CN109142362B - 一种基于bp神经网络的电厂用金属材料寿命评估方法 - Google Patents

一种基于bp神经网络的电厂用金属材料寿命评估方法 Download PDF

Info

Publication number
CN109142362B
CN109142362B CN201811050686.XA CN201811050686A CN109142362B CN 109142362 B CN109142362 B CN 109142362B CN 201811050686 A CN201811050686 A CN 201811050686A CN 109142362 B CN109142362 B CN 109142362B
Authority
CN
China
Prior art keywords
temperature
data
sample
neural network
metal material
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
Application number
CN201811050686.XA
Other languages
English (en)
Other versions
CN109142362A (zh
Inventor
乔梁
刘文生
宋利
句光宇
江野
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Datang Corp Science and Technology Research Institute Co Ltd Huazhong Branch
Original Assignee
China Datang Corp Science and Technology Research Institute Co Ltd Huazhong Branch
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Datang Corp Science and Technology Research Institute Co Ltd Huazhong Branch filed Critical China Datang Corp Science and Technology Research Institute Co Ltd Huazhong Branch
Priority to CN201811050686.XA priority Critical patent/CN109142362B/zh
Publication of CN109142362A publication Critical patent/CN109142362A/zh
Application granted granted Critical
Publication of CN109142362B publication Critical patent/CN109142362B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • 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
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本发明涉及一种基于BP神经网络的电厂用金属材料寿命评估方法，技术方案是，包括以下步骤：A、确定要进行寿命评估的金属材料试样的材质、累计运行时间(小时)，运行温度(℃)、微观组织老化级别；B、收集已经公开的各个电厂对同材质金属材料的寿命评估报告；C、优选数据D、BP神经网络的训练与调试；E、高温持久强度的预测；与现有技术相比，本发明提高评估效率，缩短测试时间；所收集的数据与寿命评估直接相关；将神经网络用于电厂金属材料的高温持久强度的预测预报，准确性强，并且时间成本大大缩短；大大降低高温持久试验的试验成本。

