CN114154762A - 金属腐蚀速率预测方法、装置、计算机设备和存储介质 - Google Patents
金属腐蚀速率预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN114154762A CN114154762A CN202111673443.3A CN202111673443A CN114154762A CN 114154762 A CN114154762 A CN 114154762A CN 202111673443 A CN202111673443 A CN 202111673443A CN 114154762 A CN114154762 A CN 114154762A
- Authority
- CN
- China
- Prior art keywords
- corrosion
- prediction model
- original
- data
- predicted
- 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 303
- 238000005260 corrosion Methods 0.000 title claims abstract description 303
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 124
- 239000002184 metal Substances 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 59
- 230000002068 genetic effect Effects 0.000 claims abstract description 47
- 230000003628 erosive effect Effects 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 33
- 230000007704 transition Effects 0.000 claims description 26
- 230000009466 transformation Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 16
- 108090000623 proteins and genes Proteins 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 6
- 210000000349 chromosome Anatomy 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010187 selection method Methods 0.000 description 4
- 229910002065 alloy metal Inorganic materials 0.000 description 3
- 238000001035 drying Methods 0.000 description 3
- 238000005530 etching Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- NBIIXXVUZAFLBC-UHFFFAOYSA-N Phosphoric acid Chemical compound OP(O)(O)=O NBIIXXVUZAFLBC-UHFFFAOYSA-N 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000012153 distilled water Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 150000002739 metals Chemical class 0.000 description 2
- 238000002791 soaking Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000004580 weight loss Effects 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 238000003723 Smelting Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 229910000147 aluminium phosphate Inorganic materials 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229940117975 chromium trioxide Drugs 0.000 description 1
- WGLPBDUCMAPZCE-UHFFFAOYSA-N chromium trioxide Inorganic materials O=[Cr](=O)=O WGLPBDUCMAPZCE-UHFFFAOYSA-N 0.000 description 1
- GAMDZJFZMJECOS-UHFFFAOYSA-N chromium(6+);oxygen(2-) Chemical compound [O-2].[O-2].[O-2].[Cr+6] GAMDZJFZMJECOS-UHFFFAOYSA-N 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012358 sourcing Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 108700026215 vpr Genes Proteins 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Computational Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Physiology (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Databases & Information Systems (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
Abstract
本申请涉及一种金属腐蚀速率预测方法、装置、计算机设备和存储介质。该方法包括：获取待预测金属在模拟腐蚀环境下，与多个不同腐蚀时长一一对应的多个腐蚀数据。根据多个腐蚀数据，构建原始灰色预测模型，原始灰色预测模型包括两个原始参数。基于原始灰色预测模型，在每一腐蚀时长下，预测出待预测金属的腐蚀预测值。根据同一腐蚀时长的腐蚀数据和腐蚀预测值，采用遗传算法调整原始灰色预测模型中的两个原始参数，得到目标灰色预测模型，并基于目标灰色预测模型，确定待预测金属的腐蚀速率。由于建模参数通过遗传算法进行了优化，因此，目标灰色预测模型的预测精度更高，得到的预测结果更为准确。从而能够更加精确的预测金属的腐蚀速率。
Description
技术领域
本申请涉及金属寿命评估技术领域，特别是涉及一种金属腐蚀速率预测方法、装置、计算机设备和存储介质。
背景技术
随着金属冶炼技术的发展，合金金属在航空航天、交通运输、能源传输、农业生产以及日常生活等领域中的应用越来越广泛。尤其是在航空航天领域，由于合金金属具备高强度、低密度，高韧性的特点，因此被广泛应用于飞机的主承力结构，例如起落架的隔框、翼梁、蒙皮和托架等承力部位。而随着科技的进步，我国对于海洋的探索也一步步加深，因此，航空设备在海洋大气环境下服役的时长也越来越长。而在海洋大气环境下服役的时长增长，也意味着航空设备需要长时长的承受高盐雾、高湿度、高温度及强太阳辐射等严酷海洋大气条件。这也导致航空设备的金属极易被腐蚀，而一旦航空设备的金属被腐蚀使得零件失效，则可能造成人员财产的重大损失。因此，如何对金属的寿命进行准确的预测，是目前需要解决的问题。
传统技术中，通过灰色预测模型来预测金属的寿命。然而，传统技术中的灰色预测模型，由于建模参数单一，建模参数仅根据金属历史寿命来确定，从而导致预测精度较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够对灰色预测模型的建模参数进行优化，构建更加精准的灰色预测模型来对金属的寿命进行预测的金属腐蚀速率预测方法、装置、计算机设备和存储介质。
一种金属腐蚀速率预测方法，所述方法包括：获取待预测金属在模拟腐蚀环境下，与多个不同腐蚀时长一一对应的多个腐蚀数据；根据多个所述腐蚀数据，构建原始灰色预测模型，所述原始灰色预测模型包括两个原始参数；基于所述原始灰色预测模型，在每一所述腐蚀时长下，预测出所述待预测金属的腐蚀预测值；根据同一腐蚀时长的所述腐蚀数据和所述腐蚀预测值，采用遗传算法调整所述原始灰色预测模型中的两个原始参数，得到目标灰色预测模型，并基于所述目标灰色预测模型，确定所述待预测金属的腐蚀速率。
在其中一个实施例中，根据同一腐蚀时长的所述腐蚀数据和所述腐蚀预测值，采用遗传算法调整所述原始灰色预测模型中的两个参数，得到目标灰色预测模型，包括：获取预设的适应度函数，其中，所述适应度函数用于获取所述腐蚀数据和所述腐蚀预测值对应的适应度函数值；采用遗传算法调整所述两个原始参数，得到过渡灰色预测模型；根据所述适应度函数，调整所述过渡灰色预测模型，直到确定目标灰色预测模型；其中，基于所述目标灰色预测模型确定的目标腐蚀预测值和所述腐蚀数据对应的适应度函数值小于预设阈值。
在其中一个实施例中，所述采用遗传算法调整所述两个原始参数，得到过渡灰色预测模型，包括：根据所述两个原始参数，生成对应的遗传算法种群，所述种群包括多个个体；通过轮盘赌选择算法，根据各个所述个体的适应度，对所述多个个体进行筛选，得到筛选后的个体组成的第一种群；通过算数交叉算法将所述第一种群中的个体进行线性组合，得到第二种群；通过均匀变异算法调整所述第二种群中的个体的基因值，确定两个过渡参数；根据所述两个过渡参数构建过渡灰色预测模型。
在其中一个实施例中，所述根据多个所述腐蚀数据，构建原始灰色预测模型，包括：对各个所述腐蚀数据进行对数变换，得到多个变换腐蚀数据；确定与多个所述变换腐蚀数据对应的多个光滑度；若多个所述光滑度均在预设范围内，则根据多个所述变换腐蚀数据，构建原始灰色预测模型。
在其中一个实施例中，所述根据多个所述腐蚀数据，构建原始灰色预测模型，还包括：若至少一个所述光滑度不在预设范围内，则对所述变换腐蚀数据进行预处理，直到多个所述光滑度均在预设范围内，再根据预处理后的所述变换腐蚀数据，构建原始灰色预测模型。
在其中一个实施例中，所述方法还包括：获取根据多个所述变换腐蚀数据所构建的原始灰色预测模型预测出的变换腐蚀预测值；根据所述对数变换的方式，对所述变换腐蚀预测值进行对应的指数变换，确定所述腐蚀预测值。
在其中一个实施例中，所述方法还包括：根据各个所述腐蚀数据，以及基于所述目标灰色预测模型预测出的目标腐蚀预测值，确定所述目标灰色预测模型的后验差比值和小误差概率；根据所述后验差比值和所述小误差概率，确定所述目标灰色预测模型的模型精度等级。
一种金属腐蚀速率预测装置，所述装置包括：
数据获取模块，用于获取待预测金属在模拟腐蚀环境下与多个不同腐蚀时长一一对应的多个腐蚀数据；
模型构建模块，用于根据多个所述腐蚀数据，构建原始灰色预测模型，所述原始灰色预测模型包括两个原始参数；
预测值获取模块，用于基于所述原始灰色预测模型，在每一所述腐蚀时长下，预测出所述待预测金属的腐蚀预测值；
速率确定模块，用于根据同一腐蚀时长的所述腐蚀数据和所述腐蚀预测值，采用遗传算法调整所述原始灰色预测模型中的两个原始参数，得到目标灰色预测模型，并基于所述目标灰色预测模型，确定所述待预测金属的腐蚀速率。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取待预测金属在模拟腐蚀环境下，与多个不同腐蚀时长一一对应的多个腐蚀数据；根据多个所述腐蚀数据，构建原始灰色预测模型，所述原始灰色预测模型包括两个原始参数；基于所述原始灰色预测模型，在每一所述腐蚀时长下，预测出所述待预测金属的腐蚀预测值；根据同一腐蚀时长的所述腐蚀数据和所述腐蚀预测值，采用遗传算法调整所述原始灰色预测模型中的两个原始参数，得到目标灰色预测模型，并基于所述目标灰色预测模型，确定所述待预测金属的腐蚀速率。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：获取待预测金属在模拟腐蚀环境下，与多个不同腐蚀时长一一对应的多个腐蚀数据；根据多个所述腐蚀数据，构建原始灰色预测模型，所述原始灰色预测模型包括两个原始参数；基于所述原始灰色预测模型，在每一所述腐蚀时长下，预测出所述待预测金属的腐蚀预测值；根据同一腐蚀时长的所述腐蚀数据和所述腐蚀预测值，采用遗传算法调整所述原始灰色预测模型中的两个原始参数，得到目标灰色预测模型，并基于所述目标灰色预测模型，确定所述待预测金属的腐蚀速率。
上述金属腐蚀速率预测方法、装置、计算机设备和存储介质。本预测方法，可以将待预测金属放置在模拟的腐蚀环境下，获取待预测金属在不同腐蚀时长时的腐蚀数据，根据多个腐蚀数据，构建原始的灰色预测模型，基于原始灰色预测模型，得到与实验值对应的每个腐蚀时长下的待预测金属的腐蚀预测值，根据同一腐蚀时长的腐蚀数据和腐蚀预测值作为参考，使用遗传算法来调整灰色预测模型中的两个参数，得到了目标灰色预测模型，再基于目标灰色预测模型，对待预测金属进行预测得到新的腐蚀预测值，从而能够预测待预测金属的腐蚀速率。由于目标灰色预测模型中的两个建模参数是基于腐蚀数据的实验值以及原始灰色预测模型得到的腐蚀预测值为基础，再通过遗传算法进行优化后的数值，因此，目标灰色预测模型的预测精度更高，得到的预测结果更为准确。从而能够更加精确的预测金属的腐蚀速率。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案，下面将对实施例或传统技术描述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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为一个实施例中金属腐蚀速率预测方法的流程图；
图2为一个实施例中确定目标灰色预测模型的方法的流程图；
图3为一个实施例中遗传算法的优化方法的流程示意图；
图4为一个实施例中光滑度的优化方法的流程示意图；
图5为一个实施例中光滑度的优化还原的方法的流程示意图；
图6为一个实施例中确定模型精度的方法的流程示意图；
图7为一个实施例中待预测金属预测数值的条形图；
图8为一个实施例中金属腐蚀速率预测装置的结构图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的实施例。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使本申请的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。
在此使用时，单数形式的“一”、“一个”和“所述/该”也可以包括复数形式，除非上下文清楚指出另外的方式。还应当理解的是，术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在，但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。
正如背景技术所述，现有技术中的灰色预测模型存在预测精度不高的问题。经发明人研究发现，出现这种问题的原因在于，现有技术中仅根据金属的历史寿命来构建灰色预测模型，建模参数单一，而实际中影响金属腐蚀速率的因素很多，其建模参数未根据实际数据进行优化，因此，预测精度不高。
基于以上原因，本发明提供了一种能够对灰色预测模型的建模参数进行优化，构建更加精准的灰色预测模型来对金属的寿命进行预测的金属腐蚀速率预测方法、装置、计算机设备和存储介质。
在一个实施例中，如图1所示，提供了一种金属腐蚀速率预测方法，该方法包括：
步骤S100，获取待预测金属在模拟腐蚀环境下，与多个不同腐蚀时长一一对应的多个腐蚀数据。
具体地，获取金属样品，根据《金属和合金的腐蚀腐蚀试样上腐蚀产物的清除》中的要求，按照国家标准GB/T 16545-1996/ISO 8407:199，对金属样品进行除锈。除锈方式如下，使用的除锈液为50mL磷酸+20g三氧化铬+蒸馏水配置而成的1000mL溶液，将金属样品在溶液中浸泡时间10分钟，浸泡温度为85℃，直至锈层完全去除，同时使用未腐蚀的试样矫正除锈液对试样的腐蚀。除锈后的试样用蒸馏水清洗干净，再用无水乙醇擦拭后用冷风吹干，放入干燥箱内干燥，干燥后用电子天平称重(精确到0.001mg)。将经过除锈后的金属样品的重量与腐蚀实验前的重量进行对比，得到腐蚀数据。
再通过如下公式，计算腐蚀数据：
其中，V为样品金属的腐蚀数据，W0为样品金属的初始质量，Wt为样品金属当前腐蚀时长的质量，A为样品金属的表面积。
示例性地，样品金属的腐蚀数据如下表所示。
表一、腐蚀数据表。
步骤S120，根据多个腐蚀数据，构建原始灰色预测模型，原始灰色预测模型包括两个原始参数。
具体地，建立灰色预测模型的微分方程：
其中，X(0)(j)为第j个腐蚀时长的腐蚀数据，α为第一建模参数，β为第二建模参数，n为待预测金属的失重数据的数量。
再通过最小二乘法，根据灰色预测模型的微分方程，确定两个建模参数的矩阵方程：
[α,β]T＝(BTB)-1BTY
其中，α为一个建模参数，β为另一个建模参数，
其中，X(0)(j)为第j个腐蚀时长的腐蚀数据，X(0)(n)为第n个腐蚀时长的腐蚀数据。
将上述建模参数矩阵代入灰色预测模型的微分方程中可得如下公式：
其中，
其中，
为第j个腐蚀时长的腐蚀预测值，α为第一建模参数，β为第二建模参数，n为待预测金属的失重数据的数量。
然后将如下公式代入上述公式中进行还原：
最终得到的灰色预测模型的公式如下：
其中，
为第k个腐蚀时长对应的腐蚀预测值，x(0)(1)为第1个腐蚀时长对应的腐蚀数据，e为自然对数，α为第一建模参数，β为第二建模参数，k＝1，2，3……。
步骤S140，基于原始灰色预测模型，在每一腐蚀时长下，预测出待预测金属的腐蚀预测值。
具体地，通过上述公式，代入不同的腐蚀时长k，从而确定每一腐蚀时长下的腐蚀预测值。
步骤S160，根据同一腐蚀时长的腐蚀数据和腐蚀预测值，采用遗传算法调整原始灰色预测模型中的两个原始参数，得到目标灰色预测模型，并基于目标灰色预测模型，确定待预测金属的腐蚀速率。
具体地，在使用目标灰色预测模型预测出待预测金属各腐蚀时长的腐蚀预测值后，可以根据各腐蚀预测值和时间，确定腐蚀速率，即单位时间内的腐蚀预测值的变化量。
在本实施例中，首先将待预测金属放置在模拟的腐蚀环境下，获取待预测金属在不同腐蚀时长时的腐蚀数据。从而确定了待预测金属的腐蚀数据的实验值，为之后的预测提供了基础以及数据支撑。然后根据多个腐蚀数据，构建原始的灰色预测模型，从而仅根据腐蚀数据的历史实验值构建了一个传统技术中的灰色预测模型，但该灰色预测模型的预测精度不高。然后基于原始灰色预测模型，得到与实验值对应的每个腐蚀时长下的待预测金属的腐蚀预测值。再根据同一腐蚀时长的腐蚀数据和腐蚀预测值作为参考，使用遗传算法来调整灰色预测模型中的两个参数，得到了目标灰色预测模型，再基于目标灰色预测模型，对待预测金属进行预测得到新的腐蚀预测值，从而能够预测待预测金属的腐蚀速率。由于目标灰色预测模型中的两个建模参数是基于腐蚀数据的实验值以及原始灰色预测模型得到的腐蚀预测值为基础，再通过遗传算法进行优化后的数值，因此，目标灰色预测模型的预测精度更高，得到的预测结果更为准确。从而能够更加精确的预测金属的腐蚀速率。
在一个实施例中，如图2所示，步骤S160包括：
步骤S200，获取预设的适应度函数，其中，适应度函数用于获取腐蚀数据和腐蚀预测值对应的适应度函数值。
示例性地，适应度函数的公式如下：
其中，F为适应度函数值，
为腐蚀预测值，X(0)(i)为第i个腐蚀时长的腐蚀数据。
步骤S220，采用遗传算法调整两个原始参数，得到过渡灰色预测模型。
示例性地，将两个原始参数作为变量输入matlab(美国MathWorks公司出品的商业数学软件)软件的遗传算法工具箱中作为种群的个体、设置初始种群规模、设置选择算子、设置交叉算子、设置变异算子，然后运行遗传算法工具箱，即可得到优化后的参数。
步骤S240，根据适应度函数，调整过渡灰色预测模型，直到确定目标灰色预测模型。
示例性地，将同一腐蚀时长的腐蚀数据和腐蚀预测值，代入如下适应度公式，确定适应度函数值
其中，F为适应度函数值，
为腐蚀预测值，X(0)(i)为第i个腐蚀时长的腐蚀数据。
根据上述求得的适应度函数值作为参考，不断调整过渡灰色预测模型中的参数。根据每一次调整后的参数，所构建的灰色预测模型预测出的预测值与腐蚀数据再重新代入上述适应度公式中，确定的适应度函数值会越来越小，直到低于预设值，则判定此时的过渡灰色预测模型达标，作为目标灰色预测模型。
具体地，基于目标灰色预测模型确定的目标腐蚀预测值和腐蚀数据对应的适应度函数值小于预设阈值。
在本实施例中，通过预设的适应度函数，结合腐蚀数据和腐蚀预测值，确定适应度函数值。并且根据适应度函数值作为参考值，使用遗传算法来调整两个原始参数，得到过渡灰色预测模型。不断的重复使用遗传算法调整建模参数，直到得到目标灰色预测模型，即实现了对灰色预测模型的优化。目标灰色预测模型中的参数即为原始参数经过多次遗传算法调整后得到的目标参数。
在一个实施例中，如图3所示，步骤S220包括：
步骤S300，根据两个原始参数，生成对应的遗传算法种群，种群包括多个个体。
具体地，对两个参数进行实数编码，将两个参数转换为染色体的形式，即，将两个参数转换为基因码的形式，便于通过遗传算法处理。再将两个参数作为变量输入matlab的遗传算法工具箱，然后设置种群的规模为200。
步骤S320，通过轮盘赌选择算法，根据各个个体的适应度，对多个个体进行筛选，得到筛选后的个体组成的第一种群。
具体地，遗传算子包括选择算子、交叉算子和变异算子。
遗传算法使用选择算子通过某种方式对群体中的个体进行优胜劣汰操作，使适应度高的个体大概率被遗传到下一代中，使群体中个体的适应度值不断接近最优解。常用的选择算子有轮盘赌选择、随机竞争选择、最优保存策略及排挤选择。在轮盘赌选择方法中，适应度值越高，被选中的可能性就越大，进入下一代的概率就越大；而随机竞争选择与轮盘赌选择基本一样，在随机竞争选择中，每次按轮盘赌选择机制选取一对个体，然后让这两个个体进行竞争，适应度高的被选中，如此反复，直到选满为止；在最优保存策略中，当前群体中适应度最高的个体不参与交叉和变异运算，而是用它来替换掉本代群体中经过交叉、变异操作后产生的适应度最低的个体；在排挤选择方法中，使新生成的子代代替或排挤相似的旧父代个体。轮盘赌选择算法的公式如下：
fi＝k/Fi
其中，Fi为第i个个体的适应度值；k为系数；N为种群个体的数目。pi为第i个个体被选取的概率。
本步骤中的选择算子采用轮盘赌选择算法，因为在轮盘赌选择算法中，高适应度的个体被选择的几率高，而低适应度的个体也有被选择几率，这种选择方法提高了群体的多样性，从而提升了遗传算法的全局搜索能力。
步骤S340，通过算数交叉算法将第一种群中的个体进行线性组合，得到第二种群。
遗传算法使用交叉算子对两个匹配个体按某种方式交换其部分基因，从而形成两个新的个体，决定了遗传算法的全局搜索能力。常用的交叉算子有单点交叉、两点交叉、多点交叉及算术交叉等。单点交叉是指在个体编码串中只随机设置一个交叉点，然后在该点互相交换两个配对个体的部分染色体；两点交叉与多点交叉是指在个体编码串中随机设置了两个交叉点，然后再进行部分基因交换；算术交叉是指由两个个体的线性组成而产生出两个新的个体。
假设在两个染色体
之间进行算数交叉，则交叉运算后，生成的两个新个体为：
其中，a和b均为0～1之间的随机常数，
为
的下一代个体，
为
的下一代个体。
本步骤中的交叉算子采用算术交叉，因为算术交叉比较适合于处理浮点数编码(实数编码)表示的个体，由于遗传算法中个体是采用实体编码。使用算数交叉，其重要特性之一是能保证交叉生成的后代不超过染色体的取值范围。
步骤S360，通过均匀变异算法调整第二种群中的个体的基因值，确定两个过渡参数。
遗传算法使用变异算子采用某种方式使个体基因码中的部分替换成其他基因码中的相应部分，从而形成一个新个体，能够避免由于选择和交叉运算而造成的某些信息丢失，保证遗传算法的有效性。常用的变异算子有基本位突变、均匀变异、边界变异和高斯近似变异等。基本位突变是指个体编码串中以变异概率随机指定的某一位或某几位基因座上的值作变异运算；均匀变异是指分别用符合某一范围内均匀分布的随机数，以某一较小的概率来替换个体编码串中各个基因座上的原有基因值；边界变异是指随机地取基因座的两个对应边界基因值之一去替代原有基因值；高斯近似变异是指进行变异操作使用符合正态分布的一个随机数来替换原有的基因值。假设，使用均匀变异算法对第i个个体的第j个基因aij进行变异，则变异公式如下：
其中，bij为aij均匀变异后的第i个个体的第j个基因，amax为该基因的最大值，amin为该基因的最小值，r为0-1之间的随机数，Gmax为最大迭代次数。
示例性地，使用美国MathWorks公司的数学软件matlab中的遗传算法工具包，设置适应度函数为：
其中，F为适应度函数值，
为腐蚀预测值，X(0)(i)为第i个腐蚀时长的腐蚀数据。设置输入变量为两个建模参数。输入种群规模为200，选择算子设置为罗盘赌选择法，变异算子设置为均匀变异，交叉算子采用算术交叉，其余皆为默认设置。然后运行遗传算法工具包，每运行一次得到新的两个建模参数，则通过上述方式使用新的建模参数重新构建灰色预测模型，得到新的一组待预测金属的预测值，并代入适应度函数中，更新适应度值，若适应度值高于预设阈值，则将当前的两个建模参数再输入遗传算法工具包中进行优化，直到适应度值低于预设阈值。
本步骤中的变异算子采用均匀变异，因为均匀变异特别适用与遗传算法的初级运行阶段，它使得搜索点可以在整个搜索空间内自由地移动，增加群体的多样性，从而提升了遗传算法的全局搜索能力。
步骤S380，根据两个过渡参数构建过渡灰色预测模型。
具体地，在构建第一级过渡灰色预测模型后，使用第一级过渡灰色预测模型，确定对应的适应度函数值，若高于预设阈值。则将过渡参数重复上述步骤，得到第二级过渡参数，构建第二级灰色预测模型，再确定第二级灰色预测模型对应的适应度函数值，是否低于预设阈值。以此类推，构建多级过渡灰色预测模型，直到出现某一级过渡灰色预测模型所对应的适应度函数值低于预设阈值，则停止。
在本实施例中，通过遗传算法对两个原始参数进行优化，通过数学的方式，利用计算机仿真运算，将问题的求解过程转换成类似生物进化中的染色体基因的选择、交叉、变异等过程。遗传算法的建立很好的解决了计算模型搜索最优解的问题，而灰色预测模型的参数就是一种求最优解的过程，从而确定了最优化的建模参数，构建出预测精度更高的目标灰色预测模型。
在一个实施例中，如图4所示，步骤S120包括：
步骤S400，对各个腐蚀数据进行对数变换，得到多个变换腐蚀数据。
示例性地，根据如下公式对腐蚀数据进行对数变换：
x(0)(k)＝lnX(0)(k)，(k＝1，2，...)
其中，x(0)(k)为变换腐蚀数据，X(0)(k)为第k个腐蚀时长对应的腐蚀数据，ln为自然对数。
或者，根据如下公式对腐蚀数据进行对数变换：
x(0)(k)＝lgX(0)(k)，(k＝1，2，...)
其中，x(0)(k)为变换腐蚀数据，X(0)(k)为第k个腐蚀时长对应的腐蚀数据，lq为以10为底的对数。
步骤S420，确定与多个变换腐蚀数据对应的多个光滑度。
示例性地，根据如下公式确定光滑度：
其中，σ(k)为第k个腐蚀时长对应的变换腐蚀数据的光滑度，x(0)(k-1)为第(k-1)个腐蚀时长对应的变换腐蚀数据，x(0)(k)为第k个腐蚀时长对应的变换腐蚀数据，其中k＝1，2，……。
步骤S440，若多个光滑度均在预设范围内，则根据多个变换腐蚀数据，构建原始灰色预测模型。
示例性地，光滑度的预设范围为(e-2/n+1 e2/n+1)其中，n为变换腐蚀数据的数量。
步骤S460，若至少一个光滑度不在预设范围内，则对变换腐蚀数据进行预处理，直到多个光滑度均在预设范围内，再根据预处理后的变换腐蚀数据，构建原始灰色预测模型。
示例性地，预处理为，采用适当的常数对变换腐蚀数据进行平移变换，使得各个光滑度均在预设范围内，例如，各个变换腐蚀数据都加上0.0003。如果采用了平移的方式进行预处理，则最后求得的变换腐蚀数据还要减去0.0003，进行还原。
在本实施例中，通过对腐蚀数据进行对数变换，从而在不改变腐蚀数据原始序列增长趋势前提下，提高腐蚀数据的光滑度，从而提高预测结果。使得构建的灰色预测模型更加精确。
示例性地，光滑度如下表所示。
表二，光滑度。
| k | 光滑度 |
| 2 | 0.4980 |
| 3 | 0.7567 |
| 4 | 0.7911 |
| 5 | 0.8554 |
| 6 | 0.6631 |
由表二数据可知，原始数据的光滑度值σ(k)并不是全部满足σ(k)∈(0.7515,1.3307)，因此，我们需要对原始数据进行平滑处理，本发明采用适当的常数c做平移变换，即x(0)(k)＝X(0)(k)+0.0003,(k＝1,2,…,n)。
在一个实施例中，如图5所示，金属腐蚀速率预测方法还包括：
步骤S500，获取根据多个变换腐蚀数据所构建的原始灰色预测模型预测出的变换腐蚀预测值。
具体地，使用根据多个变换腐蚀数据所构建的原始灰色预测模型，对待预测金属进行预测，得到变换腐蚀预测值。
步骤S520，根据对数变换的方式，对变换腐蚀预测值进行对应的指数变换，确定腐蚀预测值。
示例性地，在经过对数变换后，最后求得的变换腐蚀预测值还需要进行对应的指数变换进行还原，例如，若进行了自然对数的变换，则通过如下公式对预测值进行还原，得到实际的预测值：
其中，
为最终的第k个腐蚀时长的腐蚀预测值，
为第k个腐蚀时长的变换腐蚀预测值，e为自然对数。
若进行了以10为底的对数的变换，则通过如下公式对预测值进行还原，得到实际的预测值：
其中，
为最终的第k个腐蚀时长的腐蚀预测值，
为第k个腐蚀时长的变换腐蚀预测值。
在一个实施例中，如图6所示，金属腐蚀速率预测方法还包括：
步骤S600，根据各个腐蚀数据，以及基于目标灰色预测模型预测出的目标腐蚀预测值，确定目标灰色预测模型的后验差比值和小误差概率。
具体地，通过如下公式，确定各个不同腐蚀时长的待预测金属的腐蚀数据的残差值：
其中，ε(i)为第i个腐蚀时长的待预测金属的腐蚀数据的残差值，X(0)(i)为第i个腐蚀时长的腐蚀数据，
为最终的第i个腐蚀时长的目标腐蚀预测值，n为待预测金属的腐蚀数据的数量。
通过如下公式，确定待预测金属的腐蚀数据的残差均值：
其中，
为待预测金属的腐蚀数据的残差均值，n为待预测金属的腐蚀数据的数量，ε(i)为第i个腐蚀时长的待预测金属的腐蚀数据的残差值。
通过如下公式，确定待预测金属的腐蚀数据的标准值均值：
其中，
为待预测金属的腐蚀数据的均值，n为待预测金属的腐蚀数据的数量，X(0)(i)为第i个腐蚀时长的待预测金属的腐蚀数据。
通过如下公式，确定待预测金属的腐蚀数据的标准差：
其中，S1为待预测金属的腐蚀数据的标准差，X(0)(i)为第i个腐蚀时长的待预测金属的腐蚀数据，
为待预测金属的腐蚀数据的均值，n为待预测金属的腐蚀数据的数量。
通过如下公式，确定待预测金属的腐蚀数据的残差标准差：
其中，S2为待预测金属的腐蚀数据的残差标准差，
为待预测金属的腐蚀数据的残差均值，n为待预测金属的腐蚀数据的数量，ε(i)为第i个腐蚀时长的待预测金属的腐蚀数据的残差值。
通过如下公式，确定灰色预测模型的后验差比值：
其中，C为灰色预测模型的后验差比值，S1为待预测金属的腐蚀数据的标准差，S2为待预测金属的腐蚀数据的残差标准差。
通过如下公式，确定灰色预测模型的小误差概率：
其中，P为灰色预测模型的小误差概率，S1为待预测金属的腐蚀数据的标准差，
为待预测金属的腐蚀数据的残差均值，ε(i)为第i个腐蚀时长的待预测金属的腐蚀数据的残差值。
步骤S620，根据后验差比值和小误差概率，确定目标灰色预测模型的模型精度等级。
具体地，灰色预测模型的后验差比值越小越好，灰色预测模型的后验差比值越小，则代表待预测金属的失重数据的标准值的标准差越大，待预测金属的失重数据的残差标准差越小，表明待预测金属的失重数据的标准值的离散程度大，待预测金属的失重数据的残差离散程度小。因此，后验差比值越小，就代表尽管原始数据很离散，但是通过本灰色预测模型得到的计算值与实际值的差距并不是很离散，所以本灰色预测模型的预测效果较好。
具体地，灰色预测模型的小误差概率越大越好，灰色预测模型的小误差概率越大，则代表残差与残差的平均值之差小于给定值0.67451的点数量较多，代表预测值分布比较均匀，因此灰色预测模型的预测效果好。
具体地，通过如下表格，确定灰色预测模型的精度：
表一、灰色预测模型精度分级表。
模型的精度等级等于小误差概率所对应的等级和后验差比值所对应的等级中的较高等级。例如，小误差概率对应的精度为一级，后验差比值对应的精度为二级，则该灰色预测模型的精度为二级。
在本实施例中，计算出目标灰色预测模型的后验差比值和小误差概率，再根据后验差比值和小误差概率，确定目标灰色预测模型的模型精度等级，从而对目标灰色预测模型的精度进行量化评级。
示例性地，数据表格示例如下表三所示。
表三、总体数据表格。
示例性地，如图7所示，图7为待预测金属的实际值、原始灰色预测模型的预测值，目标灰色预测模型的预测值的曲线，从图中可看出，目标灰色预测模型，即使用本申请的方式优化后的灰色预测模型，所得到的数据曲线与实际数据曲线更为接近。
应该理解的是，虽然图1-图6流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-图6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一腐蚀时长执行完成，而是可以在不同的腐蚀时长执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图8所示，提供了一种金属腐蚀速率预测装置，包括：数据获取模块801、模型构建模块802、预测值获取模块803和速率确定模块804，其中：
数据获取模块801，用于获取待预测金属在模拟腐蚀环境下与多个不同腐蚀时长一一对应的多个腐蚀数据。
模型构建模块802，用于根据多个腐蚀数据，构建原始灰色预测模型，原始灰色预测模型包括两个原始参数。
预测值获取模块803，用于基于原始灰色预测模型，在每一腐蚀时长下，预测出待预测金属的腐蚀预测值。
速率确定模块804，用于根据同一腐蚀时长的腐蚀数据和腐蚀预测值，采用遗传算法调整原始灰色预测模型中的两个原始参数，得到目标灰色预测模型，并基于目标灰色预测模型，确定待预测金属的腐蚀速率。
关于金属腐蚀速率预测装置的具体限定可以参见上文中对于金属腐蚀速率预测方法的限定，在此不再赘述。上述金属腐蚀速率预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。需要说明的是，本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
在一个实施例中，提供了一种计算机设备，该计算机设备内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种金属腐蚀速率预测方法。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
在本说明书的描述中，参考术语“有些实施例”、“其他实施例”、“理想实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特征包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性描述不一定指的是相同的实施例或示例。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种金属腐蚀速率预测方法，其特征在于，所述方法包括：
获取待预测金属在模拟腐蚀环境下，与多个不同腐蚀时长一一对应的多个腐蚀数据；
根据多个所述腐蚀数据，构建原始灰色预测模型，所述原始灰色预测模型包括两个原始参数；
基于所述原始灰色预测模型，在每一所述腐蚀时长下，预测出所述待预测金属的腐蚀预测值；
