CN114638164B - 一种预测电站压力管道高温蠕变寿命的方法 - Google Patents
一种预测电站压力管道高温蠕变寿命的方法 Download PDFInfo
- Publication number
- CN114638164B CN114638164B CN202210278919.1A CN202210278919A CN114638164B CN 114638164 B CN114638164 B CN 114638164B CN 202210278919 A CN202210278919 A CN 202210278919A CN 114638164 B CN114638164 B CN 114638164B
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- output
- temperature creep
- pressure pipeline
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 claims abstract description 40
- 238000012360 testing method Methods 0.000 claims abstract description 40
- 239000000463 material Substances 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 230000002068 genetic effect Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 25
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 15
- 229910052799 carbon Inorganic materials 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 230000005284 excitation Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 3
- 239000003518 caustics Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 2
- 238000005260 corrosion Methods 0.000 claims description 2
- 238000000635 electron micrograph Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 11
- 239000007769 metal material Substances 0.000 abstract description 9
- 238000005457 optimization Methods 0.000 abstract description 4
- 229910000831 Steel Inorganic materials 0.000 description 8
- 239000010959 steel Substances 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229910001068 laves phase Inorganic materials 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000000418 atomic force spectrum Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 229910000734 martensite Inorganic materials 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005482 strain hardening Methods 0.000 description 1
- 238000009864 tensile test Methods 0.000 description 1
- 229910000859 α-Fe Inorganic materials 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
-
- 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
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明公开了一种预测电站压力管道高温蠕变寿命的方法,属于金属材料力学性能研究技术领域。通过传统的试验方式获得材料高温蠕变数据,与影响材料蠕变寿命的微观析出相重要参数相结合,对重要压力管道的寿命进行预测。神经网络具有强大的适应性和计算机监督学习能力,而遗传算法能够优化输入量、隐藏层和输出量的权值和阈值,避免局部最优问题。使用遗传算法改进的神经网络,仅通过析出相的观察和高温蠕变持久试验输入析出相特征参数和影响蠕变的特征参数,建立能有效预测压力管道蠕变寿命模型、与现有的物理模型和微观组织模型相比,本发明具有更高的预测准确度,能够为压力管道的实效分析、寿命预测提供更好的理论依据,具有重要的研究价值。