Description

一种基于BP神经网络的电厂用金属材料寿命评估方法
技术领域
本发明涉及一种基于BP神经网络的电厂用金属材料寿命评估方法。
背景技术
随着火力发电机组参数的逐步升高，电厂用金属材料的等级也逐步提高，高等级新材料在高温度、高压力条件下的使用寿命也是行业关注重点，快捷、准确实现电厂用金属材料的寿命评估直接关系机组的安全稳定运行。常用的寿命评估方法要先进行现场取样，并对试样进行高温持久强度试验，得到试验数据后，再通过等温外推法或者Larson—Miller法外推出10万小时的高温持久强度来判断其寿命，该方法得出的数据精准，外推结果也较为接近，但其试验周期非常长，至少需要1万小时的试验得到的结果才较为准确，时效性差。中国发明专利CN105758661A公开了一种锅炉受热面寿命评估系统和方法，该方法需要在生产现场安装检测装置来收集温度，厚度，蠕变等数据，再通过数据处理分析来进行寿命预测，但该方法现场检测的实现难度较大，且收集数据种类不涉及高温持久强度等与寿命评估直接关系数据，导致其最终的寿命预测准确性值得商榷。因此，快捷且准确的实现电厂用金属材料的寿命评估方法是目前火力发电厂急需攻关的课题。
发明内容
针对上述情况，为克服现有技术之不足，本发明之目的就是提供一种基于BP神经网络的电厂用金属材料寿命评估方法，可以有效解决电厂设备金属材料寿命评估的问题。
本发明解决的技术方案是：
一种基于BP神经网络的电厂用金属材料寿命评估方法，包括以下步骤：
A、确定要进行寿命评估的金属材料试样的材质、累计运行时间(小时)，运行温度(℃)、微观组织老化级别；
a、金属材料材质通过设备档案查询或通过合金分析仪进行成分及牌号的确定；
b、通过电厂的sis系统调取该设备的累计运行时间；
c、通过现场金属设备上已有的温度测点进行温度测量，获取其运行温度；
d、通过金相显微镜观察试样的微观组织，并依据DL/T 884-2004《火电厂金相检验与评定技术导则》中对微观组织老化评级要求，确定微观组织老化级别；
B、收集已经公开的各个电厂对同材质金属材料的寿命评估报告，同时在中国知网检索同材质寿命评估的文献，并对报告或文献中以下两类数据进行采集并建立原始数据库，第一类数据包括同材质金属试样在各种电厂中的累计运行时间或微观组织老化级别；第二类数据为对同材质金属试样高温持久试验的每组数据进行采集，具体为：试验温度、试样的断裂时间、试样断裂时其载荷大小；
具体采集方法为：
对于第一类数据，在寿命评估报告中或寿命评估的文献中均会以文字形式提及，对这些数据进行采集，录入EXCEL中；
对于第二类数据，在寿命评估报告中或寿命评估的文献中多以图表形式列出，使用扫描仪或照相机清晰的将该图表以照片形式进行捕捉并储存，再将扫描后的图片或照片放入Getdata软件中，通过重新标定坐标，精准的捕获每一个图中的点对应的相关数值，录入EXCEL中；
针对要进行寿命评估的金属材料，通过EXCEL，建立该金属材料对应的原始数据库；原始数据库中的数据为累计运行时间或微观组织老化级别、试验温度、试样断裂时间、试样断裂时载荷大小；
C、优选数据
对原始数据库进行的删减，具体方法如下：优选步骤A采集到的累计运行时间与原始数据库中试样累计运行时间差值在1万小时以内的相关数据；优选步骤A采集到的运行温度与原始数据库中试样试验温度差值50℃以内的相关数据；优选步骤A采集到的微观组织老化级别与原始数据库中微观组织老化级别差值在1级以内的相关数据，数据以excel形式存储，得到优选数据库，
D、BP神经网络的训练与调试
采用matlab软件进行BP神经网络的计算，将优选数据库导入；采用三层BP神经网络，其输入层为累计运行时间、试验温度、试样断裂时间；隐含层神经元节点数，通过试凑法进行确定；期望输出层为试样断裂载荷大小，最后对预测得到断裂载荷值与实际值进行比较并计算误差，通过调整阀值和隐含层数量，直至误差最小，最终确定该BP神经网络；
E、高温持久强度的预测
将要进行寿命评估的金属材料的累计运行时间或微观组织老化级别，运行温度和断裂时间10万小时填入神经网络输入层，进行高温持久强度的预测，得到高温持久强度，即对金属材料寿命进行评估。
所述高温持久强度为材料在某一温度下受恒定载荷作用时，在规定的持续时间内不引起断裂的最大应力。在高温金属材料寿命评估中，通常计算10万小时某一温度的高温持久强度至，得出10万小时的高温持久强度结果满足设计书中许用应力的要求即可判断该金属材料的寿命仍然使用寿命可达10万小时，不满足则使用寿命不能达到10万；当然若数据充足亦可计算20万小时的高温持久强度等，来判断使用寿命能否达到20万小时等。
与现有技术相比，本发明方法具有以下有益的技术效果：
(1)提高评估效率，缩短测试时间；
(2)所收集的数据与寿命评估直接相关；
(3)将神经网络用于电厂金属材料的高温持久强度的预测预报，准确性强，并且时间成本大大缩短。
(4)大大降低高温持久试验的试验成本。
附图说明
图1为本发明最优网络训练结果与实际值的对比图。
具体实施方式
以下结合实施例对本发明的具体实施方式作进一步详细说明。
本发明基于BP神经网络的电厂用金属材料寿命评估方法，包括以下步骤：
A、确定要进行寿命评估的金属材料试样的材质、累计运行时间(小时)，运行温度(℃)、微观组织老化级别；
a、金属材料材质通过设备档案查询或通过合金分析仪进行成分及牌号的确定；
b、通过电厂的sis系统调取该设备的累计运行时间；
c、通过现场金属设备上已有的温度测点进行温度测量，获取其运行温度；
所述的温度测点有两种，分别为：金属设备内介质的温度测点或金属设备的壁温测点，当温度测点为金属设备的壁温测点时，测得的当温度作为运行温度，当测点为金属设备内介质的温度测点时，通过Ansys有限元模拟软件，计算得到该设备的金属壁温；作为运行温度。
d、通过金相显微镜观察试样的微观组织，并依据DL/T 884-2004《火电厂金相检验与评定技术导则》中对微观组织老化评级要求，确定微观组织老化级别；
B、通过联系各个电厂收集已经公开的各个电厂对同材质金属材料的寿命评估报告，同时在中国知网检索同材质寿命评估的文献并下载，并对报告或文献中以下两类数据进行采集并建立原始数据库，第一类数据包括同材质金属试样在各种电厂中的累计运行时间或微观组织老化级别；第二类数据为对同材质金属试样高温持久试验的每组数据进行采集，具体为：试验温度、试样的断裂时间、试样断裂时其载荷大小；
具体采集方法为：
对于第一类数据，在寿命评估报告中或寿命评估的文献中均会以文字形式提及，对这些数据进行采集，录入EXCEL中；
对于第二类数据，在寿命评估报告中或寿命评估的文献中多以图表形式列出，使用扫描仪或照相机清晰的将该图表以照片形式进行捕捉并储存，再将扫描后的图片或照片放入Getdata软件中，通过重新标定坐标，精准的捕获每一个图中的点对应的相关数值，录入EXCEL中；
针对要进行寿命评估的金属材料，通过EXCEL，建立该金属材料对应的原始数据库，名称为“牌号+数据库”，如12Cr1MoVG数据库、G102数据库等；原始数据库中的数据为累计运行时间或微观组织老化级别、试验温度、试样断裂时间、试样断裂时载荷大小；
C、优选数据
对原始数据库进行的删减，具体方法如下：优选步骤A采集到的累计运行时间与原始数据库中试样累计运行时间差值在1万小时以内的相关数据；优选步骤A采集到的运行温度与原始数据库中试样试验温度差值50℃以内的相关数据；优选步骤A采集到的微观组织老化级别与原始数据库中微观组织老化级别差值在1级以内的相关数据，数据以excel形式存储，得到优选数据库；
D、BP神经网络的训练与调试
采用matlab软件进行BP神经网络的编程和计算
(1)打开matlab软件，首先新建“.mat”格式的文件，并将步骤C得到的优选数据库导入“.mat”格式的表格中，作为BP神经网络训练和测试的数据来源；
(2)新建”.m”格式文件，进行神经网络编程，本实验采用三层BP神经网络：输入层、隐含层、输出层。其输入层为累计运行时间、试验温度、试样断裂时间；隐含层神经元节点数，通过试凑法进行确定；期望输出层为试样断裂载荷大小，最后对预测得到断裂载荷值与实际值进行比较并计算误差，通过调整阀值和隐含层数量，直至误差最小，最终确定该BP神经网络；
E、高温持久强度的预测
将要进行寿命评估的金属材料的累计运行时间或微观组织老化级别，运行温度和断裂时间10万小时填入神经网络输入层，进行高温持久强度的预测，得到高温持久强度，即对金属材料寿命进行评估。
所述高温持久强度为材料在某一温度下受恒定载荷作用时，在规定的持续时间内不引起断裂的最大应力。在高温金属材料寿命评估中，通常计算10万小时某一温度的高温持久强度至，得出10万小时的高温持久强度结果满足设计书中许用应力的要求即可判断该金属材料的寿命仍然使用寿命可达10万小时，不满足则使用寿命不能达到10万；当然若数据充足亦可计算20万小时的高温持久强度等，来判断使用寿命能否达到20万小时等。
本发明经实际应用取得了较好了成果，具体试验如下：
试验对某电厂累计运行时间为3万小时(金相评级为1级老化)、金属壁温温度为585℃的G102材质高温过热器受热面进行剩余寿命评估。
第一步，采集数据：
(1)通过联系各个电厂收集相同材质的寿命评估报告，同时通过“中国知网”检索同类材质寿命评估的相关文献并下载；
(2)采集报告或者文献中的第一类数据：累计运行时间、微观组织老化级别；
(3)采集报告或者文献中的第二类数据，对文献或报告内高温持久试验表格进行扫描存储成照片格式，利用getdata软件采集照片中的数据：试验温度、试样的断裂时间、试样断裂时其载荷大小。
第二步，建立优选数据库。
将第一步采集到的数据建立原始数据库中，对原始数据库进行的删减，即优选步骤A采集到的累计运行时间与原始数据库中试样累计运行时间差值在1万小时以内的相关数据；优选步骤A采集到的运行温度与原始数据库中试样试验温度差值50℃以内的相关数据；优选步骤A采集到的微观组织老化级别与原始数据库中微观组织老化级别差值在1级以内的相关数据，数据以excel形式存储，得到优选数据库，本试验通过上述方法优选得到55组数据，如表1所示，其中：列1为温度，列2为断裂时间，列3为对应断裂应力。
Figure GDA0002621154470000061
表1优选数据库
第三步，BP神经网络编程与运算
(1)打开matlab软件，先将优选数据库中的数据导入软件中”.mat”格式的表格中，作为BP神经网络训练和测试的数据来源；
(2)新建”.m”格式，进行神经网络编程，本实验建立三层BP神经网络：输入层、隐含层、输出层。本试验的输入层为累计运行时间、试验温度、试样断裂时间；隐含层神经元节点设置为31；输出层为试样断裂时载荷大小，得到的神经网络为：Net＝newff(minmax(X),[31,1],{‘tansig’,‘purelin’},‘trainlm’)。将其中前52组数据进行训练，对剩余的3组数据进行测试。通过观察误差逐步调整神经网络的阀值，得到的最优网络训练结果如图1所示。
第四步，高温持久强度的预测
将累计运行时间3万小时、温度为585℃，断裂时间为10万小时，输入BP神经网络中，得到的高温持久强度为115MPa。同时对该试样进行了高温持久试验，并通过等温外推法测得其高温持久强度为109MPa，再一次验证了本方法的准确性。

Claims (2)

1.一种基于BP神经网络的电厂用金属材料寿命评估方法，其特征在于，包括以下步骤：
A、确定要进行寿命评估的金属材料试样的材质、累计运行时间，运行温度、微观组织老化级别；
a、金属材料材质通过设备档案查询或通过合金分析仪进行成分及牌号的确定；
b、通过电厂的sis系统调取设备的累计运行时间；
c、通过现场金属设备上已有的温度测点进行温度测量，获取其运行温度；
d、通过金相显微镜观察试样的微观组织，并依据DL/T 884-2004《火电厂金相检验与评定技术导则》中对微观组织老化评级要求，确定微观组织老化级别；
B、收集已经公开的各个电厂对同材质金属材料的寿命评估报告，同时在中国知网检索同材质寿命评估的文献，并对报告或文献中以下两类数据进行采集并建立原始数据库，第一类数据包括同材质金属试样在各种电厂中的累计运行时间或微观组织老化级别；第二类数据为对同材质金属试样高温持久试验的每组数据进行采集，具体为：试验温度、试样的断裂时间、试样断裂时其载荷大小；
具体采集方法为：
对于第一类数据，在寿命评估报告中或寿命评估的文献中均会以文字形式提及，对这些数据进行采集，录入EXCEL中；
对于第二类数据，在寿命评估报告中或寿命评估的文献中多以图表形式列出，使用扫描仪或照相机清晰的将该图表以图片或照片形式进行捕捉并储存，再将所述的图片或照片放入Getdata软件中，通过重新标定坐标，精准的捕获每一个图中的点对应的相关数值，录入EXCEL中；
针对要进行寿命评估的金属材料，通过EXCEL，建立该金属材料对应的原始数据库，原始数据库中的数据为累计运行时间或微观组织老化级别、试验温度、试样断裂时间、试样断裂时载荷大小；
C、优选数据
对原始数据库进行的删减，具体方法如下：优选步骤A采集到的累计运行时间与原始数据库中试样累计运行时间差值在1万小时以内的相关数据；优选步骤A采集到的运行温度与原始数据库中试样试验温度差值50℃以内的相关数据；优选步骤A采集到的微观组织老化级别与原始数据库中微观组织老化级别差值在1级以内的相关数据，数据以excel形式存储，得到优选数据库；
D、BP神经网络的训练与调试
采用matlab软件进行BP神经网络的计算，将优选数据库导入；采用三层BP神经网络，其输入层为累计运行时间、试验温度、试样断裂时间；隐含层为神经元节点数，通过试凑法进行确定；期望输出层为试样断裂载荷大小，最后对预测得到断裂载荷值与实际值进行比较并计算误差，通过调整阀值和隐含层数量，直至误差最小，最终确定该BP神经网络；
E、高温持久强度的预测
将要进行寿命评估的金属材料的累计运行时间或微观组织老化级别，运行温度和断裂时间10万小时填入神经网络输入层，进行高温持久强度的预测，得到高温持久强度，即对金属材料寿命进行评估。
2.根据权利要求1所述的基于BP神经网络的电厂用金属材料寿命评估方法，其特征在于，步骤A所述的温度测点有两种，分别为：金属设备内介质的温度测点或金属设备的壁温测点，当温度测点为金属设备的壁温测点时，测得的温度作为运行温度；当温度测点为金属设备内介质的温度测点时，通过Ansys有限元模拟软件，计算得到该设备的金属壁温，作为运行温度。
CN201811050686.XA 2018-09-10 2018-09-10 一种基于bp神经网络的电厂用金属材料寿命评估方法 Active CN109142362B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811050686.XA CN109142362B (zh) 2018-09-10 2018-09-10 一种基于bp神经网络的电厂用金属材料寿命评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811050686.XA CN109142362B (zh) 2018-09-10 2018-09-10 一种基于bp神经网络的电厂用金属材料寿命评估方法