根据同一腐蚀时长的所述腐蚀数据和所述腐蚀预测值，采用遗传算法调整所述原始灰色预测模型中的两个原始参数，得到目标灰色预测模型，并基于所述目标灰色预测模型，确定所述待预测金属的腐蚀速率。
2.根据权利要求1所述的方法，其特征在于，根据同一腐蚀时长的所述腐蚀数据和所述腐蚀预测值，采用遗传算法调整所述原始灰色预测模型中的两个参数，得到目标灰色预测模型，包括：
获取预设的适应度函数，其中，所述适应度函数用于获取所述腐蚀数据和所述腐蚀预测值对应的适应度函数值；
采用遗传算法调整所述两个原始参数，得到过渡灰色预测模型；
根据所述适应度函数，调整所述过渡灰色预测模型，直到确定目标灰色预测模型；其中，基于所述目标灰色预测模型确定的目标腐蚀预测值和所述腐蚀数据对应的适应度函数值小于预设阈值。
3.根据权利要求2所述的方法，其特征在于，所述采用遗传算法调整所述两个原始参数，得到过渡灰色预测模型，包括：
根据所述两个原始参数，生成对应的遗传算法种群，所述种群包括多个个体；
通过轮盘赌选择算法，根据各个所述个体的适应度，对所述多个个体进行筛选，得到筛选后的个体组成的第一种群；
通过算数交叉算法将所述第一种群中的个体进行线性组合，得到第二种群；
通过均匀变异算法调整所述第二种群中的个体的基因值，确定两个过渡参数；
根据所述两个过渡参数构建过渡灰色预测模型。
4.根据权利要求1所述的方法，其特征在于，所述根据多个所述腐蚀数据，构建原始灰色预测模型，包括：
对各个所述腐蚀数据进行对数变换，得到多个变换腐蚀数据；
确定与多个所述变换腐蚀数据对应的多个光滑度；
若多个所述光滑度均在预设范围内，则根据多个所述变换腐蚀数据，构建原始灰色预测模型。
5.根据权利要求4所述的方法，其特征在于，所述根据多个所述腐蚀数据，构建原始灰色预测模型，还包括：
若至少一个所述光滑度不在预设范围内，则对所述变换腐蚀数据进行预处理，直到多个所述光滑度均在预设范围内，再根据预处理后的所述变换腐蚀数据，构建原始灰色预测模型。
6.根据权利要求4所述的方法，其特征在于，所述方法还包括：
获取根据多个所述变换腐蚀数据所构建的原始灰色预测模型预测出的变换腐蚀预测值；
根据所述对数变换的方式，对所述变换腐蚀预测值进行对应的指数变换，确定所述腐蚀预测值。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述方法还包括：
根据各个所述腐蚀数据，以及基于所述目标灰色预测模型预测出的目标腐蚀预测值，确定所述目标灰色预测模型的后验差比值和小误差概率；
根据所述后验差比值和所述小误差概率，确定所述目标灰色预测模型的模型精度等级。
8.一种金属腐蚀速率预测装置，其特征在于，所述装置包括：
数据获取模块，用于获取待预测金属在模拟腐蚀环境下与多个不同腐蚀时长一一对应的多个腐蚀数据；
模型构建模块，用于根据多个所述腐蚀数据，构建原始灰色预测模型，所述原始灰色预测模型包括两个原始参数；
预测值获取模块，用于基于所述原始灰色预测模型，在每一所述腐蚀时长下，预测出所述待预测金属的腐蚀预测值；
速率确定模块，用于根据同一腐蚀时长的所述腐蚀数据和所述腐蚀预测值，采用遗传算法调整所述原始灰色预测模型中的两个原始参数，得到目标灰色预测模型，并基于所述目标灰色预测模型，确定所述待预测金属的腐蚀速率。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111673443.3A CN114154762A (zh) | 2021-12-31 | 2021-12-31 | 金属腐蚀速率预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111673443.3A CN114154762A (zh) | 2021-12-31 | 2021-12-31 | 金属腐蚀速率预测方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114154762A true CN114154762A (zh) | 2022-03-08 |
Family
ID=80449714
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111673443.3A Pending CN114154762A (zh) | 2021-12-31 | 2021-12-31 | 金属腐蚀速率预测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114154762A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116227239A (zh) * | 2023-05-08 | 2023-06-06 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 基于灰色预测模型的加速试验数据分析方法、装置和设备 |
| CN116381187A (zh) * | 2023-02-15 | 2023-07-04 | 国传(山东)科技发展有限公司 | 一种基于5g网络远程控制的土壤酸度实时监测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108388724A (zh) * | 2018-02-09 | 2018-08-10 | 西安建筑科技大学 | 一种基于参数优化的GM-Markov海底管道腐蚀预测方法 |
| CN108805355A (zh) * | 2018-06-09 | 2018-11-13 | 贵州电网有限责任公司 | 一种基于最小二乘支持向量机的接地网腐蚀预测方法 |
| CN110807540A (zh) * | 2018-08-06 | 2020-02-18 | 中国石油天然气股份有限公司 | 天然气管道内腐蚀速率的预测方法 |
| CN113138158A (zh) * | 2021-05-07 | 2021-07-20 | 全球能源互联网研究院有限公司 | 一种金属材料耐腐蚀寿命预测方法、装置及电子设备 |
-
2021
