CN114021432A - 一种应力腐蚀开裂裂纹扩展速率预测方法及*** - Google Patents
一种应力腐蚀开裂裂纹扩展速率预测方法及*** Download PDFInfo
- Publication number
- CN114021432A CN114021432A CN202111227306.7A CN202111227306A CN114021432A CN 114021432 A CN114021432 A CN 114021432A CN 202111227306 A CN202111227306 A CN 202111227306A CN 114021432 A CN114021432 A CN 114021432A
- Authority
- CN
- China
- Prior art keywords
- population
- neural network
- individuals
- training set
- crack propagation
- 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.)
- Pending
Links
- 230000007797 corrosion Effects 0.000 title claims abstract description 47
- 238000005260 corrosion Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005336 cracking Methods 0.000 title claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 137
- 238000012549 training Methods 0.000 claims abstract description 89
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 230000002068 genetic effect Effects 0.000 claims abstract description 19
- 238000012795 verification Methods 0.000 claims abstract description 10
- 230000001186 cumulative effect Effects 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 15
- 230000001419 dependent effect Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000035945 sensitivity Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 229910001220 stainless steel Inorganic materials 0.000 description 8
- 239000010935 stainless steel Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 208000005156 Dehydration Diseases 0.000 description 2
- 206010064571 Gene mutation Diseases 0.000 description 2
- 206010070834 Sensitisation Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000008313 sensitization Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000013016 learning Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种应力腐蚀开裂裂纹扩展速率预测方法及***,本发明首先采用遗传算法利用预处理后的训练集、BP神经网络拓扑结构以及多个种群个体进行优化,获得最优权值和阈值,然后根据预处理后的训练集、最优权值和阈值对BP神经网络拓扑结构进行训练获得最优BP神经网络;最后将验证集中的输入数据输入至所述最优BP神经网络进行预测,获得各输入数据对应的裂纹扩展速率。本发明利用GA寻优算法优化BP神经网络进行裂纹拓展速率预测获得的预测曲线,相比于单独BP神经网络进行裂纹拓展速率预测获得的预测曲线,利用GA寻优算法优化BP神经网络得到的预测曲线与实际曲线拟合度更高。
Description
技术领域
本发明涉及裂纹扩展速率预测技术领域,特别是涉及一种应力腐蚀开裂裂纹扩展速率预测方法及***。
背景技术
材料或零件在应力和腐蚀环境的共同作用下引起的开裂称为应力腐蚀开裂(Stress Corrosion Cracking,SCC),以SCC为代表的环境促进开裂是影响不锈钢在高温水中长期安全运行的重要因素。由于应力腐蚀开裂在腐蚀介质环境下只需要很低的应力,所以其常被人们忽视,导致安全事故的发生。因此,预测不锈钢在高温水中SCC的裂纹扩展速率具有重要的现实意义,能够根据不锈钢现有的运行状态信息去预测其未来的发展趋势,提前发现风险,规避风险,保障人民群众生命与财产安全。
自上世纪60年代起,国内外学者便开始了对SCC的长期探索研究,主要集中于以下三个方向:1)研究应力腐蚀的机理;2)研究控制应力腐蚀的方法;3)预测应力腐蚀开裂行为,具体包括敏感性预测和裂纹扩展速率预测。
目前,神经网络等智能算法已被大量应用于腐蚀速率预测,例如骆正山等将灰色关联分析(GRA)与随机森林回归算法(RFR)相结合提出了GRA-RFR油气集输管道内腐蚀速率预测模型,者娜等提出KPCA-SVM模型来用于解决有限样本数据下工艺管道腐蚀速率的预测问题。可见上述智能算法表现均较好,证明了智能算法在预测腐蚀速率上的可行性。但将智能算法具体应用到预测SCC裂纹扩展速率上的研究较少。另外,这些算法都有其各自的缺点,例如RFR抗噪声能力差、运行计算成本高,SVM在处理大样本和多类别的问题上有明显的不足,且它们都发生容易过拟合。综上,如何准确预测不锈钢在高温水中裂纹扩展速率成为本领域亟需解决的技术问题。
发明内容
本发明的目的是提供一种应力腐蚀开裂裂纹扩展速率预测方法及***,以实现对应力腐蚀开裂裂纹扩展速率进行预测。
为实现上述目的,本发明提供了一种应力腐蚀开裂裂纹扩展速率预测方法,所述方法包括:
步骤S1:获取数据集;所述数据集包括输入数据和输出数据;所述输入数据包括温度、应力强度、电导率、腐蚀电位、敏感度和PH值;所述输出数据包括裂纹扩展速率;
步骤S2:将所述数据集按照一定比例划分训练集和测试集;
步骤S3:对所述训练集内的输入数据和输出数据进行预处理,获得预处理后的训练集;
步骤S4:基于BP神经网络拓扑结构计算权值的个数以及阈值的个数;
步骤S5:采用遗传算法,利用预处理后的训练集、BP神经网络拓扑结构以及多个种群个体进行优化,获得最优种群个体;每个种群个体内包括BP神经网络初始给定的所有的阈值和权值;所述最优种群个体内的所有权值和阈值为最优权值和阈值;
步骤S6:根据预处理后的训练集、最优权值和阈值对BP神经网络拓扑结构进行训练,获得最优BP神经网络;
步骤S7:将验证集中的输入数据输入至所述最优BP神经网络进行预测,获得各输入数据对应的裂纹扩展速率。
可选地,所述采用遗传算法,利用预处理后的训练集、BP神经网络拓扑结构以及多个种群个体进行优化,获得最优种群个体,具体包括:
步骤S51:初始化参数;所述参数包括种群个体数量和第一终止条件;
步骤S52:将各种群个体输入BP神经网络拓扑结构,采用轮盘赌法从初始种群中选取两个种群个体;
步骤S53:将选取的两个种群个体进行交叉,获得两个新的种群个体,并存入初始种群;
步骤S54:从初始种群中随机挑选一个种群个体,对位置k进行变异,获得新的种群个体,并将新的种群个体存入到初始种群中;
步骤S55:判断是否满足第一终止条件;如果满足第一终止条件,则执行“步骤S56”;如果不满足第一终止条件,则返回“步骤S52”;
步骤S56:将适应度值最小的种群个体作为最优种群个体。
可选地,所述将各种群个体输入BP神经网络拓扑结构,采用轮盘赌法从初始种群中选取两个种群个体,具体包括:
步骤S521:将各种群个体输入BP神经网络拓扑结构,获得多个BP神经网络初始模型;
步骤S522:将预处理后的训练集中的第j组输入数据输入到多个BP神经网络初始模型,获得各种群个体对应的第j组裂纹拓展速率预测值;
步骤S523:根据各种群个体对应的第j组裂纹拓展速率预测值计算各种群个体对应的适应度;
步骤S524:根据各种群个体对应的适应度计算前i个种群个体的累积概率;
步骤S525:随机生成两个随机数,基于前i个种群个体的累积概率从初始种群中选取各随机数对应种群个体。
可选地,所述基于BP神经网络拓扑结构计算权值的个数以及阈值的个数,具体包括:
步骤S41:构建3层BP神经网络拓扑结构;所述BP神经网络拓扑结构包括输入层、隐含层和输出层,输入层节点的个数与输入数据包含自变量的种类数相同;输出层节点的个数与输出数据包含因变量的种类数相同;
步骤S42:根据所述BP神经网络拓扑结构中输入层节点数、输出层节点数以及隐含层节点数来计算权值的个数以及阈值的个数。
可选地,所述对所述训练集内的输入数据和输出数据进行预处理,获得预处理后的训练集,具体包括:
步骤S31:对所述训练集内的输入数据进行归一化处理;
步骤S32:对所述训练集内的输出数据分别进行稳健标准化处理;所述预处理后的训练集包括归一化处理后的输入数据和稳健标准化处理的输出数据。
本发明还提供一种应力腐蚀开裂裂纹扩展速率预测***,所述***包括:
获取模块,用于获取数据集;所述数据集包括输入数据和输出数据;所述输入数据包括温度、应力强度、电导率、腐蚀电位、敏感度和PH值;所述输出数据包括裂纹扩展速率;
集合划分模块,用于将所述数据集按照一定比例划分训练集和测试集;
预处理模块,用于对所述训练集内的输入数据和输出数据进行预处理,获得预处理后的训练集;
个数确定模块,用于基于BP神经网络拓扑结构计算权值的个数以及阈值的个数;
优化模块,用于采用遗传算法,利用预处理后的训练集、BP神经网络拓扑结构以及多个种群个体进行优化,获得最优种群个体;每个种群个体内包括BP神经网络初始给定的所有的阈值和权值;所述最优种群个体内的所有权值和阈值为最优权值和阈值;
训练模块,用于根据预处理后的训练集、最优权值和阈值对BP神经网络拓扑结构进行训练,获得最优BP神经网络;
预测模块,用于将验证集中的输入数据输入至所述最优BP神经网络进行预测,获得各输入数据对应的裂纹扩展速率。
可选地,所述优化模块,具体包括:
初始化单元,用于初始化参数;所述参数包括种群个体数量和第一终止条件;
种群个体优选单元,用于将各种群个体输入BP神经网络拓扑结构,采用轮盘赌法从初始种群中选取两个种群个体;
交叉单元,用于将选取的两个种群个体进行交叉,获得两个新的种群个体,并存入初始种群;
变异单元,用于从初始种群中随机挑选一个种群个体,对位置k进行变异,获得新的种群个体,并将新的种群个体存入到初始种群中;
判断单元,用于判断是否满足第一终止条件;如果满足第一终止条件,则执行“赋值单元”;如果不满足第一终止条件,则返回“种群个体优选单元”;
赋值单元,用于将适应度值最小的种群个体作为最优种群个体。
可选地,所述种群个体优选单元,具体包括:
BP神经网络初始模型确定子单元,用于将各种群个体输入BP神经网络拓扑结构,获得多个BP神经网络初始模型;
预测子单元,用于将预处理后的训练集中的第j组输入数据输入到多个BP神经网络初始模型,获得各种群个体对应的第j组裂纹拓展速率预测值;
适应度计算子单元,用于根据各种群个体对应的第j组裂纹拓展速率预测值计算各种群个体对应的适应度;
累积概率计算子单元,用于根据各种群个体对应的适应度计算前i个种群个体的累积概率;
选取子单元,用于随机生成两个随机数,基于前i个种群个体的累积概率从初始种群中选取各随机数对应种群个体。
可选地,所述个数确定模块,具体包括:
BP神经网络拓扑结构构建单元,用于构建3层BP神经网络拓扑结构;所述BP神经网络拓扑结构包括输入层、隐含层和输出层,输入层节点的个数与输入数据包含自变量的种类数相同;输出层节点的个数与输出数据包含因变量的种类数相同;
个数确定单元,用于根据所述BP神经网络拓扑结构中输入层节点数、输出层节点数以及隐含层节点数来计算权值的个数以及阈值的个数。
可选地,所述预处理模块,具体包括:
归一化处理单元,用于对所述训练集内的输入数据进行归一化处理;
稳健标准化处理,用于对所述训练集内的输出数据分别进行稳健标准化处理;所述预处理后的训练集包括归一化处理后的输入数据和稳健标准化处理的输出数据。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开一种应力腐蚀开裂裂纹扩展速率预测方法及***,本发明首先采用遗传算法利用预处理后的训练集、BP神经网络拓扑结构以及多个种群个体进行优化,获得最优权值和阈值,然后根据预处理后的训练集、最优权值和阈值对BP神经网络拓扑结构进行训练获得最优BP神经网络;最后将验证集中的输入数据输入至所述最优BP神经网络进行预测,获得各输入数据对应的裂纹扩展速率。本发明利用GA寻优算法优化BP神经网络进行裂纹拓展速率预测获得的预测曲线,相比于单独BP神经网络进行裂纹拓展速率预测获得的预测曲线,利用GA寻优算法优化BP神经网络得到的预测曲线与实际曲线拟合度更高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明应力腐蚀开裂裂纹扩展速率预测方法流程图;
图2为本发明应力腐蚀开裂裂纹扩展速率预测方法具体流程图;
图3为本发明BP神经网络拓扑结构示意图;
图4为本发明应力腐蚀开裂裂纹扩展速率预测***结构图;
图5为BP神经网络预测结果示意图;
图6为本发明GA-BP神经网络预测结果示意图;
图7为本发明种群适应度变化曲线示意图;
图8为本发明GA-BP神经网络预测结果示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种应力腐蚀开裂裂纹扩展速率预测方法及***,以实现对应力腐蚀开裂裂纹扩展速率进行预测。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1-2所示,本发明公开一种应力腐蚀开裂裂纹扩展速率预测方法,所述方法包括:
步骤S1:获取数据集;所述数据集包括输入数据和输出数据;所述输入数据包括温度、应力强度、电导率、腐蚀电位、敏感度和PH值;所述输出数据包括裂纹扩展速率。
步骤S2:将所述数据集按照一定比例划分训练集和测试集。
步骤S3:对所述训练集内的输入数据和输出数据进行预处理,获得预处理后的训练集。
步骤S4:基于BP神经网络拓扑结构计算权值的个数以及阈值的个数。
步骤S5:采用遗传算法,利用预处理后的训练集、BP神经网络拓扑结构以及多个种群个体进行优化,获得最优种群个体;每个种群个体内包括BP神经网络初始给定的所有的阈值和权值;所述最优种群个体内的所有权值和阈值为最优权值和阈值。
步骤S6:根据预处理后的训练集、最优权值和阈值对BP神经网络拓扑结构进行训练,获得最优BP神经网络。
步骤S7:将验证集中的输入数据输入至所述最优BP神经网络进行预测,获得各输入数据对应的裂纹扩展速率。
下面对各个步骤进行详细论述:
步骤S2:将所述数据集按照一定比例划分训练集和测试集;本实施例中数据集一共选取201组数据,每组数据包括一个输入数据和一个输出数据;从201组数据中随机抽取90%获得训练集,也就是说,训练集中包含181组数据,验证集包括20组数据。
步骤S3:对所述训练集内的输入数据和输出数据进行预处理,获得预处理后的训练集;所述预处理后的训练集包括归一化处理后的输入数据和稳健标准化处理的输出数据。
步骤S31:对所述训练集内的输入数据进行归一化处理,具体计算公式为:
其中,X与X*分别表示归一化前和后的输入数据。
步骤S32:对所述训练集内的输出数据分别进行稳健标准化处理,具体计算公式为:
其中,Y和Y*分别表示稳健标准化处理前后所述训练集和测试集内的输出数据,Median(Y)代表训练集内Y的中位数,IQR(Y)代表训练集内Y的四分位距。
由于所述数据集中裂纹扩展速率(即输出数据)分布不均,跨度约为两个数量级,且存在相同的实验条件下,得到的速率不同甚至相差过大的现象。因此,本发明将稳健标准化用于SCC裂纹扩展速率数据的预处理,利用中位数和四分位距,能够有效地弱化异常值对训练BP神经网络的影响。
步骤S4:基于BP神经网络拓扑结构计算权值的个数以及阈值的个数,具体包括:
步骤S41:构建3层BP神经网络拓扑结构;如图3所示,本发明所述BP神经网络拓扑结构包括输入层、隐含层和输出层,所述输入层节点的个数与输入数据包含自变量的种类数相同;所述输出层节点的个数与输出数据包含因变量的种类数相同;所述隐含层节点的个数根据两个经验公式(3)和(4)综合考虑确定。
m=2n+1 (4);
其中,m为所求的隐含层节点数,n为输入层节点数,l为输出层节点数,α为区间[1,10]内的常数。
根据BP神经网络配置的原则:在保证顺利分析并解决问题的基础上,精简网络拓扑结构,减少模型训练和分析的时间。且理论研究表明,具有单一隐含层的BP神经网络就可以以任意精度逼近一个非线性函数,而增加隐含层数虽有可能进一步降低模型的误差,提高精度,但会降低模型的泛化能力,提高结构的复杂性,甚至出现过拟合的现象。故本发明搭建了3层BP神经网络拓扑结构。
步骤S42:根据所述BP神经网络拓扑结构中输入层节点数、输出层节点数以及隐含层节点数来计算权值的个数以及阈值的个数。具体的,根据公式(5)计算权值的个数,根据公式(6)计算阈值的个数,将权值的个数、与阈值的个数相加可得GA编码长度。
p=m×n+m×l (5);
q=m+l (6);
le=q+p (7);
其中,m为所求的隐含层节点数,n为输入层节点数,l为输出层节点数,q为权值的个数,p为阈值的个数,le为GA编码长度。
本发明所使用的数据集中输入参数种类为6个,输出参数种类为1个,因此将n=6,l=1代入式(3)可得节点数的区间为[3,13],代入式(4)可得节点数为13,因此综合所得结果确定隐含层节点数为13,如图2所示,图2中为本发明所使用数据集的实际情况所建立的BP神经网络拓扑结构图。因此根据公式(5)计算可得权值个数为91,根据公式(6)计算可得阈值个数为14,根据公式(7)计算可得遗传算法GA编码长度为105。
步骤S5:采用遗传算法,利用预处理后的训练集、BP神经网络拓扑结构以及多个种群个体进行优化,获得最优种群个体;每个种群个体内包括BP神经网络初始给定的所有的阈值和权值;阈值包括包括隐含层阈值和输出层阈值;权值包括输入层和隐含层的连接权值、隐含层和输出层的连接权值。本实施例共有91个权值和14个阈值。
实数编码:编码是应用遗传算法时要解决的首要问题,也是设计遗传算法时的一个关键步骤。编码方法影响到后续遗传算子的运算方法,很大程度上决定了遗传进化的效率。本发明选用了实数编码进行输出,它相较于常用的二进制编码而言,没有二进制与十进制转换的步骤,避免了一些可能出现的转化误差。因此本发明将种群个体的初始解(即每个种群个体都包含了BP神经网络初始给定的所有的权值和阈值)以实数编码进行输出。
步骤S5:采用遗传算法,利用预处理后的训练集、BP神经网络拓扑结构以及多个种群个体进行优化,获得最优种群个体,具体包括:
步骤S51:初始化参数;所述参数包括种群个体数量和第一终止条件;本实施例中,初始种群中种群个体的数量n为50。第一终止条件包括达到最大遗传迭代次数100或达到期望适应度值0.001。另外,定义权值和阈值的上下界为2和-2。
本发明采用了轮盘赌法从种群中选出两个种群个体,作为后续繁殖的父本。轮盘赌法基于适应度比例的选择策略,个体适应度值越好,被选中的概率越大,同一个体有概率被多次选中。假设种群个体i所对应的被选中概率为pi,由于本发明选择的适应度评估指标为MSE,其值越小越好,故需在实际应用中对其取对数,这样能够确保MSE值越小的个体,被选中的概率越大。
步骤S52:将各种群个体输入BP神经网络拓扑结构,采用轮盘赌法从初始种群中选取两个种群个体,具体包括:
步骤S521:将各种群个体输入BP神经网络拓扑结构,获得多个BP神经网络初始模型。
步骤S522:将预处理后的训练集中的第j组输入数据输入到多个BP神经网络初始模型,获得各种群个体对应的第j组裂纹拓展速率预测值。
步骤S523:根据各种群个体对应的第j组裂纹拓展速率预测值计算各种群个体对应的适应度,具体公式为:
步骤S524:根据各种群个体对应的适应度计算前i个种群个体的累积概率,具体包括:
其中,n表示种群个体的总个数,pi表示第i个种群个体被选中的概率,Pi表示前i个种群个体的累积概率。
步骤S525:随机生成两个随机数,基于前i个种群个体的累积概率从初始种群中选取各随机数对应种群个体,具体的,在区间(0,1)内生成随机数r1,如果随机数r1在累计概率Pi和Pi+1之间,则说明种群个体i被选中。
具体举例:由于每个种群个体被选中的概率总和为1,假设共有4个种群个体,第1个种群个体被选中的概率为p1=0.4,第2个种群个体被选中的概率为p2=0.15,第3个种群个体被选中的概率为p3=0.3,第4个种群个体被选中的概率为p4=0.15,前1个种群个体的累积概率为P1=0.4,前2个种群个体的累积概率为P2=0.55,前3个种群个体的累积概率为P3=0.85;假设随机数为0.3,0.3小于P1,则说明种群个体1被选中;假如随机数为0.7,则它落入种群个体3的区域,因此种群个体3被选中。
步骤S53:将选取的两个种群个体进行交叉,获得两个新的种群个体,并存入初始种群,具体交叉公式为:
q1=p1×r2+p2×(1-r2) (9);
q2=p1×(1-r2)+p2×r2 (10);
其中,q1和q2分别表示交叉生成的两个新的种群个体,r2为(0,1)区间内的随机数,p1和p2分别表示选取的两个种群个体。
上述交叉操作则是从初始种群中随机抽取两个个体,交叉重组生成两个新的种群个体。
步骤S54:从初始种群中随机挑选一个种群个体,对位置k进行变异,获得新的种群个体,并将新的种群个体存入到初始种群中。
变异操作则是从种群上随机挑选一个个体,改变个体上某个位置的值,期望产生更优秀的个体。这一变化带有随机性,是对自然界生物基因突变的模拟,因为基因突变有一定概率产出更优秀的个体,变异操作能维持种群的多样性。本发明选择了非均匀变异。
从初始种群中随机挑选一个种群个体,对位置k进行变异,具体公式为:
f(g)=r4(1-g/100) (12);
其中,Cik和Gik分别表示变异前后的第i个种群个***置k处的值,r3和r4为(0,1)区间内的随机数,g为当前遗传迭代次数。
步骤S55:判断是否满足第一终止条件;如果满足第一终止条件,则执行“步骤S56”;如果不满足第一终止条件,则返回“步骤S52”。
步骤S56:将适应度值最小的种群个体作为最优种群个体;最优种群个体内的所有权值和阈值为最优权值和阈值。
步骤S6:根据预处理后的训练集、最优权值和阈值对BP神经网络拓扑结构进行训练,获得最优BP神经网络,具体包括:
步骤S61:根据预处理后的训练集、最优权值和阈值对BP神经网络拓扑结构进行训练。
步骤S62:判断是否满足第二终止条件;如果满足第二终止条件,则将最后一次训练获得的BP神经网络拓扑结构作为最优BP神经网络输出;如果不满足第二终止条件,则返回“步骤S61”;第二终止条件包括达到最大迭代次数或误差小于等于期望误差或误差连续20次迭代不下降;具体的,最大迭代次数设置为1000;学习率设置为0.01;期望误差设置为0.001。
步骤S7:将验证集中的输入数据输入至所述最优BP神经网络进行预测,获得各输入数据对应的裂纹扩展速率。
实施例2
如图4所示,本发明公开一种应力腐蚀开裂裂纹扩展速率预测***,所述***包括:
获取模块401,用于获取数据集;所述数据集包括输入数据和输出数据;所述输入数据包括温度、应力强度、电导率、腐蚀电位、敏感度和PH值;所述输出数据包括裂纹扩展速率。
集合划分模块402,用于将所述数据集按照一定比例划分训练集和测试集。
预处理模块403,用于对所述训练集内的输入数据和输出数据进行预处理,获得预处理后的训练集。
个数确定模块404,用于基于BP神经网络拓扑结构计算权值的个数以及阈值的个数。
优化模块405,用于采用遗传算法,利用预处理后的训练集、BP神经网络拓扑结构以及多个种群个体进行优化,获得最优种群个体;每个种群个体内包括BP神经网络初始给定的所有的阈值和权值;所述最优种群个体内的所有权值和阈值为最优权值和阈值。
训练模块406,用于根据预处理后的训练集、最优权值和阈值对BP神经网络拓扑结构进行训练,获得最优BP神经网络。
预测模块407,用于将验证集中的输入数据输入至所述最优BP神经网络进行预测,获得各输入数据对应的裂纹扩展速率。
作为一种可选的实施方式,本发明所述优化模块405,具体包括:
初始化单元,用于初始化参数;所述参数包括种群个体数量和第一终止条件。
种群个体优选单元,用于将各种群个体输入BP神经网络拓扑结构,采用轮盘赌法从初始种群中选取两个种群个体。
交叉单元,用于将选取的两个种群个体进行交叉,获得两个新的种群个体,并存入初始种群。
变异单元,用于从初始种群中随机挑选一个种群个体,对位置k进行变异,获得新的种群个体,并将新的种群个体存入到初始种群中。
判断单元,用于判断是否满足第一终止条件;如果满足第一终止条件,则执行“赋值单元”;如果不满足第一终止条件,则返回“种群个体优选单元”。
赋值单元,用于将适应度值最小的种群个体作为最优种群个体。
作为一种可选的实施方式,本发明所述种群个体优选单元,具体包括:
BP神经网络初始模型确定子单元,用于将各种群个体输入BP神经网络拓扑结构,获得多个BP神经网络初始模型。
预测子单元,用于将预处理后的训练集中的第j组输入数据输入到多个BP神经网络初始模型,获得各种群个体对应的第j组裂纹拓展速率预测值。
适应度计算子单元,用于根据各种群个体对应的第j组裂纹拓展速率预测值计算各种群个体对应的适应度。
累积概率计算子单元,用于根据各种群个体对应的适应度计算前i个种群个体的累积概率。
选取子单元,用于随机生成两个随机数,基于前i个种群个体的累积概率从初始种群中选取各随机数对应种群个体。
作为一种可选的实施方式,本发明所述个数确定模块404,具体包括:
BP神经网络拓扑结构构建单元,用于构建3层BP神经网络拓扑结构;所述BP神经网络拓扑结构包括输入层、隐含层和输出层,输入层节点的个数与输入数据包含自变量的种类数相同;输出层节点的个数与输出数据包含因变量的种类数相同。
个数确定单元,用于根据所述BP神经网络拓扑结构中输入层节点数、输出层节点数以及隐含层节点数来计算权值的个数以及阈值的个数。
作为一种可选的实施方式,本发明所述预处理模块403,具体包括:
归一化处理单元,用于对所述训练集内的输入数据进行归一化处理。
稳健标准化处理,用于对所述训练集内的输出数据分别进行稳健标准化处理;所述预处理后的训练集包括归一化处理后的输入数据和稳健标准化处理的输出数据。
实施例3
本发明研究的数据来源于不同文章中的不锈钢高温水应力腐蚀行为的201组实验数据。数据集有6个自变量:温度、应力强度因子、电导率、腐蚀电位、敏化度和PH值;1个因变量:裂纹扩展速率。自变量是最优BP神经网络的输入,因变量是最优BP神经网络的输出。数据集基本信息如下表1所示。
表1数据集基本信息统计表
最大值 | 最小值 | 均值 | 标准差 | |
温度/℃ | 292 | 100 | 269 | 42 |
应力强度/MPa·m<sup>1/2</sup> | 67.7 | 10.4 | 28.5 | 5.3 |
电导率/μS·cm<sup>-1</sup> | 3.99 | 0.82 | 2.75 | 0.39 |
腐蚀电位/V<sub>SHE</sub> | 0.496 | -0.575 | 0.055 | 0.127 |
敏化度/C·cm<sup>-2</sup> | 33.79 | 0.01 | 21.38 | 8.81 |
PH | 6.11 | 5.50 | 5.66 | 0.06 |
裂纹扩展速率/mm·a<sup>-1</sup> | 51.40 | 0.59 | 8.36 | 10.11 |
为了验证BP神经网络的性能以及GA优化技术的可行性,随机抽取数据集的90%用于训练神经网络,余下10%用于检验网络的性能。图5与图6分别为GA优化BP神经网络前后的预测情况。由图5-图6可知,未经GA优化的BP神经网络的预测表现较好,预测趋势与实际趋势大致相符,经过GA优化后,预测曲线与实际曲线拟合度更高。GA优化前,预测平均绝对误差和均方根误差分别为5.58和7.56;GA优化后,预测平均绝对误差和均方根误差分别为5.25和6.85,较优化前有一定的下降,表明了GA提高了BP神经网络的预测能力。图7为遗传迭代中,种群内最优个体的适应度值及种群的平均适应度值的变化曲线,由图7可得,曲线逐渐走低,表明GA在搜寻最优权值和阈值上有良好的效果,比随机生成初始权值和阈值更为科学。为进一步验证GA-BP神经网络的能力,重新按相同比例划分数据集,观察网络的表现,表2为10次循环GA优化BP神经网络前后的相关评估指标值表。第5次循环得到的GA-BP神经网络表现最好,平均绝对误差为2.90,均方根误差为3.33,图8为对应的GA-BP神经网络预测结果图,由图8可得,预测值和实际值拟合程度高。
表2GA优化BP神经网络前后评估指标表
综上所述,本发明应用GA寻优算法优化BP神经网络,结合不锈钢SCC裂纹扩展速率数据集的特点,创新运用了稳健标准化方法,最终综合提出的最优BP神经网络预测模型表现优秀,预测能力较强,为预测不锈钢高温水应力腐蚀开裂裂纹扩展速率提供了一定的技术支撑,具有一定的可靠性、可行性与科学性。
本说明书中各个实施例采用递进的方式描述每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式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 (10)
1.一种应力腐蚀开裂裂纹扩展速率预测方法,其特征在于,所述方法包括:
步骤S1:获取数据集;所述数据集包括输入数据和输出数据;所述输入数据包括温度、应力强度、电导率、腐蚀电位、敏感度和PH值;所述输出数据包括裂纹扩展速率;
步骤S2:将所述数据集按照一定比例划分训练集和测试集;
步骤S3:对所述训练集内的输入数据和输出数据进行预处理,获得预处理后的训练集;
步骤S4:基于BP神经网络拓扑结构计算权值的个数以及阈值的个数;
步骤S5:采用遗传算法,利用预处理后的训练集、BP神经网络拓扑结构以及多个种群个体进行优化,获得最优种群个体;每个种群个体内包括BP神经网络初始给定的所有的阈值和权值;所述最优种群个体内的所有权值和阈值为最优权值和阈值;
步骤S6:根据预处理后的训练集、最优权值和阈值对BP神经网络拓扑结构进行训练,获得最优BP神经网络;
步骤S7:将验证集中的输入数据输入至所述最优BP神经网络进行预测,获得各输入数据对应的裂纹扩展速率。
2.根据权利要求1所述的应力腐蚀开裂裂纹扩展速率预测方法,其特征在于,所述采用遗传算法,利用预处理后的训练集、BP神经网络拓扑结构以及多个种群个体进行优化,获得最优种群个体,具体包括:
步骤S51:初始化参数;所述参数包括种群个体数量和第一终止条件;
步骤S52:将各种群个体输入BP神经网络拓扑结构,采用轮盘赌法从初始种群中选取两个种群个体;
步骤S53:将选取的两个种群个体进行交叉,获得两个新的种群个体,并存入初始种群;
步骤S54:从初始种群中随机挑选一个种群个体,对位置k进行变异,获得新的种群个体,并将新的种群个体存入到初始种群中;
步骤S55:判断是否满足第一终止条件;如果满足第一终止条件,则执行“步骤S56”;如果不满足第一终止条件,则返回“步骤S52”;
步骤S56:将适应度值最小的种群个体作为最优种群个体。
3.根据权利要求2所述的应力腐蚀开裂裂纹扩展速率预测方法,其特征在于,所述将各种群个体输入BP神经网络拓扑结构,采用轮盘赌法从初始种群中选取两个种群个体,具体包括:
步骤S521:将各种群个体输入BP神经网络拓扑结构,获得多个BP神经网络初始模型;
步骤S522:将预处理后的训练集中的第j组输入数据输入到多个BP神经网络初始模型,获得各种群个体对应的第j组裂纹拓展速率预测值;
步骤S523:根据各种群个体对应的第j组裂纹拓展速率预测值计算各种群个体对应的适应度;
步骤S524:根据各种群个体对应的适应度计算前i个种群个体的累积概率;
步骤S525:随机生成两个随机数,基于前i个种群个体的累积概率从初始种群中选取各随机数对应种群个体。
4.根据权利要求1所述的应力腐蚀开裂裂纹扩展速率预测方法,其特征在于,所述基于BP神经网络拓扑结构计算权值的个数以及阈值的个数,具体包括:
步骤S41:构建3层BP神经网络拓扑结构;所述BP神经网络拓扑结构包括输入层、隐含层和输出层,输入层节点的个数与输入数据包含自变量的种类数相同;输出层节点的个数与输出数据包含因变量的种类数相同;
步骤S42:根据所述BP神经网络拓扑结构中输入层节点数、输出层节点数以及隐含层节点数来计算权值的个数以及阈值的个数。
5.根据权利要求1所述的应力腐蚀开裂裂纹扩展速率预测方法,其特征在于,所述对所述训练集内的输入数据和输出数据进行预处理,获得预处理后的训练集,具体包括:
步骤S31:对所述训练集内的输入数据进行归一化处理;
步骤S32:对所述训练集内的输出数据分别进行稳健标准化处理;所述预处理后的训练集包括归一化处理后的输入数据和稳健标准化处理的输出数据。
6.一种应力腐蚀开裂裂纹扩展速率预测***,其特征在于,所述***包括:
获取模块,用于获取数据集;所述数据集包括输入数据和输出数据;所述输入数据包括温度、应力强度、电导率、腐蚀电位、敏感度和PH值;所述输出数据包括裂纹扩展速率;
集合划分模块,用于将所述数据集按照一定比例划分训练集和测试集;
预处理模块,用于对所述训练集内的输入数据和输出数据进行预处理,获得预处理后的训练集;
个数确定模块,用于基于BP神经网络拓扑结构计算权值的个数以及阈值的个数;
优化模块,用于采用遗传算法,利用预处理后的训练集、BP神经网络拓扑结构以及多个种群个体进行优化,获得最优种群个体;每个种群个体内包括BP神经网络初始给定的所有的阈值和权值;所述最优种群个体内的所有权值和阈值为最优权值和阈值;
训练模块,用于根据预处理后的训练集、最优权值和阈值对BP神经网络拓扑结构进行训练,获得最优BP神经网络;
预测模块,用于将验证集中的输入数据输入至所述最优BP神经网络进行预测,获得各输入数据对应的裂纹扩展速率。
7.根据权利要求6所述的应力腐蚀开裂裂纹扩展速率预测***,其特征在于,所述优化模块,具体包括:
初始化单元,用于初始化参数;所述参数包括种群个体数量和第一终止条件;
种群个体优选单元,用于将各种群个体输入BP神经网络拓扑结构,采用轮盘赌法从初始种群中选取两个种群个体;
交叉单元,用于将选取的两个种群个体进行交叉,获得两个新的种群个体,并存入初始种群;
变异单元,用于从初始种群中随机挑选一个种群个体,对位置k进行变异,获得新的种群个体,并将新的种群个体存入到初始种群中;
判断单元,用于判断是否满足第一终止条件;如果满足第一终止条件,则执行“赋值单元”;如果不满足第一终止条件,则返回“种群个体优选单元”;
赋值单元,用于将适应度值最小的种群个体作为最优种群个体。
8.根据权利要求7所述的应力腐蚀开裂裂纹扩展速率预测***,其特征在于,所述种群个体优选单元,具体包括:
BP神经网络初始模型确定子单元,用于将各种群个体输入BP神经网络拓扑结构,获得多个BP神经网络初始模型;
预测子单元,用于将预处理后的训练集中的第j组输入数据输入到多个BP神经网络初始模型,获得各种群个体对应的第j组裂纹拓展速率预测值;
适应度计算子单元,用于根据各种群个体对应的第j组裂纹拓展速率预测值计算各种群个体对应的适应度;
累积概率计算子单元,用于根据各种群个体对应的适应度计算前i个种群个体的累积概率;
选取子单元,用于随机生成两个随机数,基于前i个种群个体的累积概率从初始种群中选取各随机数对应种群个体。
9.根据权利要求6所述的应力腐蚀开裂裂纹扩展速率预测***,其特征在于,所述个数确定模块,具体包括:
BP神经网络拓扑结构构建单元,用于构建3层BP神经网络拓扑结构;所述BP神经网络拓扑结构包括输入层、隐含层和输出层,输入层节点的个数与输入数据包含自变量的种类数相同;输出层节点的个数与输出数据包含因变量的种类数相同;
个数确定单元,用于根据所述BP神经网络拓扑结构中输入层节点数、输出层节点数以及隐含层节点数来计算权值的个数以及阈值的个数。
10.根据权利要求6所述的应力腐蚀开裂裂纹扩展速率预测***,其特征在于,所述预处理模块,具体包括:
归一化处理单元,用于对所述训练集内的输入数据进行归一化处理;
稳健标准化处理,用于对所述训练集内的输出数据分别进行稳健标准化处理;所述预处理后的训练集包括归一化处理后的输入数据和稳健标准化处理的输出数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111227306.7A CN114021432A (zh) | 2021-10-21 | 2021-10-21 | 一种应力腐蚀开裂裂纹扩展速率预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111227306.7A CN114021432A (zh) | 2021-10-21 | 2021-10-21 | 一种应力腐蚀开裂裂纹扩展速率预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114021432A true CN114021432A (zh) | 2022-02-08 |
Family
ID=80057011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111227306.7A Pending CN114021432A (zh) | 2021-10-21 | 2021-10-21 | 一种应力腐蚀开裂裂纹扩展速率预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114021432A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114544040A (zh) * | 2022-02-16 | 2022-05-27 | 江苏科技大学 | 基于神经网络算法的群桩节点应力监测***及其预警方法 |
CN117669390A (zh) * | 2024-02-01 | 2024-03-08 | 中国石油大学(华东) | 基于神经网络的金属全阶段疲劳裂纹扩展预测方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116145A (zh) * | 2020-09-15 | 2020-12-22 | 东北农业大学 | 基于遗传算法优化bp神经网络的奶牛采食量评估方法 |
CN112906957A (zh) * | 2021-02-05 | 2021-06-04 | 东北大学秦皇岛分校 | 基于遗传算法优化的bp神经网络输煤故障预测方法 |
-
2021
- 2021-10-21 CN CN202111227306.7A patent/CN114021432A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112116145A (zh) * | 2020-09-15 | 2020-12-22 | 东北农业大学 | 基于遗传算法优化bp神经网络的奶牛采食量评估方法 |
CN112906957A (zh) * | 2021-02-05 | 2021-06-04 | 东北大学秦皇岛分校 | 基于遗传算法优化的bp神经网络输煤故障预测方法 |
Non-Patent Citations (3)
Title |
---|
"核电结构材料应力腐蚀开裂裂纹扩展速率预测", 中国博士学位论文全文数据库 工程科技Ⅱ辑》, no. 08, 15 August 2016 (2016-08-15), pages 56 - 81 * |
石江波: "核电结构材料应力腐蚀开裂裂纹扩展速率预测", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, no. 08, 15 August 2016 (2016-08-15), pages 63 - 81 * |
黄伯强;: "基于遗传算法优化BP神经网络的降雨量预测", 信息与电脑(理论版), no. 11, 15 November 2014 (2014-11-15) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114544040A (zh) * | 2022-02-16 | 2022-05-27 | 江苏科技大学 | 基于神经网络算法的群桩节点应力监测***及其预警方法 |
CN114544040B (zh) * | 2022-02-16 | 2024-01-23 | 江苏科技大学 | 基于神经网络算法的群桩节点应力监测***及其预警方法 |
CN117669390A (zh) * | 2024-02-01 | 2024-03-08 | 中国石油大学(华东) | 基于神经网络的金属全阶段疲劳裂纹扩展预测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Benardos et al. | Optimizing feedforward artificial neural network architecture | |
CN110544011B (zh) | 一种智能化的体系作战效能评估和优化方法 | |
CN112966954B (zh) | 一种基于时间卷积网络的防洪调度方案优选方法 | |
CN112733417B (zh) | 一种基于模型优化的异常负荷数据检测与修正方法和*** | |
CN114021432A (zh) | 一种应力腐蚀开裂裂纹扩展速率预测方法及*** | |
CN112464566A (zh) | 一种基于遗传算法及bp神经网络的变压器油温预测方法 | |
Chinnathambi et al. | Deep neural networks (DNN) for day-ahead electricity price markets | |
CN111105321A (zh) | 一种基于eemd二次分解的电力负荷预测方法 | |
CN111681022A (zh) | 一种网络平台数据资源价值评估方法 | |
CN113971517A (zh) | 一种基于ga-lm-bp神经网络的水质评价方法 | |
CN114298377A (zh) | 一种基于改进极限学习机的光伏发电预测方法 | |
CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
CN116663419A (zh) | 一种基于优化的Elman神经网络的无传感器设备故障预测方法 | |
CN116169670A (zh) | 一种基于改进神经网络的短期非居民负荷预测方法及*** | |
CN110633868A (zh) | 遗传算法优化神经网络进行探井试油层油气性质预测方法 | |
CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
CN114021758A (zh) | 一种基于梯度提升决策树与逻辑回归融合的运维人员智能推荐方法和装置 | |
CN117763965A (zh) | 基于ESMD-GWO-Elam模型风速预测方法*** | |
CN112767692A (zh) | 基于SARIMA-GA-Elman组合模型的短时交通流量预测*** | |
CN111310974A (zh) | 一种基于ga-elm的短期需水预测方法 | |
CN111414927A (zh) | 一种海水水质评价的方法 | |
CN114862007A (zh) | 一种面向碳酸盐岩气井的短周期产气量预测方法及*** | |
CN115713144A (zh) | 基于组合cgru模型的短期风速多步预测方法 | |
CN110852597B (zh) | 基于生成对抗网络的用电高峰时段居民负荷占比计算方法 | |
CN115269572A (zh) | 基于海量科研资料的课题立项决策推荐方法及装置 |
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 |