Publications (2)

Publication Number Publication Date
CN109142362A CN109142362A (zh) 2019-01-04
CN109142362B true CN109142362B (zh) 2021-01-26

Family

ID=64824076

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811050686.XA Active CN109142362B (zh) 2018-09-10 2018-09-10 一种基于bp神经网络的电厂用金属材料寿命评估方法

Country Status (1)

Country Link
CN (1) CN109142362B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3091589B1 (fr) * 2019-01-09 2021-01-01 Constellium Issoire Procédé de contrôle d'une propriété de tolérance aux dommages d'une pièce réalisée en un alliage d'aluminium
CN110245391B (zh) * 2019-05-28 2023-07-18 上海发电设备成套设计研究院有限责任公司 一种基于人工神经网络用硬度预测寿命的方法
CN110673563A (zh) * 2019-10-21 2020-01-10 山东钢铁集团日照有限公司 一种高温熔融金属容器监控预警报警系统及实施方法
CN111948121A (zh) * 2020-08-05 2020-11-17 广州珠江天然气发电有限公司 一种日启停机组金属材料老化方法及系统
CN112331281B (zh) * 2020-09-08 2021-11-12 中国电器科学研究院股份有限公司 基于环境大数据和机器学习的高分子材料服役寿命预测方法
CN112504863B (zh) * 2020-11-25 2024-08-02 润电能源科学技术有限公司 一种定量评估材料寿命的方法
CN117408137A (zh) * 2023-09-25 2024-01-16 贵州安大航空锻造有限责任公司 环轧机工装故障的智能预警方法、装置、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101013067A (zh) * 2007-02-06 2007-08-08 济南丰采电子科技有限公司 高温炉管剩余寿命评估方法及装置
CN101482481A (zh) * 2008-01-07 2009-07-15 中国人民解放军空军装备研究院航空装备研究所 包含疲劳载荷的金属结构日历寿命确定方法
CN102466597A (zh) * 2010-11-05 2012-05-23 华东理工大学 一种金属构件/材料剩余寿命的无损检测和评价方法
CN104156577A (zh) * 2014-07-31 2014-11-19 广东电网公司电力科学研究院 一种超超临界锅炉异种钢管焊接接头寿命评估方法
CN104537133A (zh) * 2014-05-12 2015-04-22 中国人民解放军空军工程大学 一种基于飞机结构寿命包线理论的单机剩余寿命预测方法
CN105628511A (zh) * 2015-12-25 2016-06-01 北京科技大学 一种高温合金蠕变寿命预测方法
CN106096073A (zh) * 2016-05-23 2016-11-09 北京航空航天大学 一种基于损伤力学非概率区间分析模型的金属疲劳裂纹全寿命预估方法
CN107704920A (zh) * 2017-10-16 2018-02-16 安徽工业大学 一种基于bp神经网络轧辊合金接触疲劳性能预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101013067A (zh) * 2007-02-06 2007-08-08 济南丰采电子科技有限公司 高温炉管剩余寿命评估方法及装置
CN101482481A (zh) * 2008-01-07 2009-07-15 中国人民解放军空军装备研究院航空装备研究所 包含疲劳载荷的金属结构日历寿命确定方法
CN102466597A (zh) * 2010-11-05 2012-05-23 华东理工大学 一种金属构件/材料剩余寿命的无损检测和评价方法
CN104537133A (zh) * 2014-05-12 2015-04-22 中国人民解放军空军工程大学 一种基于飞机结构寿命包线理论的单机剩余寿命预测方法
CN104156577A (zh) * 2014-07-31 2014-11-19 广东电网公司电力科学研究院 一种超超临界锅炉异种钢管焊接接头寿命评估方法
CN105628511A (zh) * 2015-12-25 2016-06-01 北京科技大学 一种高温合金蠕变寿命预测方法
CN106096073A (zh) * 2016-05-23 2016-11-09 北京航空航天大学 一种基于损伤力学非概率区间分析模型的金属疲劳裂纹全寿命预估方法
CN107704920A (zh) * 2017-10-16 2018-02-16 安徽工业大学 一种基于bp神经网络轧辊合金接触疲劳性能预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BP神经网络的身管寿命预测方法;陈国利 等;《火力与指挥控制》;20080930;第33卷(第9期);第146-148页 *
Forecasting of the Fatigue Life of Metal Weld Joints Based on Combined;Dan Ma et al.;《Key Engineering Materials》;20100607;第439-440卷;第195-202页 *
某电站锅炉高温受热面管寿命评估;王鹏 等;《金属材料专委会第一届学术年会》;20150831;第610-617页 *
神经网络在过热器管壁温度计算及寿命预测的应用研究;吴斐;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20060515(第5期);第47-56页 *