- 2021-12-31 CN CN202111673443.3A patent/CN114154762A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108388724A (zh) * | 2018-02-09 | 2018-08-10 | 西安建筑科技大学 | 一种基于参数优化的GM-Markov海底管道腐蚀预测方法 |
| CN108805355A (zh) * | 2018-06-09 | 2018-11-13 | 贵州电网有限责任公司 | 一种基于最小二乘支持向量机的接地网腐蚀预测方法 |
| CN110807540A (zh) * | 2018-08-06 | 2020-02-18 | 中国石油天然气股份有限公司 | 天然气管道内腐蚀速率的预测方法 |
| CN113138158A (zh) * | 2021-05-07 | 2021-07-20 | 全球能源互联网研究院有限公司 | 一种金属材料耐腐蚀寿命预测方法、装置及电子设备 |
Non-Patent Citations (3)
| Title |
|---|
| 傅惠民等: "金属腐蚀性能导数预测方法", 《机械强度》, vol. 27, no. 01, 28 February 2005 (2005-02-28), pages 57 - 60 * |
| 喻西崇等: "利用灰色理论预测注水管道腐蚀速率的变化趋势", 《腐蚀与防护》, vol. 24, no. 2, 15 February 2003 (2003-02-15), pages 51 - 55 * |
| 彭星煜等: "基于灰色GM(1, 1)模型埋地金属管道腐蚀速率预测", 《全面腐蚀控制》, no. 04, 28 April 2009 (2009-04-28), pages 30 - 32 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116381187A (zh) * | 2023-02-15 | 2023-07-04 | 国传(山东)科技发展有限公司 | 一种基于5g网络远程控制的土壤酸度实时监测方法 |
| CN116381187B (zh) * | 2023-02-15 | 2023-11-07 | 国传(山东)科技发展有限公司 | 一种基于5g网络远程控制的土壤酸度实时监测方法 |
| CN116227239A (zh) * | 2023-05-08 | 2023-06-06 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 基于灰色预测模型的加速试验数据分析方法、装置和设备 |
| CN116227239B (zh) * | 2023-05-08 | 2023-08-04 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 基于灰色预测模型的加速试验数据分析方法、装置和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114154762A (zh) | 金属腐蚀速率预测方法、装置、计算机设备和存储介质 | |
| CN111027732B (zh) | 一种多风电场出力场景的生成方法及系统 | |
| CN110059867B (zh) | 一种swlstm结合gpr的风速预测方法 | |
| Lagaros et al. | Neurocomputing strategies for solving reliability‐robust design optimization problems | |
| CN105893694A (zh) | 一种基于重采样粒子群优化算法的复杂系统设计方法 | |
| CN109995031B (zh) | 基于物理模型的概率潮流深度学习计算方法 | |
| CN109599866B (zh) | 一种预测辅助的电力系统状态估计方法 | |
| CN110163743A (zh) | 一种基于超参数优化的信用评分方法 | |
| CN112836885B (zh) | 组合负荷预测方法、装置、电子设备和存储介质 | |
| CN110018675A (zh) | 基于lwdnn-arx模型的非线性系统建模方法 | |
| CN112215412B (zh) | 溶解氧预测方法及装置 | |
| CN111709511A (zh) | 一种基于随机无迹Sigma点变异的哈里斯鹰优化算法 | |
| CN113435595B (zh) | 基于自然进化策略的极限学习机网络参数两阶段优化方法 | |
| CN114638164B (zh) | 一种预测电站压力管道高温蠕变寿命的方法 | |
| CN116484747A (zh) | 一种基于自适应优化算法与深度学习的污水智能监控方法 | |
| CN114091647A (zh) | 一种基于bp神经网络的太阳10.7厘米射电流量预报方法 | |
| CN115982141A (zh) | 一种针对时序数据预测的特征优化方法 | |
| CN114578087B (zh) | 基于非支配排序和随机模拟算法的风速不确定性度量方法 | |
| CN114121174B (zh) | 一种碳钢腐蚀速率预测方法 | |
| CN116541667A (zh) | 一种浮标时间序列数据缺失值的插补方法及系统 | |
| CN115907131A (zh) | 一种北方地区电采暖负荷预测模型搭建方法和系统 | |
| CN111027760A (zh) | 一种基于最小二乘向量机的电力负荷预测方法 | |
| CN111724004B (zh) | 一种基于改进量子灰狼算法的水库可供水量预报方法 | |
| CN112861418A (zh) | 一种基于ga-woa-grnn网络的斜拉索短期覆冰厚度预测方法 | |
| CN114897245B (zh) | 一种基于长短期记忆神经网络的规模风电超短期功率预测误差修正方法 |
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 |