﻿ 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
 海洋科学  2020, Vol. 44 Issue (10): 33-38 PDF
http://dx.doi.org/10.11759/hykx20191118003

#### 文章信息

LI Hai-tao, YUAN Sen. 2020.

Corrosion prediction of marine engineering materials based on genetic algorithm and BP neural network

Marina Sciences, 44(10): 33-38.
http://dx.doi.org/10.11759/hykx20191118003

### 文章历史

Corrosion prediction of marine engineering materials based on genetic algorithm and BP neural network
LI Hai-tao, YUAN Sen
College of Information Science and Technology, Qingdao University of Science and Technology, Qingdao 266000, China
Abstract: A model based on back propagation (BP) neural network optimized using a genetic algorithm (GA) was proposed to improve the accuracy of corrosion rate prediction of Marine engineering materials. The weights and thresholds of the BP neural network were optimized using the genetic algorithm, and the optimized BP neural network was used to predict the experimental data. The GA–BP model selected the representative data of 2Cr1312 stainless steel, Q235B carbon steel, and 6082 aluminum alloy as the basic Marine engineering materials for the experiment. The prediction results error was smaller than that of the standard BP neural network. The training time of the network was reduced, and the prediction accuracy increased. This model has good value in realistic prediction of corrosion rate of Marine engineering materials in Marine environment.
Key words: corrosion rate prediction    GA-BP model    genetic algorithm    BP neural network

1 基本理论 1.1 BP神经网络

BP神经网络[9]是由Rumelhard和McCelland于1986年提出，该网络模型的构建是基于人类大脑神经网络特征和构造的基础，具有自我学习和归纳等特点，应用于各个领域中的预测研究工作中。BP神经网络模型可以很好地模拟海洋工程材料的腐蚀速率以及与其相关的各环境要素之间的关系, 将简单的条件输入和结果输出的线性相关替换为非线性相关的映射，在计算海洋工程材料腐蚀的速率工作中，缺少与之相匹配的计算公式并且常常困于经验主义导致精度较低，该模型的提出能够很好的解决该问题。BP神经网络模型的构建主要有三个部分: 一是BP神经网络模型的网络初始化，二是前向传播信号，三是反向传播误差。BP神经网络能够通过训练试验数据对BP神经网络结构中的阈值和权值继续调节，可以使BP神经网络模型的误差平方和达到最小。然在实际的应用中，网络模型训练时间较长、易陷入局部较小、误差较实际值偏大等问题在BP神经网络常常出现。BP神经网络计算流程如图 1所示。

 图 1 BP神经网络计算流程图 Fig. 1 BP neural network calculation flow chart
1.2 遗传算法

 图 2 遗传算法模型 Fig. 2 Genetic algorithm model
2 GA-BP模型构建 2.1 数据来源

 影响因素 水温 溶解氧 风速 pH值 相对湿度 降雨量 ORP值 盐度 电导率 气温 影响率/% 21.78 28.65 7.83 27.41 13.29 14.76 23.18 25.46 24.91 5.76

 影响因素 水温/℃ 溶解氧/(mg/L) 盐度/% 电导率/(mS/cm) pH 值 氧化还原电位/mV 腐蚀速率/(mm/a) 1 14.68 7.73 30.38 36.15 8.09 197.63 0.013 1 2 26.89 7.7 30.88 49.2 8.25 106.72 0.004 4 3 17.4 5.6 32 38.42 8.16 153.29 0.009 5 4 20.9 5.3 27 31.26 8.17 193.25 0.013 4 5 26.7 4.5 34 40.39 8.30 113.76 0.007 4 6 …… …… …… …… …… …… ……
2.2 模型构建

 $L = \sqrt {m + n} + a,$ (1)

 图 3 BP神经网络模型结构图 Fig. 3 Structure of BP neural network model

BP神经网络模型的输入层神经元, 通过研究选择pH值、电导率、水温、溶解氧、盐度和氧化还原电位六个影响海洋工程材料腐蚀速率的环境数据, 利用Sigmoid函数作为BP神经网络模型的转移函数，即:

 ${\rm{f}}\left(x \right) = \frac{1}{{1 + {e^{ - x}}}}, x \in \left({0, 1} \right).$ (2)

BP神经网络模型由于具有陷入局部最小的问题，因此，为提高模型的精准度和收敛速率, 利用Delta学习规则应用于BP神经网络，从而使误差信号的目标函数达到最小:

 $\Delta {W_{ij}}\left(n \right) = \eta \left({{y_i}\left(n \right) - {O_j}\left(n \right)} \right){O_i}\left(n \right).$ (3)

2.3 基于GA优化BP模型的构建

1)BP神经网络模型的阈值和权值的编码过程是选取实数编码方式，网络模型的各层神经元个数决定着编码长度y。设定BP神经网络共三层，输入层、隐含层和输出层，通过计算得出隐含层的个数，确定6-8-1为模型的结构，则权值的个数为6×8+8×1=56个，阈值的个数为8+1=9, 最终通过计算得到65为编码长度y

2) 本次研究将种群规模设定为50。

3)BP神经网络模型得出的实际值和结果输出值的越接近，那么染色体则有着优秀的体现，所以染色体的适用值E计算公式为:

 $E = \sum\limits_{k = 1}^N {{{\left({{T_k} - {Y_k}} \right)}^2}},$ (4)

