988-03-31 | 1994-06-22 | 株式会社クボタ | 埋設管の腐食予測方法 |
CN101285796B (zh) * | 2008-04-30 | 2010-09-29 | 湘潭大学 | 热障涂层损伤及其失效过程的声发射实时检测方法 |
CN101493392A (zh) * | 2009-02-16 | 2009-07-29 | 山东电力研究院 | 基于灰色预测理论的cfb炉管的寿命评估方法 |
CN101989351A (zh) * | 2010-11-16 | 2011-03-23 | 西安理工大学 | 一种肺部疑似结节图像增强方向尺度滤波方法 |
CN102142063B (zh) * | 2011-03-18 | 2017-10-20 | 中国石油大学(北京) | 一种由短期测试结果计算长期腐蚀速率的方法 |
CN104978490B (zh) * | 2015-07-06 | 2017-07-28 | 北京航空航天大学 | 一种预测老龄飞机金属结构日历寿命的方法 |
CN106529019B (zh) * | 2016-11-08 | 2019-04-26 | 国家电网公司华中分部 | 一种基于腐蚀模型的输电铁塔剩余寿命评估方法 |
CN107657121B (zh) * | 2017-09-29 | 2021-05-18 | 广州民航职业技术学院 | 基于腐蚀级别评定的飞机结构性能预测处理方法及*** |
CN108106986A (zh) * | 2017-12-19 | 2018-06-01 | 武汉钢铁有限公司 | 一种金属材料腐蚀寿命预测方法 |
-
2018
- 2018-09-06 CN CN201811034831.5A patent/CN109238950B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109238950A (zh) | 2019-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105608263B (zh) | 一种面向涡轮叶盘结构寿命概率分析的自适应处理方法 | |
CN111859658B (zh) | 一种产品贮存寿命与可靠性评估方法 | |
Caiza et al. | A probabilistic Stüssi function for modelling the SN curves and its application on specimens made of steel S355J2+ N | |
CN109388878A (zh) | 一种综合考虑喷丸强化效果的疲劳寿命预测方法 | |
CN109238950B (zh) | 基于定性分析与定量预测的金属材料大气腐蚀预测方法 | |
CN111751199A (zh) | 基于eifs分布的疲劳寿命预测方法 | |
CN111143934B (zh) | 一种基于时间卷积网络的结构变形预测方法 | |
Rastogi et al. | Fatigue crack growth prediction in nuclear piping using Markov chain Monte Carlo simulation | |
Cheng et al. | Analysis and comparison of Bayesian methods for measurement uncertainty evaluation | |
CN114638164B (zh) | 一种预测电站压力管道高温蠕变寿命的方法 | |
CN111027208A (zh) | 在役机械装备关键结构元件疲劳载荷作用下的定延寿方法 | |
Šomodíková et al. | fib models for modeling of chloride ion ingress and concrete carbonation: Levels of assessment of input parameters | |
Guédé et al. | Life-time reliability based assessment of structures submitted to thermal fatigue | |
Bordes et al. | Partially observed competing degradation processes: modeling and inference | |
CN117010723A (zh) | 碳排放量预测方法、***、设备及计算机可读存储介质 | |
CN117408100A (zh) | 一种基于bp神经网络的群组螺栓预紧力分布预测方法 | |
Shonder et al. | Bayesian analysis of savings from retrofit projects | |
Chen et al. | Quantifying alignment deviations for uniaxial material mechanical testing via automated machine learning | |
CN115577856A (zh) | 一种变电工程造价预测与结余控制方法及*** | |
Zhang et al. | Multivariate discrete grey model base on dummy drivers | |
CN112836433B (zh) | 高温合金晶粒尺寸识别模型的构建方法及尺寸识别方法 | |
CN114492074A (zh) | 一种概率损伤容限评估分析方法 | |
CN107977742B (zh) | 一种中长期电力负荷预测模型的构建方法 | |
Du et al. | MCMC‐Based Fatigue Crack Growth Prediction on 2024‐T6 Aluminum Alloy | |
CN112365022A (zh) | 一种基于多阶段的发动机轴承故障预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |