CN110749541B - 地铁杂散电流腐蚀模拟实验台及腐蚀过程参数预测方法 - Google Patents

地铁杂散电流腐蚀模拟实验台及腐蚀过程参数预测方法 Download PDF

Info

Publication number
CN110749541B
CN110749541B CN201910928759.9A CN201910928759A CN110749541B CN 110749541 B CN110749541 B CN 110749541B CN 201910928759 A CN201910928759 A CN 201910928759A CN 110749541 B CN110749541 B CN 110749541B
Authority
CN
China
Prior art keywords
corrosion
electrode
train
neural network
mse
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
CN201910928759.9A
Other languages
English (en)
Other versions
CN110749541A (zh
Inventor
王禹桥
杨雪锋
陈宇鸣
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.)
Xuzhou Zhongkuang Transmission Track Technology Co ltd
Original Assignee
Xuzhou Zhongkuang Transmission Track Technology Co ltd
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 Xuzhou Zhongkuang Transmission Track Technology Co ltd filed Critical Xuzhou Zhongkuang Transmission Track Technology Co ltd
Priority to CN201910928759.9A priority Critical patent/CN110749541B/zh
Publication of CN110749541A publication Critical patent/CN110749541A/zh
Application granted granted Critical
Publication of CN110749541B publication Critical patent/CN110749541B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01N17/02—Electrochemical measuring systems for weathering, corrosion or corrosion-protection measurement
    • 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
    • G01N17/002—Test chambers
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Environmental Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)

Abstract

一种地铁杂散电流腐蚀模拟实验台及腐蚀过程参数预测方法，实验台：装填有土壤介质的腐蚀箱上端开口，工作电极、参比电极、石墨电极、温度传感器、湿度传感器和毛细管均设置在腐蚀箱内部，智能水泵与毛细管连接，可控直流电源分别与工作电极、参比电极和石墨电极连接，工业计算机分别与湿度传感器、温度传感器、可控直流电源连接和电化学分析仪连接；方法：通过实验台测量数据建立预测数据集，确定人工神经网络预测模型输入输出量，通过最优结构联合确定方法确定人工神经网络最优隐含层数量和最优数据集划分比例，通过预测模型以及数据集建立外部环境参数与腐蚀过程参数间的映射关系。该实验台和方法能够模拟地铁现场工况下的杂散电流腐蚀情况。

Description

地铁杂散电流腐蚀模拟实验台及腐蚀过程参数预测方法
技术领域
本发明属于地铁杂散电流防护技术领域，涉及一种地铁杂散电流腐蚀模拟实验台及腐蚀过程参数预测方法。
背景技术
随着我国城市化进程的逐步开展，城市内部交通拥堵问题已经成为城市建设中无法忽视的问题。地铁作为一种运量大、占地少、环保的公共交通方式，已经成为解决城市交通问题的主要手段。由于地铁在运营过程中绝大部分使用走行轨作为其牵引电流回流方式，加之走行轨对地绝缘老化等原因，会产生流向地下土壤环境的杂散电流。地铁杂散电流会对钢筋混凝土结构、埋地金属管线、走行轨、接地网部件等造成严重的电化学腐蚀，对地铁的安全运营和城市系统造成较大的安全威胁，甚至会酿成无法挽回的重大事故，造成人员伤亡和财产损失。因此，杂散电流防治问题对于地铁系统的可持续性安全运营具有重要的实际工程意义。
杂散电流防治的核心是研究杂散电流所导致的电化学腐蚀过程，由于地下环境复杂多变，影响杂散电流腐蚀过程的因素包括：离子浓度、土壤酸碱性、氧化还原性、杂散电流密度，甚至与土壤压力、湿度等因素也有一定的关系。通过一般意义上的电解质溶液模拟腐蚀效果与工程实际仍有一定的差异，所以需要一个能够充分模拟地下环境的杂散电流电化学腐蚀实验台，以能通过该实验台有效测量杂散电流的电化学腐蚀特性，真实地反映最接近工程实际情况的杂散电流腐蚀现象。但是，在现有技术中，并不具有能有效模拟地下环境的杂散电流电化学腐蚀的实验台。
另外，由于杂散电流腐蚀在地下环境发生，且地下环境中的钢筋混凝土、埋地金属管线等构件较难进行更换，因此基于腐蚀实验台的腐蚀预测技术是杂散电流防治中重要的一环。通过电化学过程参数的合理预测分析，能够有效得知地下构件在当前作用因素下的腐蚀情况以及在未来的腐蚀发展倾向，能为当前地铁系统排流以及老化、失效绝缘扣件的及时更替提供重要参考信息。
发明内容
针对上述现有技术存在的问题，本发明提供一种地铁杂散电流腐蚀模拟实验台，该实验台能够较为真实地模拟接近工程实际情况的杂散电流的腐蚀现象，能便于有效测量杂散电流的电化学腐蚀特性；本发明还提供一种地铁杂散电流腐蚀过程参数预测方法，该方法可以有效地获知地下构件的腐蚀情况以及在未来的腐蚀发展倾向，能为电化学过程参数的预测分析提供可靠的基础。
本发明提供一种地铁杂散电流腐蚀模拟实验台，包括上端开口的腐蚀箱、工作电极、参比电极、石墨电极、温度传感器、湿度传感器、可控直流电源、多根毛细管、工业计算机和开关电源；
所述腐蚀箱中装填有土壤介质；所述工作电极、参比电极、石墨电极、温度传感器和湿度传感器均埋设在土壤介质中；且石墨电极与腐蚀箱的内侧壁贴合地固定；
所述可控直流电源的正极和负极分别通过开关A和开关B与工作电极和石墨电极连接，可控直流电源的负极还与参比电极连接；可控直流电源还与电化学分析仪连接；所述电化学分析仪与参比电极连接；
多根毛细管纵向地插装于土壤介质中，且均匀分布；多根毛细管的上端均通过供水管路与智能水泵的出水口连接，智能水泵的入水口与水源连接；
所述工业计算机通过模拟量输入输出模块和转换器与可控直流电源连接，还通过采集卡分别与温度传感器和湿度传感器连接，工业计算机还分别与智能水泵和电化学分析仪连接；
所述开关电源与模拟量输入输出模块连接。
该实验台可以通过工业计算机控制可控直流电源输出可控电压，即作用于工作电极上的杂散电流密度。腐蚀箱上端开口，土壤介质中的水分可以不断向外蒸发，而湿度传感器可以实时测得实际湿度值并发送给工业计算机，这样，工业计算机可以将反馈的实际湿度值与设定湿度值进行比较，进而可以控制智能水泵的出水量，对土壤介质进行加湿，这样可以保证土壤介质的湿度值保持在相对稳定的范围内，以保证杂散电流电化学反应能在一个相对稳定的环境内进行。温度传感器能实时测量出土壤介质的温度，交反馈给工业计算机。参比电极可以便于测量极化电位信号，等比例放大后可以作为电化学分析仪的动态输入信号。开关A和开关B能方便地实现直流加载回路和极化曲线测试回路的切换。该实验台能够较为真实地模拟接近工程实际情况的杂散电流的腐蚀现象，能便于有效测量杂散电流的电化学腐蚀特性。
作为一种优选，所述参比电极为氯化银参比电极。
进一步，为了提高实验精度，所述湿度传感器和温度传感器均贴覆在腐蚀箱的内侧壁上；石墨电极通过固定连接在腐蚀箱内侧壁上的电极固定装置进行固定。
进一步，为了提高模拟效果，所述毛细管的数量为9根。
本发明还提供了一种地铁杂散电流腐蚀过程参数预测方法，包括以下步骤：
S1：通过权利要求3所述的一种地铁杂散电流腐蚀模拟实验台，在腐蚀时间间隔内测量电化学体系的极化曲线，通过极化曲线计算腐蚀电流密度icorr，并得到阳极曲线斜率、阴极曲线斜率以及电极电位V；
S2：建立人工神经网络学习数据集D，该D输入量为阳极曲线斜率、阴极曲线斜率、V、腐蚀时间tcorr、杂散电流密度is和环境温度Tsoil，输出量为icorr、自腐蚀电位Ecorr以及极化电阻LPR；
S3：建立基于人工神经网络的预测模型，人工神经网络包括两个隐含层，在进行神经网络训练前，首先确定较优的隐含层神经元数量m、数据集中训练集Ptrain、验证集Pvalidate和测试集的比例Ptest，再采用最优结构联合确定方法确定上述参数，保证该人工神经网络预测模型结构达到整体最优；
S4：通过所建立的人工神经网络预测模块的结构，将D带入训练学习，建立基于人工神经网络的电化学腐蚀参数预测模型，对杂散电流影响下的电化学腐蚀过程进行有效监测。
进一步，S3中的最优结构联合确定方法包括以下步骤：
步骤1：初设神经元数量区间[mmin,mmax]及训练集比例区间[Ptrain min,Ptrain max]，由于验证集和测试集的比例相同，因此验证集和测试集的比例范围可以对应得到
Pvalidate＝Ptest＝[(1-Ptrain min)/2,(1-Ptrain max)/2]；
步骤2：设定比例循环间隔ΔP以及隐含层数量循环间隔Δm；
步骤3：在当前m所对应的神经网络NNm中，每次学习前从D中随机选取百分之30％作为确定神经网络结构的数据集DS，并将DS依据当前Ptrain、Pvalidate和Ptrain划分为DSTr(DS*Ptrain)、DSVal(DS*validate)、DSTe(DS*Ptest)，结束学习后分别计算DSTr、DSVal、DSTe三个数据集的均方根误差MSEm(DSTr)、MSEm(DSVal)、MSEm(DSTe)，根据
MSEm Ptrain＝MSEm(DSTr)*Ptrain+MSEm(DSVal)*Pvalidate+MSEm(DSTe)*Ptest，求出在当前总均方根误差MSEm Ptrain，根据ΔP循环训练在NNm下的[Ptrain min,Ptrain max]；
步骤4：依照步骤3中的基于训练比例的总均方根误差计算方法，根据Δm循环在[mmin，mmax]内所有神经网络所对应不同训练集比例下的总均方根误差集合MSEm Ptrain，m∈[mmin，mmax]，∈[Ptrain min,Ptrain max]；
步骤5：比较MSEm Ptrain内的所有计算结果，最小均方根误差所对应下的隐含层神经元数量和训练集划分比例即为该学习数据集下所对应的最优m和最优数据集划分比例，进而建立此问题下最优结构的人工神经网络预测模型。
该方法能够有效地确定人工神经网络预测模型的输入输出量，通过最优结构联合确定方法确定人工神经网络最优隐含层数量和最优数据集划分比例，能得去提高所建立预测模型的预测精度，最终通过预测模型以及数据集建立外部环境参数与地铁现场难以测得的腐蚀过程参数间的映射关系。该方法能够有效实现高度模拟地铁现场工况下的杂散电流腐蚀预测，能为地铁现场埋地结构腐蚀状况监测提供了新的手段。
附图说明
图1是本发明中地铁杂散电流腐蚀模拟实验台的结构示意；
图2是本发明中的地铁杂散电流模拟加载信号的波形图；
图3是本发明中基于最优结构联合确定的腐蚀过程参数预测方法流程图；
图4是本发明中腐蚀过程参数预测模块中隐含层最优神经元数量及最优训练集比例确定方法流程图。
图中：1、土壤介质，2、石墨电极，3、参比电极，4、湿度传感器，5、温度传感器，6、电极固定装置，7、毛细管，8、智能水泵，9、可控直流电源，10、采集卡，11、工业计算机，12、模拟量输入输出模块，13、转换器，14、开关电源，15、工作电极，16、电化学分析仪，17、腐蚀箱，18、开关A，19、开关B。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示，一种地铁杂散电流腐蚀模拟实验台，包括上端开口的腐蚀箱17、工作电极15、参比电极3、石墨电极2、温度传感器5、湿度传感器4、可控直流电源9、多根毛细管7、工业计算机11和开关电源14；作为一种优选，所述开关电源14为5V开关电源；
所述腐蚀箱17中装填有土壤介质1；所述工作电极15、参比电极3、石墨电极2、温度传感器5和湿度传感器4均埋设在土壤介质1中；且石墨电极2与腐蚀箱17的内侧壁贴合地固定；
所述可控直流电源9的正极和负极分别通过开关A18和开关B19与工作电极15和石墨电极2连接，可控直流电源9的负极还与参比电极3连接；可控直流电源9还与电化学分析仪16连接；所述电化学分析仪16与参比电极3连接。
多根毛细管7纵向地插装于土壤介质1中，且均匀分布；多根毛细管7的上端均通过供水管路与智能水泵8的出水口连接，智能水泵8的入水口与水源连接；其中，毛细管7的下端不与腐蚀箱17的底部相接触，并留有一定距离的间隙。作为一种优选方案，毛细管7的数量为9根，湿度传感器4的数量亦为9个，9个湿度传感器分别设置在9根毛细管7的下方。
可控直流电源9在模拟地铁直流杂散电流加载时，需要根据设定要求进行杂散电流加载大小的改变，所述工业计算机11通过模拟量输入输出模块12和转换器13与可控直流电源9连接，进而可以通过工业计算机11控制可控直流电源9的输出可控电压，即作用于工作电极15上的杂散电流密度，能够有效模拟地铁杂散电流在一天内的动态变化特性(日间运行，夜间停车)，因此能够模拟动态杂散电流对于埋地金属结构的腐蚀作用。工业计算机11还通过采集卡10分别与温度传感器5和湿度传感器4连接，工业计算机11还分别与智能水泵8和电化学分析仪16连接；其中，电化学分析16与参比电极3连接，参比电极3能够测量极化电位信号，等比例放大后发送给电化学分析仪16，进而可以获得杂散电流的模拟信号。
作为一种优选，转换器13为MOXA转换器。
作为一种优选，所述模拟量输入输出模块采用MODBUS通讯协议，具有四路模拟量信号物料输出，可以控制工业计算机11的控制输出0到10V的模拟信号。
所述开关电源14与模拟量输入输出模块12连接。
所述参比电极3为氯化银参比电极。
所述湿度传感器4和温度传感器5均贴覆在腐蚀箱17的内侧壁上；石墨电极2通过固定连接在腐蚀箱17内侧壁上的电极固定装置6进行固定。
所述毛细管7的数量为9根。
该实验台中腐蚀箱17上端开口，这样，土壤介质1中的水分可以不断向外蒸发，而湿度传感器4可以实时测得实际湿度值并发送给工业计算机11，这样工业计算机11可以说根据设定湿度值来控制智能水泵8向腐蚀箱17内泵水，以使腐蚀箱17内土壤介质1的湿度值保持在相对稳定的范围内，这样，就能使杂散电流的电化学反应在一个相对稳定的环境内进行，能够保证模拟的真实性和可靠性。
如图2至图4所示，一种地铁杂散电流腐蚀过程参数预测方法，包括以下步骤：
S1：通过权利要求3所述的一种地铁杂散电流腐蚀模拟实验台，在腐蚀时间间隔内测量电化学体系的极化曲线，通过极化曲线计算腐蚀电流密度icorr，并得到阳极曲线斜率、阴极曲线斜率以及电极电位V；
S2：建立人工神经网络学习数据集D，该D输入量为阳极曲线斜率、阴极曲线斜率、V、腐蚀时间tcorr、杂散电流密度is和环境温度Tsoil，输出量为icorr、自腐蚀电位Ecorr以及极化电阻LPR；
S3：建立基于人工神经网络的预测模型，人工神经网络包括两个隐含层，在进行神经网络训练前，首先确定较优的隐含层神经元数量m、数据集中训练集Ptrain、验证集Pvalidate和测试集的比例Ptest，再采用最优结构联合确定方法确定上述参数，保证该人工神经网络预测模型结构达到整体最优；
S4：通过所建立的人工神经网络预测模块的结构，将D带入训练学习，建立基于人工神经网络的电化学腐蚀参数预测模型，对杂散电流影响下的电化学腐蚀过程进行有效监测。
S3中的最优结构联合确定方法包括以下步骤：
步骤1：初设神经元数量区间[mmin,mmax]及训练集比例区间[Ptrain min,Ptrain max]，由于验证集和测试集的比例相同，因此验证集和测试集的比例范围可以对应得到
Pvalidate＝Ptest＝[(1-Ptrain min)/2,(1-Ptrain max)/2]；
步骤2：设定比例循环间隔ΔP以及隐含层数量循环间隔Δm；
步骤3：在当前m所对应的神经网络NNm中，每次学习前从D中随机选取百分之30％作为确定神经网络结构的数据集DS，并将DS依据当前Ptrain、Pvalidate和Ptrain划分为DSTr(DS*Ptrain)、DSVal(DS*validate)、DSTe(DS*Ptest)，结束学习后分别计算DSTr、DSVal、DSTe三个数据集的均方根误差MSEm(DSTr)、MSEm(DSVal)、MSEm(DSTe)，根据
MSEm Ptrain＝MSEm(DSTr)*Ptrain+MSEm(DSVal)*Pvalidate+MSEm(DSTe)*Ptest，求出在当前总均方根误差MSEm Ptrain，根据ΔP循环训练在NNm下的[Ptrain min,Ptrain max]；
步骤4：依照步骤3中的基于训练比例的总均方根误差计算方法，根据Δm循环在[mmin，mmax]内所有神经网络所对应不同训练集比例下的总均方根误差集合MSEm Ptrain，m∈[mmin，mmax]，∈[Ptrain min,Ptrain max]；
步骤5：比较MSEm Ptrain内的所有计算结果，最小均方根误差所对应下的隐含层神经元数量和训练集划分比例即为该学习数据集下所对应的最优m和最优数据集划分比例，进而建立此问题下最优结构的人工神经网络预测模型。
该方法能够有效实现高度模拟地铁现场工况下的杂散电流腐蚀预测，为地铁现场埋地结构腐蚀状况监测提供了新的手段。

Claims (2)

1.一种地铁杂散电流腐蚀过程参数预测方法，采用一种地铁杂散电流腐蚀模拟实验台，所述地铁杂散电流腐蚀模拟实验台包括上端开口的腐蚀箱（17）、工作电极（15）、参比电极（3）、石墨电极（2）、温度传感器（5）、湿度传感器（4）、可控直流电源（9）、多根毛细管（7）、工业计算机（11）和开关电源（14）；所述腐蚀箱（17）中装填有土壤介质（1）；所述工作电极（15）、参比电极（3）、石墨电极（2）、温度传感器（5）和湿度传感器（4）均埋设在土壤介质（1）中；且石墨电极（2）与腐蚀箱（17）的内侧壁贴合地固定；所述可控直流电源（9）的正极和负极分别通过开关A（18）和开关B（19）与工作电极（15）和石墨电极（2）连接，可控直流电源（9）的负极还与参比电极（3）连接；可控直流电源（9）还与电化学分析仪（16）连接；所述电化学分析仪（16）与参比电极（3）连接；多根毛细管（7）纵向地插装于土壤介质（1）中，且均匀分布；多根毛细管（7）的上端均通过供水管路与智能水泵（8）的出水口连接，智能水泵（8）的入水口与水源连接；所述工业计算机（11）通过模拟量输入输出模块（12）和转换器（13）与可控直流电源（9）连接，还通过采集卡（10）分别与温度传感器（5）和湿度传感器（4）连接，工业计算机（11）还分别与智能水泵（8）和电化学分析仪（16）连接；所述开关电源（14）与模拟量输入输出模块（12）连接；所述参比电极（3）为氯化银参比电极；所述湿度传感器（4）和温度传感器（5）均贴覆在腐蚀箱（17）的内侧壁上；石墨电极（2）通过固定连接在腐蚀箱（17）内侧壁上的电极固定装置（6）进行固定；所述毛细管（7）的数量为9根；其特征在于，包括以下步骤：
S1：通过所述的一种地铁杂散电流腐蚀模拟实验台，在腐蚀时间间隔内测量电化学体系的极化曲线，通过极化曲线计算腐蚀电流密度i corr ，并得到阳极曲线斜率、阴极曲线斜率以及电极电位V；
S2：建立人工神经网络学习数据集D，该D输入量为阳极曲线斜率、阴极曲线斜率、V、腐蚀时间t corr 、杂散电流密度i s 和环境温度T soil ，输出量为i corr 、自腐蚀电位E corr 以及极化电阻LPR；
S3：建立基于人工神经网络的预测模型，人工神经网络包括两个隐含层，在进行神经网络训练前，首先确定较优的隐含层神经元数量m、数据集中训练集P train 、验证集P validate 和测试集的比例P test ，再采用最优结构联合确定方法确定上述参数，保证该人工神经网络预测模型结构达到整体最优；
S4：通过所建立的人工神经网络预测模块的结构，将D带入训练学习，建立基于人工神经网络的电化学腐蚀参数预测模型，对杂散电流影响下的电化学腐蚀过程进行有效监测。
2.根据权利要求1所述一种地铁杂散电流腐蚀过程参数预测方法，其特征在于，S3中的最优结构联合确定方法包括以下步骤：
步骤1：初设神经元数量区间[m min ,m max ]及训练集比例区间[P train min ,P train max ] ，由于验证集和测试集的比例相同，因此验证集和测试集的比例范围可以对应得到P validate =P test =[(1-P train min )/2,(1-P train max )/2]；
步骤2：设定比例循环间隔ΔP以及隐含层数量循环间隔Δm；
步骤3：在当前m所对应的神经网络NN m 中，每次学习前从D中随机选取百分之30%作为确定神经网络结构的数据集DS，并将DS依据当前P train 、P validate 和P train 划分为DS Tr （DS*P train ）、DS Val （DS* validate ）、DS Te （DS*P test ），结束学习后分别计算DS Tr 、DS Val 、DS Te 三个数据集的均方根误差MSE m (DS Tr )、MSE m (DS Val )、MSE m (DS Te ) ，根据MSE m Ptrain =MSE m (DS Tr )*P train +MSE m (DS Val )*P validate +MSE m (DS Te )*P test ，求出在当前总均方根误差MSE m Ptrain ，根据ΔP循环训练在NN m 下的[P train min ,P train max ]；
步骤4：依照步骤3中的基于训练比例的总均方根误差计算方法，根据Δm循环在 [m min ，m max ]内所有神经网络所对应不同训练集比例下的总均方根误差集合MSE m Ptrain ，m∈[m min ，m max ]，∈[P train min ,P train max ]；
步骤5：比较MSE m Ptrain 内的所有计算结果，最小均方根误差所对应下的隐含层神经元数量和训练集划分比例即为该学习数据集下所对应的最优m和最优数据集划分比例，进而建立此问题下最优结构的人工神经网络预测模型。
CN201910928759.9A 2019-09-28 2019-09-28 地铁杂散电流腐蚀模拟实验台及腐蚀过程参数预测方法 Active CN110749541B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910928759.9A CN110749541B (zh) 2019-09-28 2019-09-28 地铁杂散电流腐蚀模拟实验台及腐蚀过程参数预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910928759.9A CN110749541B (zh) 2019-09-28 2019-09-28 地铁杂散电流腐蚀模拟实验台及腐蚀过程参数预测方法

Publications (2)

Publication Number Publication Date
CN110749541A CN110749541A (zh) 2020-02-04
CN110749541B true CN110749541B (zh) 2024-04-26

Family

ID=69277382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910928759.9A Active CN110749541B (zh) 2019-09-28 2019-09-28 地铁杂散电流腐蚀模拟实验台及腐蚀过程参数预测方法

Country Status (1)

Country Link
CN (1) CN110749541B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112798520A (zh) * 2020-12-31 2021-05-14 华南理工大学 土壤环境下杂散电流对埋地金属电化学腐蚀的模拟装置
CN112989660B (zh) * 2021-03-15 2021-09-17 广州地铁设计研究院股份有限公司 基于偏最小二乘法的地铁杂散电流下管道腐蚀预测方法
CN114528773B (zh) * 2022-04-24 2022-09-02 国网江西省电力有限公司电力科学研究院 基于大数据分析的轨道交通杂散电流波形预测系统及方法
CN114993928B (zh) * 2022-05-26 2024-04-19 徐州中矿传动轨道科技有限公司 一种杂散电流腐蚀下的埋地管道涂层缺陷定位装置及方法
CN115096806B (zh) * 2022-06-21 2024-04-12 徐州中矿传动轨道科技有限公司 隧道钢混结构杂散电流腐蚀高风险区域识别方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101831657A (zh) * 2010-05-20 2010-09-15 中国海洋大学 金属腐蚀阴极保护用海泥/海水生物燃料电池系统
CN102312240A (zh) * 2010-06-29 2012-01-11 中国石油天然气股份有限公司 一种杂散电流干扰腐蚀模拟优化装置
CN102313696A (zh) * 2010-06-29 2012-01-11 中国石油天然气股份有限公司 一种杂散干扰腐蚀风险评价的室内模拟方法及装置
CN102338735A (zh) * 2010-07-14 2012-02-01 中国石油天然气股份有限公司 多干扰源杂散电流干扰室内模拟装置
CN203658230U (zh) * 2013-11-04 2014-06-18 长沙理工大学 一种模拟土壤中杂散电流对接地网腐蚀的实验装置
CN107991873A (zh) * 2017-12-11 2018-05-04 中国矿业大学 一种基于卷积神经网络及bp神经网络的地铁杂散电流泄漏等级预测方法
CN108444899A (zh) * 2018-05-23 2018-08-24 昆明理工大学 一种直流杂散电流引起金属材料腐蚀的室内实验模拟装置
CN108827867A (zh) * 2018-04-23 2018-11-16 中国矿业大学 一种基于数据挖掘技术的地铁杂散电流腐蚀特征信息的提取方法
CN211013961U (zh) * 2019-09-28 2020-07-14 徐州中矿传动轨道科技有限公司 地铁杂散电流腐蚀动态模拟实验系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1152235A1 (en) * 2000-05-04 2001-11-07 Ionpro N.V. System to measure the state of corrosion of buried metallic structures continuously in time and in length
US9354157B2 (en) * 2013-12-30 2016-05-31 Electric Power Research Institute, Inc. Apparatus and method for assessing subgrade corrosion

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101831657A (zh) * 2010-05-20 2010-09-15 中国海洋大学 金属腐蚀阴极保护用海泥/海水生物燃料电池系统
CN102312240A (zh) * 2010-06-29 2012-01-11 中国石油天然气股份有限公司 一种杂散电流干扰腐蚀模拟优化装置
CN102313696A (zh) * 2010-06-29 2012-01-11 中国石油天然气股份有限公司 一种杂散干扰腐蚀风险评价的室内模拟方法及装置
CN102338735A (zh) * 2010-07-14 2012-02-01 中国石油天然气股份有限公司 多干扰源杂散电流干扰室内模拟装置
CN203658230U (zh) * 2013-11-04 2014-06-18 长沙理工大学 一种模拟土壤中杂散电流对接地网腐蚀的实验装置
CN107991873A (zh) * 2017-12-11 2018-05-04 中国矿业大学 一种基于卷积神经网络及bp神经网络的地铁杂散电流泄漏等级预测方法
CN108827867A (zh) * 2018-04-23 2018-11-16 中国矿业大学 一种基于数据挖掘技术的地铁杂散电流腐蚀特征信息的提取方法
CN108444899A (zh) * 2018-05-23 2018-08-24 昆明理工大学 一种直流杂散电流引起金属材料腐蚀的室内实验模拟装置
CN211013961U (zh) * 2019-09-28 2020-07-14 徐州中矿传动轨道科技有限公司 地铁杂散电流腐蚀动态模拟实验系统

Also Published As

Publication number Publication date
CN110749541A (zh) 2020-02-04

Similar Documents

Publication Publication Date Title
CN110749541B (zh) 地铁杂散电流腐蚀模拟实验台及腐蚀过程参数预测方法
CN102269972B (zh) 基于遗传神经网络的管道压力缺失数据补偿方法及装置
CN102565307B (zh) 变压变温加速溶蚀的试验仪器及其试验方法
CN113433057B (zh) 一种埋地金属管道杂散电流腐蚀速率预测装置及方法
Zhang et al. Improving Dam Seepage Prediction Using Back‐Propagation Neural Network and Genetic Algorithm
CN211013961U (zh) 地铁杂散电流腐蚀动态模拟实验系统
CN106734174A (zh) 电动修复污染土壤显示系统
CN104299032A (zh) 一种预测变电站接地网土壤腐蚀速率的方法
CN203096683U (zh) 一种堤防工程渗透破坏发展过程的模型试验装置
CN204177718U (zh) 评价交流杂散电流干扰下油气管线腐蚀的电化学测试系统
CN103983295B (zh) 基于信号和环境激励的传感器故障诊断系统和诊断方法
CN104863581A (zh) 用于水平井动态全水值测量的周向电导探针传感器及系统
CN105547988A (zh) 钢筋混凝土锈蚀试验装置及试验方法
CN110186789A (zh) 基于灰色系统的建筑废弃物路基永久变形正交预估方法
CN212560442U (zh) 基于城镇燃气管道阴极保护的ai智能监测与调控设备
CN201653876U (zh) 一种室内模拟土壤腐蚀的装置
CN204631135U (zh) 一种水溶液电导率检测装置
CN206464339U (zh) 用于电动修复装置的检测系统
CN107482778A (zh) 一种改进的电力系统健康状态监测的方法及系统
CN108845185A (zh) 柔性石墨接地体接地电阻测量及加速腐蚀测试装置和方法
CN201583583U (zh) 埋地燃气管道杂散电流检测设备
CN105487017A (zh) 一种变电站ups用阀控式密封铅酸蓄电池状态估计与预测方法
CN202512108U (zh) 变压变温加速溶蚀的试验仪器
CN207829870U (zh) 一种油田注水结垢实验装置
CN108627768A (zh) 一种全钒液流电池系统soc在线检测方法

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