Also Published As

Publication number Publication date
CN109142362A (zh) 2019-01-04

Similar Documents

Publication Publication Date Title
CN109142362B (zh) 一种基于bp神经网络的电厂用金属材料寿命评估方法
CN109211299B (zh) 桥梁监测传感器的在线校准方法及系统
CN116862081B (zh) 一种污染治理设备运维方法及系统
CN110907475A (zh) 一种马氏体耐热钢的剩余寿命评估方法
CN118095813B (zh) 基于bim技术的地基沉降的可视化监测方法及系统
CN111144021B (zh) 一种燃料电池寿命预测方法及系统
CN115730852A (zh) 一种化工企业土壤污染管控方法及系统
CN117594164A (zh) 基于数字孪生的金属结构剩余疲劳寿命计算评估方法、系统
CN114186586B (zh) 基于二维卷积神经网络的损伤识别方法及设备
CN114186624B (zh) 基于二维卷积神经网络的损伤识别模型建立方法及设备
CN117273551B (zh) 一种改性沥青智能生产管理方法、系统及存储介质
CN114370612A (zh) 基于随机森林模型的供水管道状态监测方法
CN110909774B (zh) 一种基于贝叶斯分类的变电设备发热缺陷原因判别方法
KR101754165B1 (ko) 비주기 가속도 데이터를 병합한 구조물 이상거동 검출 및 안전성 평가 시스템
CN117218602A (zh) 一种结构健康监测数据异常诊断方法及系统
CN112945772A (zh) 一种水岩循环下工程岩体力学性能分析方法
CN116910655A (zh) 一种基于装置量测数据的智能电能表故障预测方法
CN111678991A (zh) 一种用于混凝土结构无损检测损伤识别的方法
CN114282423B (zh) 一种岸桥结构的疲劳监测方法和寿命预测方法
CN113960700B (zh) 区域数值预报结果的客观检验、统计及分析系统
CN112907096B (zh) 一种重金属污染风险评估系统
CN114139383A (zh) 一种燃料电池汽车的动态疲劳可靠性风险评估方法
Weathers et al. Automated Determination of Felicity Ratio for Composite Overwrapped Pressure Vessels
CN109946069A (zh) 一种基于载荷谱的数控装备拖链可靠性加速试验方法
CN113957933B (zh) 桩基竖向承载力评估方法及系统

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