4)将实验数据进行归一化处理是网络模型进行训练的前提条件，使相关数据能够转化为[0，1]之间的数是此步骤的目的，能够将归一化处理的数据更好的应用于BP神经网络模型的训练，最终能够使得模型程序在进行训练时运行时耗时减少，提高模型的预测准确率。该步骤的公式如下所示:

 ${{\rm{X}}^*} = \frac{{x - {x_{\min }}}}{{{x_{\max }} - {x_{\min }}}},$ (5)

5)在Matlab中，选取其中的遗传算法工具箱，利用该工具箱进行优化操作，通过工具箱解码获取到的种群最优个体的最优解，优化后的BP神经网络模型的初始阈值和权值能够通过此步骤得到，目的为优化BP神经网络模型。

6)多次训练网络模型获得最优解，获取最优BP神经网络模型的阈值和权值。

2.4 网络模型构建

 图 4 网络预测模型流程图 Fig. 4 Network prediction model flow chart
3 模型训练及分析 3.1 模型训练

3.2 实例分析

 材料牌号 真实值/(mm/a) 传统BP神经网络模型 GA-BP模型 预测值/(mm/a) 相对误差/% 平均耗时时间/ms 预测值/(mm/a) 相对误差/% 平均耗时时间/ms 2Cr1312 不锈钢 0.004 0.003 14 21.5% 9 0.003 76 6.0 5 Q235B 碳钢 0.028 3 0.018 62 34.204% 15 0.026 57 6.11% 8 6082 铝合金 0.015 3 0.017 80 14.04% 11 0.016 23 5.56% 6
4 结论

 [1] 刘学庆. 海洋环境工程钢材腐蚀行为与预测模型的研究[D]. 青岛:中国科学院海洋研究所, 2004. Liu Xueqing. Study on Corrosion Behavior and Prediction Model of Steel for Marine Environmental Engineering[D]. Qingdao:Institute of Oceanology, Chinese Academy of Sciences, 2004. http://cdmd.cnki.com.cn/Article/CDMD-80068-2004121261.htm [2] 李响, 余建星, 苗春生, 等. 基于遗传算法SVM的海洋环境腐蚀速率预测[J]. 中国海洋平台, 2018, 33(5): 56-62. Li Xiang, Yu Jianxing, Miao Chunsheng, et al. Corrosion rate prediction of marine environment based ongenetic algorithm SVM[J]. China Offshore Platform, 2018, 33(5): 56-62. [3] 宋来洲, 高志明, 宋诗哲. 人工神经网络优化碳钢表面TiO_2修饰膜制备工艺[J]. 中国腐蚀与防护学报, 2001, 2: 38-42. Song Laizhou, Gao Zhiming, Song Shizhe. Optimization of preparation process of TiO_2 mod-ified film on carbon scteel surface by artificial neural network[J]. Journal of Chinese Society for Corrosion and protection, 2001, 2: 38-42. [4] 朱相荣, 张启富. 海水中钢铁腐蚀与环境因素的灰关联分析[J]. 海洋科学, 2000, 24(5): 37-40. Zhu Xiangrong, Zhang Qifu. Grey correlation analysis of steel corrosion and environmental factors in seawater[J]. Marine Sciences, 2000, 24(5): 37-40. [5] 邓志安, 李姝仪, 李晓坤, 等. 基于模糊神经网络的海洋管线腐蚀速率预测新方法[J]. 中国腐蚀与防护学报, 2015, 35(6): 571-576. Deng Zhian, Li Shuyi, Li Xiaokun, et al. A new method for predicting corrosion rate of marine pipelines based on fuzzy neural network[J]. Journal of Chinese Society for Corrosion and protection, 2015, 35(6): 571-576. [6] 胡松青, 石鑫, 胡建春, 等. 基于BP神经网络的输油管道内腐蚀速率预测模型[J]. 油气储运, 2010, 29(6): 1-3. Hu Songqing, Shi Xin, Hu Jianchun, et al. Prediction model of corrosion rate in oil pipelines based on BP neural network[J]. Oil & Gas Storage and Transportation, 2010, 29(6): 1-3. [7] 宋伟伟, 董彩常, 张波. 人工神经网络在我国海水腐蚀中的应用[J]. 腐蚀与防护, 2012, 33(8): 668-671, 694. Song Weiwei, Dong Caichang, Zhang Bo. Application of artificial neural network in seawater corrosion in China[J]. Corrosion and Protection, 2012, 33(8): 668-671, 694. [8] 李昕, 王原嵩, 陈严飞. 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]. 中国海洋平台, 2009, 24(4): 43-49. Li Xin, Wang Yuansong, Chen Yanfei. Application of GA-BP artificial neural network to ultimate bearing capacity of submarine corrosion pipelines[J]. China Offshore Platform, 2009, 24(4): 43-49. [9] [10] Steinberg D, Colla P. CART:Classification and regression trees[J]. The Top Ten Algorithms in Data Mining, 2009, 13(2): 177-179. [11] 向乃瑞, 闫海, 王炜, 等. GA-BP神经网络预测金属腐蚀速率[J]. 电力学报, 2018, 33(1): 1-6. Xiang Nairui, Yan Hai, Wang Wei, et al. GA-BP neural network predicts metal corrosion rate[J]. Journal of Electric Power, 2018, 33(1): 1-6.