Description
技术领域
本发明属于金属材料力学性能研究技术领域,具体涉及一种预测电站压力管道高温蠕变寿命的方法。
背景技术
金属的蠕变曲线可以用来表示蠕变的宏观行为,可准确看出蠕变性能的变化和反应材料的蠕变失效过程。其表示形式主要有两种,一种是蠕变应变随时间的变化曲线,另一种是蠕变率随时间的变化曲线,而蠕变率曲线是通过将蠕变应变曲线求导而得,是蠕变应变积累速度和蠕变应变的一种体现。多年来,许多学者对表征材料蠕变曲线的模型进行了研究,并努力探索蠕变曲线的预测方法。大部分研究材料的蠕变寿命预测模型都将高温蠕变拉伸试验中的不同应力、温度看做是时间的函数。所需数据(压力、时间和温度)通常来自材料在一定温度和应力范围内进行的单轴蠕变试验。目前,为了推断和预测不同温度下的长期蠕变寿命,使用了多种时间-温度参数方法,例如Larson-Miller、Orr-Sherby-Dorn(通常称为Sherby-Dorn)、Manson–Haferd方法。而较为遗憾的是基于这些模型的预测不够准确。由于材料经历长时蠕变损伤后,材料内初始的细小析出相颗粒会逐渐粗化。与此同时,随着析出相之间平均粒子间距的增大,析出相产生的有效钉扎作用会有所减弱,最终导致材料软化。虽然显微组织的变化会影响金属材料的蠕变性能,如马氏体板条的消失或晶界的模糊等。但大量的研究表明,金属材料中的蠕变断裂归结到底是析出相所致的,如Laves相、M23C6相等,这也说明析出相对金属材料的蠕变性能具有重要意义。
而金属材料的高温蠕变寿命必是电站金属部件蠕变研究的重要部分,金属材料高温蠕变寿命方法主要可以分为两类:一种是传统的参数唯象模型,其包括以时间-温度-参数法(TTP)为代表的LM法、MH法、OSD法和θ参数法(应变硬化和回复软化叠加)。该类模型结构简单、易于计算,但是材料参数有限,难以全面描述材料的在不同服役条件下的物理特性,因此常常用在工程领域来大体估计蠕变寿命。一种是基于物理本质的微观物理模型,该类模型从材料物理意义上进行建模,能够描述材料蠕变全过程,但是模型建立比较复杂,参数众多且取值不易确定,求解困难,费时费力。而现有的技术,如一种高Cr铁素体耐热钢的蠕变寿命预测方法(CN110940572A)、一种预测材料蠕变曲线的方法(CN108256179A)、一种基于M-H法的耐热钢蠕变寿命预测方法(CN113252465A)等均基于物理模型对蠕变试验获得的数据进行不同方式的计算处理,进而外推。
与此相比,BP神经网络在韧性断裂中的应用较早,目前神经网络主要是用来预测不同条件下的断裂、疲劳断裂寿命,以及断裂参数等。少量的研究人员运用BP神经网络建立了裂纹尺寸、裂纹端应变值与驱动力曲线积分、约束参数Az之间的非线性关系,经过训练后的神经网络能够得到很好的预测结果,从而证明神经网络能够用于断裂参数的预测。而在蠕变失效研究领域,大部分研究学者也已经进行了部分有益的探索。他们利用人工神经网络研究了2.25Cr钢中元素含量与蠕变失效时间的关系,成功设计出了拥有更好蠕变力学性能的钢材。也有运用2.25Cr钢在高应力区的蠕变数据训练神经网络,预测低应力条件下的蠕变寿命;这些研究人员以计算机技术为辅、试验数据为主的方式,对金属材料的蠕变寿命进行预测,均获得了较为优异的结果。
上述的研究人员虽然有利用元素含量进行相关的研究,但由于钢种的元素含量在每一批次的钢中差异较大,则会导致其结果的不准确性。
发明内容
为了解决上述现有技术中存在的缺陷,本发明的目的在于提供一种预测电站压力管道高温蠕变寿命的方法,能够极大地提高预测的准确度,为压力管道的实效分析、寿命预测提供更好的理论依据,具有重要的研究价值。
本发明是通过以下技术方案来实现:
一种预测电站压力管道高温蠕变寿命的方法,包括:
S1:对压力管道进行取样,然后依次进行腐蚀、碳萃取复型和电解脱膜,得到包含样品析出相的碳膜;
S2:获取样品析出相的电子显微照片,获取样品析出相的相关参数;
S3:根据相关标准对样品进行高温蠕变持久试验,获取样品的高温蠕变试验数据;
S4:构建BP神经网络预测模型;将S2得到的样品析出相的相关参数和S3得到的样品的高温蠕变试验数据录入数据库并进行归一化处理;
S5:运行S4得到的BP神经网络预测模型直至达到进化次数,运算出最优个体作为BP神经网络预测模型优化后的权值和阈值;将经S4归一化处理后的数据库作为训练集训练BP神经网络预测模型;
S7:计算预测准确度的相关系数,若相关系数满足设定值,则提取该训练模式下的权值和阈值,获得GA-BP神经网络模型;若不满足则会重新进行返回循环训练;
S8:将测试数据输入S7得到的GA-BP神经网络模型,对输出的结果进行反归一化,得到材料的形变量和时间的关系曲线,并计算模型预测准确度的相关系数,完成电站压力管道高温蠕变寿命的预测。
优选地,S1具体为:在压力管道的1/2壁厚处,对不同运行时间、不同温度下的压力管道进行线切割取样后,使用腐蚀剂腐蚀至一定深度使析出相显露;采用碳萃取复型技术,利用碳膜将腐蚀后的各组样品中的析出相萃取下来后,通过电解脱膜得到包含样品析出相的碳膜。
优选地,S2具体为:利用场发射透射电子显微镜对包含样品析出相的碳膜进行观察,获取样品析出相的形貌照片,通过分析和计算得到包括体积分数、析出相粒子尺寸和元素含量的样品析出相相关参数。
优选地,S3中,样品的高温蠕变试验数据包括试验温度、初始应力、试验时间和变形量。
优选地,S4具体为:将试验温度、初始应力、试验时间、析出相尺寸、体积分数作为输入量,变形量作为输出量;确定输入层有5个节点、输出层有1个节点,进而确定隐含层数和隐含层节点数,选定神经网络各层之间的激活函数类型,构建BP神经网络结构;用含有2个隐含层的BP神经网络建立预测模型﹐且隐含层节点数满足:
式中,n为隐含层节点数,m为输入层节点数,p为输出层节点数,g在[1,10]内取整。
进一步优选地,S4中,BP神经网络预测模型利用mapminmax(A,ymin,ymax)函数对数据库数据进行归一化处理,其具体数学形式为:
优选地,S5具体为:BP神经网络预测模型逐层计算输出层神经元的输出误差,通过误差梯度下降法对各层的权值和各层的节点阈值进行调整,得到较为优异的输出值,且接近期望值;输入层与隐含层以双曲正切S型传输函数Tansig作为激活函数,而隐含层与输出层以Purelin作为激活函数。
进一步优选地,BP神经网络的输入层到隐藏层的传递公式为:
式中,Hj为隐含层第j个节点的输出,j=1,2,…,n,f1为Tansig激活函数,Oij为输入层第i个节点与隐含层第j个节点之间的权值,xi为输入层第i个节点的输入值,aj为隐含层第j个节点的阈值;
BP神经网络的隐含层到输出层的传递公式为:
式中,y为输出层输出值,f2为Purelin激活函数,Wk为隐含层第k个节点与输出层之间的权值,b为输出层的阈值;
每个输入层p的二次型误差准则函数为:
式中:Tk为第k个节点的试验值;Ok为第k个节点的输出值;
模型对p个训练数据的总误差准则函数为:
则,输出层权值的调整公式为:
′
式中:φ为输出层的激励函数导数;netk为第k层网络;
输出层阈值调整公式为:
隐含层权值调整公式为:
式中:为隐含层的激励函数导数;
隐含层阈值调整公式为:
进一步优选地,训练次数为2000~10000,学习速率为0.005~0.015,动量因子为0.005~0.015,训练目标误差为0.00005~0.00015,种族群规模为20~50,进化迭代次数为30~100,交叉概率为0.7~0.9,变异概率为0.1~0.4。
优选地,模型预测准确度的相关系数R采用下式计算:
式中,N为训练集中的分析数据点个数;εe为试样试验所得到的应变量值;εp为BP神经网络模型所预测的应变量值。
与现有技术相比,本发明具有以下有益的技术效果:
本发明公开的预测电站压力管道高温蠕变寿命的方法,利用传统的试验方式获得材料高温蠕变数据,与影响材料蠕变寿命的微观析出相重要参数相结合,为电站中重要的压力管道的寿命预测提供一种新的方法。神经网络以其强大的适应性和计算机监督学习能力而在预测领域有着广泛的应用,而遗传算法的添加能大大优化输入量、隐藏层和输出量的权值和阈值,使得模型避免了局部最优的问题。使用遗传算法改进的神经网络,仅通过析出相的观察和高温蠕变持久试验输入析出相特征参数和影响蠕变的特征参数,从而建立能有效预测电站压力管道蠕变寿命模型。与现有的物理模型和微观组织模型相比,基于析出相的BP神经网络模型可具有更高的预测准确度和为压力管道的实效分析、寿命预测提供更好的理论依据,具有重要的研究价值。
附图说明
图1为本发明的模型神经网络结构图;
图2为本发明的模型运行流程图;
图3为本发明的模型遗传算法优化神经网络流程图;
图4为实施例中析出相的直径测量方法。
具体实施方式
下面结合附图和实施例对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
本发明的预测电站压力管道高温蠕变寿命的方法,包括:
步骤一:对金属材料厚壁的1/2处采样,对不同运行时间、不同温度下的试样进行线切割取样,使用腐蚀剂对其腐蚀,应对样品腐蚀较深,这样能使得钢中的析出相彻底显露;
步骤二:使用碳萃取复型技术,碳膜将腐蚀后的各组样品中的析出相萃取下来后,利用场发射透射电子显微镜对碳膜进行观察,分析碳膜上析出相的显微形貌进行观察,并得到体积分数、析出相尺寸、元素含量等参数;需要统计尺寸和体积分数的析出相应为在蠕变过程中对材料性能有所损害的第二相粒子,如Laves相、Z相、C23C7、M23C6等析出相,具体的统计对象应按不同功能的压力管道材料实际研究决定。析出相的测量不限制于运用Nanomeasure、Imagetool等软件测量析出相(不规则形状、正方形、长方形)的直径,其测量方法为:分别画八根直线后取平均,如图4所示。析出相的直径计算如下式所示:
式中:d为析出相的平均直径;d1、d2、d3、d4、d5、d6、d7、d8为八根相同角度间隔的直径长度;析出相的体积分数S可运用Image Pro Plus、eVision等计算机软件对析出相的电镜照片进行选择读取
步骤三:根据GB/T 2039-2012《金属材料单轴拉伸蠕变试验方法》,对材料进行高温蠕变持久试验数据进行分析,读取其试验温度T、初始应力σ、试验时间t和变形量ε;
步骤四:析出相的分析数据与高温蠕变持久试验数据录入数据库作为训练数据,并对其进行维度和归一化处理,以减少其数据的差异性而导致训练速度的下降和数据的湮灭;模型以mapminmax(A,ymin,ymax)函数对数据库数据进行归一化处理,其具体数学形式为:
步骤五:根据步骤四中的试验温度T、初始应力σ、试验时间t、析出相尺寸d、体积分数S作为输入量,变形量ε作为输出量。如图1,确定输入层有5个节点、输出层有1个节点,进而确定隐含层数和隐含层节点数,选定神经网络各层之间的激活函数类型,构建BP神经网络结构;为了确定隐藏层个数,需要验证选择的隐藏层个数是否为最佳,可通过均方根误差(RMSE)来进行评估:
式中,Ei为试验值样本;Pi为预测值样本;N为样本的总数。
用含有2个隐含层的BP神经网络建立预测模型﹐且隐含层节点数满足:
式中,n为隐含层节点数,m为输入层节点数,p为输出层节点数,g在[1,10]内取整;
如图2和图3,模型逐层计算输出层神经元的输出误差,通过误差梯度下降法对各层的权值和各层的节点阈值进行调整,得到较为优异的输出值,且接近期望值。
输入层与隐藏层以双曲正切S型传输函数Tansig作激活函数,而隐藏层与输出层用的是Purelin。由于Purelin可以保持之前任意范围的数值缩放,便于和试验结果值作比较,而Tansig的数值范围只能在0~1之间。
BP神经网络的输入层到隐藏层的传递公式为:
式中,Hj为隐含层第j个节点的输出,j=1,2,…,n,f1为Tansig激活函数,Oij为输入层第i个节点与隐含层第j个节点之间的权值,xi为输入层第i个节点的输入值,aj为隐含层第j个节点的阈值;
BP神经网络的隐含层到输出层的传递公式为:
式中,y为输出层输出值,f2为Purelin激活函数,Wk为隐含层第k个节点与输出层之间的权值,b为输出层的阈值;
每个输入层p的二次型误差准则函数为:
式中:Tk为第k个节点的试验值;Ok为第k个节点的输出值。
模型对p个训练数据的总误差准则函数为:
则,输出层权值的调整公式为:
式中:φ′为输出层的激励函数导数;netk为第k层网络。
输出层阈值调整公式为:
隐含层权值调整公式为:
式中:为隐含层的激励函数导数。
隐含层阈值调整公式为:
遗传算法最优值阈值参数范围可设置为:训练次数2000~10000,学习速率为0.005~0.015,动量因子为0.005~0.015,训练目标误差0.00005~0.00015,种族群规模为20~50,进化迭代次数为30~100,交叉概率与变异概率分别为0.7~0.9和0.1~0.4。
步骤六:运行BP神经网络模型后,直到达到进化次数,运算出最优个体作为BP神经网络优化后的权值和阈值;
步骤七:使用步骤二和步骤三中的各试验数据库内的数据作为训练集训练BP神经网络;
步骤八:计算预测精度评价参数决定系数R3,若满足模型的预测标准,模型则通过提取该训练模式下的权值和阈值,而获得GA-BP神经网络模型;若不满足则会重新进行返回循环训练;
模型预测结果的精度评价可采用相关系数(R)进行评价,其计算公式为:
式中:N为训练集中的分析数据点个数;εe为试样试验所得到的应变量值;εp为BP神经网络模型所预测的应变量值。
步骤九:将测试数据输入模型,测试已建立好的预测蠕变寿命模型;输出结果后,对结果进行反归一化即可得到材料的形变量和时间的关系曲线,并计算预测准确度的相关系数R。
需要说明的是,以上所述仅为本发明实施方式的一部分,根据本发明所描述的系统所做的等效变化,均包括在本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做类似的方式替代,只要不偏离本发明的结构或者超越本权利要求书所定义的范围,均属于本发明的保护范围。
Claims (7)
1.一种预测电站压力管道高温蠕变寿命的方法,其特征在于,包括:
S1:对压力管道进行取样,然后依次进行腐蚀、碳萃取复型和电解脱膜,得到包含样品析出相的碳膜;
S2:获取样品析出相的电子显微照片,获取样品析出相的相关参数;
S3:根据相关标准对样品进行高温蠕变持久试验,获取样品的高温蠕变试验数据;
S4:构建BP神经网络预测模型;将S2得到的样品析出相的相关参数和S3得到的样品的高温蠕变试验数据录入数据库并进行归一化处理;
具体为:将试验温度、初始应力、试验时间、析出相尺寸、体积分数作为输入量,变形量作为输出量;确定输入层有5个节点、输出层有1个节点,进而确定隐含层数和隐含层节点数,选定神经网络各层之间的激活函数类型,构建BP神经网络结构;用含有2个隐含层的BP神经网络建立预测模型﹐且隐含层节点数满足:
式中,n为隐含层节点数,m为输入层节点数,p为输出层节点数,g在[1,10]内取整;
S5:运行S4得到的BP神经网络预测模型直至达到进化次数,运算出最优个体作为BP神经网络预测模型优化后的权值和阈值;将经S4归一化处理后的数据库作为训练集训练BP神经网络预测模型;
S7:计算预测准确度的相关系数,若相关系数满足设定值,则提取该训练模式下的权值和阈值,获得GA-BP神经网络模型;若不满足则会重新进行返回循环训练;其中,遗传算法最优值阈值参数范围设置为:训练次数2000~10000,学习速率为0.005~0.015,动量因子为0.005~0.015,训练目标误差0.00005~0.00015,种族群规模为20~50,进化迭代次数为30~100,交叉概率与变异概率分别为0.7~0.9和0.1~0.4;
S8:将测试数据输入S7得到的GA-BP神经网络模型,对输出的结果进行反归一化,得到材料的形变量和时间的关系曲线,并计算模型预测准确度的相关系数,完成电站压力管道高温蠕变寿命的预测;
模型预测准确度的相关系数R采用下式计算:
式中,N为训练集中的分析数据点个数;εe为试样试验所得到的应变量值;εp为BP神经网络模型所预测的应变量值。
2.如权利要求1所述的预测电站压力管道高温蠕变寿命的方法,其特征在于,S1具体为:在压力管道的1/2壁厚处,对不同运行时间、不同温度下的压力管道进行线切割取样后,使用腐蚀剂腐蚀至一定深度使析出相显露;采用碳萃取复型技术,利用碳膜将腐蚀后的各组样品中的析出相萃取下来后,通过电解脱膜得到包含样品析出相的碳膜。
3.如权利要求1所述的预测电站压力管道高温蠕变寿命的方法,其特征在于,S2具体为:利用场发射透射电子显微镜对包含样品析出相的碳膜进行观察,获取样品析出相的形貌照片,通过分析和计算得到包括体积分数、析出相粒子尺寸和元素含量的样品析出相相关参数。
4.如权利要求1所述的预测电站压力管道高温蠕变寿命的方法,其特征在于,S3中,样品的高温蠕变试验数据包括试验温度、初始应力、试验时间和变形量。
5.如权利要求1所述的预测电站压力管道高温蠕变寿命的方法,其特征在于,S4中,BP神经网络预测模型利用mapminmax(A,ymin,ymax)函数对数据库数据进行归一化处理,其具体数学形式为:
6.如权利要求1所述的预测电站压力管道高温蠕变寿命的方法,其特征在于,S5具体为:BP神经网络预测模型逐层计算输出层神经元的输出误差,通过误差梯度下降法对各层的权值和各层的节点阈值进行调整,得到较为优异的输出值,且接近期望值;输入层与隐含层以双曲正切S型传输函数Tansig作为激活函数,而隐含层与输出层以Purelin作为激活函数。
7.如权利要求6所述的预测电站压力管道高温蠕变寿命的方法,其特征在于,BP神经网络的输入层到隐藏层的传递公式为:
式中,Hj为隐含层第j个节点的输出,j=1,2,…,n,f1为Tansig激活函数,Oij为输入层第i个节点与隐含层第j个节点之间的权值,xi为输入层第i个节点的输入值,aj为隐含层第j个节点的阈值;
BP神经网络的隐含层到输出层的传递公式为:
式中,y为输出层输出值,f2为Purelin激活函数,Wk为隐含层第k个节点与输出层之间的权值,b为输出层的阈值;
每个输入层p的二次型误差准则函数为:
式中:Tk为第k个节点的试验值;Ok为第k个节点的输出值;
模型对p个训练数据的总误差准则函数为:
则,输出层权值的调整公式为:
式中:φ′为输出层的激励函数导数;netk为第k层网络;
输出层阈值调整公式为:
隐含层权值调整公式为:
式中:θ′为隐含层的激励函数导数;
隐含层阈值调整公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210278919.1A CN114638164B (zh) | 2022-03-21 | 2022-03-21 | 一种预测电站压力管道高温蠕变寿命的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210278919.1A CN114638164B (zh) | 2022-03-21 | 2022-03-21 | 一种预测电站压力管道高温蠕变寿命的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114638164A CN114638164A (zh) | 2022-06-17 |
CN114638164B true CN114638164B (zh) | 2024-03-15 |
Family
ID=81950422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210278919.1A Active CN114638164B (zh) | 2022-03-21 | 2022-03-21 | 一种预测电站压力管道高温蠕变寿命的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114638164B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116680993A (zh) * | 2023-07-31 | 2023-09-01 | 东方空间技术(山东)有限公司 | 一种火箭发射数据的处理方法、装置及设备 |
CN117592383B (zh) * | 2024-01-19 | 2024-03-26 | 四川晟蔚智能科技有限公司 | 一种设备健康寿命预测方法、系统、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN111324989A (zh) * | 2020-03-19 | 2020-06-23 | 重庆大学 | 一种基于ga-bp神经网络的齿轮接触疲劳寿命预测方法 |
-
2022
- 2022-03-21 CN CN202210278919.1A patent/CN114638164B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN111324989A (zh) * | 2020-03-19 | 2020-06-23 | 重庆大学 | 一种基于ga-bp神经网络的齿轮接触疲劳寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
基于BP神经网络的7050铝合金本构关系模型及加工图;吴雄喜;;特种铸造及有色合金;20141020(10);全文 * |
遗传算法优化的BP神经网络压电陶瓷蠕变预测;范伟;林瑜阳;李钟慎;;电机与控制学报;20180611(07);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114638164A (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114638164B (zh) | 一种预测电站压力管道高温蠕变寿命的方法 | |
CN108897960B (zh) | 一种基于不确定性量化的涡轮叶片热机械疲劳概率寿命预测方法 | |
CN112730053B (zh) | 航空铝合金材料腐蚀损伤及疲劳寿命的研究方法 | |
Zhu et al. | Probabilistic fatigue assessment of notched components under size effect using generalized weakest-link model | |
CN113033105B (zh) | 基于力学理论指导迁移学习的钢铁材料疲劳性能预测方法 | |
CN114897227A (zh) | 基于改进随机森林算法的多钢种力学性能预报方法 | |
CN114580286A (zh) | 一种基于不锈钢极薄带退火工艺神经网络模型优化方法 | |
CN115186590A (zh) | 一种管道腐蚀剩余寿命预测方法 | |
Jinlong et al. | VHCF evaluation with BP neural network for centrifugal impeller material affected by internal inclusion and GBF region | |
CN115114844B (zh) | 一种钢筋混凝土粘结滑移曲线的元学习预测模型 | |
CN114841080A (zh) | 一种基于bp神经网络和sd耦合的输气管道内腐蚀预测方法 | |
CN114217025B (zh) | 评估空气质量浓度预测中气象数据对其影响的分析方法 | |
Zhong et al. | A process-data-driven BP neural network model for predicting interval-valued fatigue life of metals | |
Chen et al. | A study on static properties of high-performance steel after corrosion damage | |
CN114154762A (zh) | 金属腐蚀速率预测方法、装置、计算机设备和存储介质 | |
Zhu et al. | Machine learning-based probabilistic fatigue assessment of turbine bladed disks under multisource uncertainties | |
Feng et al. | Thermomechanical processing optimization for 304 austenitic stainless steel using artificial neural network and genetic algorithm | |
CN107844679A (zh) | 一种分段式高炉铁水硅含量预测方法及装置 | |
CN109238950B (zh) | 基于定性分析与定量预测的金属材料大气腐蚀预测方法 | |
Li et al. | A crystal plasticity-based microdamage model and its application on the tensile failure process analysis of 7075 aluminum alloy | |
CN115879379A (zh) | 一种设备的腐蚀智能监测预警方法及系统 | |
CN115935488A (zh) | 一种基于监测数据的高拱坝应力预测模型构建方法 | |
CN112597604A (zh) | 一种利用神经网络计算奥氏体不锈钢力学性能的方法 | |
CN111144002B (zh) | 一种供水管网灰口铸铁管爆管预测的方法 | |
CN114925452B (zh) | 基于动态状态的导波-隐马尔可夫模型裂纹在线评估方法 |
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 |