CN117332620A - 基于大气腐蚀数据的耐腐蚀材料优化方法及系统 - Google Patents
基于大气腐蚀数据的耐腐蚀材料优化方法及系统 Download PDFInfo
- Publication number
- CN117332620A CN117332620A CN202311627995.XA CN202311627995A CN117332620A CN 117332620 A CN117332620 A CN 117332620A CN 202311627995 A CN202311627995 A CN 202311627995A CN 117332620 A CN117332620 A CN 117332620A
- Authority
- CN
- China
- Prior art keywords
- sequence
- corrosion
- temperature
- time
- point
- 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.)
- Granted
Links
- 230000007797 corrosion Effects 0.000 title claims abstract description 170
- 238000005260 corrosion Methods 0.000 title claims abstract description 170
- 239000000463 material Substances 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005457 optimization Methods 0.000 title claims abstract description 24
- 229910000975 Carbon steel Inorganic materials 0.000 claims abstract description 97
- 239000010962 carbon steel Substances 0.000 claims abstract description 97
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims abstract description 53
- 238000002310 reflectometry Methods 0.000 claims abstract description 35
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 20
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 20
- 230000002265 prevention Effects 0.000 claims abstract description 9
- 238000011282 treatment Methods 0.000 claims abstract description 9
- 230000003628 erosive effect Effects 0.000 claims description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 13
- 230000000737 periodic effect Effects 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 229910000831 Steel Inorganic materials 0.000 description 6
- 239000010959 steel Substances 0.000 description 6
- 239000002184 metal Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 241000221535 Pucciniales Species 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012856 packing Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006056 electrooxidation reaction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011269 treatment regimen Methods 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本发明提供了基于大气腐蚀数据的耐腐蚀材料优化方法及系统，属于数据优化领域，通过建立碳钢模具表面的三维模型，获取三维模型上各点的含碳量；在多时刻采集碳钢模具的表面上的反射率和表面法向量以及各时刻大气的温度值和相对湿度值的数值；根据反射率和表面法向量以及大气的温度值和相对湿度值，通过分别计算各点的变温锈蚀序列和变湿锈蚀序列，对碳钢模具表面上对应的点进行防锈处理。使用本发明所述方法来优化碳钢模具的表面上建立的三维点云模型上各点的碳钢含碳量，以优化后的三维模型设计生产出来的碳钢模具具有更好的抗腐蚀性能。
Description
技术领域
本发明属于三维模拟、数据优化的领域，具体涉及基于大气腐蚀数据的耐腐蚀材料优化方法及系统。
背景技术
在工业领域中，耐腐蚀材料的研发和应用对于保护设备和结构的长期稳定性至关重要。大气腐蚀是一种常见的腐蚀形式，会对金属和合金材料造成严重的损害。因此，研究人员一直致力于开发具有更好耐腐蚀性能的材料，以应对大气腐蚀带来的挑战。目前，虽然已经存在一些方法和系统用于耐腐蚀材料的优化，这些方法通常基于实验数据和模拟技术，旨在预测材料在特定环境条件下的腐蚀行为，并提供改进材料性能的建议。然而，现有技术中腐蚀数据的获取通常需要长期的实验和监测，涉及到大量的时间和资源。此外，腐蚀行为受到多种因素的影响，如环境条件、材料组成和处理方式等。因此，获取准确、全面的腐蚀数据是一项具有挑战性的任务。腐蚀数据的分析涉及到统计学、机器学习和数据挖掘等领域的知识。现有技术在处理大规模数据集和提取关键信息方面可能存在困难，导致对腐蚀行为的理解不够深入。传统技术在耐腐蚀材料的优化过程中可能存在效率低下的问题，传统的试错方法需要大量的实验和时间来测试不同材料的性能，这在实际应用中可能是耗时且昂贵的。例如在公开号为CN109097665B的专利文献中提供的高强度耐大气腐蚀螺栓用钢的冶炼方法，虽然能使钢液的洁净度得到大幅提高，降低夹杂物对材料的疲劳寿命的影响，并尽可能提高钢材成分的均匀性，但是基于单一因素或局部特征进行材料优化，缺乏综合考虑多种因素的系统化方法，这可能导致优化结果在实际应用中的可行性和可靠性方面存在一定的限制。为了克服这些问题，需要开发新的方法和系统，以更有效地预测和改善材料的耐腐蚀性能。
发明内容
本发明的目的在于提出基于大气腐蚀数据的耐腐蚀材料优化方法及系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
本发明提供了基于大气腐蚀数据的耐腐蚀材料优化方法及系统，通过使用本发明所述方法来优化碳钢模具的表面上建立的三维点云模型上各点的碳钢含碳量，以优化后的三维模型设计生产出来的碳钢模具具有更好的抗腐蚀性能。
为了实现上述目的，根据本发明的一方面，提供基于大气腐蚀数据的耐腐蚀材料优化方法，所述方法包括以下步骤：
建立碳钢模具表面的三维模型，获取三维模型上各点的含碳量，在多时刻采集碳钢模具的表面上的反射率和表面法向量以及各时刻大气的温度值和相对湿度值的数值，根据反射率和表面法向量以及大气的温度值和相对湿度值，通过分别计算各点的变温锈蚀序列和变湿锈蚀序列，对碳钢模具表面的三维模型上对应的点进行防锈优化处理。
进一步地，所述碳钢模具的结构能被等比例缩放。
进一步地，碳钢模具表面上各点采集的数据与三维点云模型上各点的位置保持一致对应。
进一步地，在预设的一段时间内，于多个不同的时刻采集碳钢模具的表面上的反射率和表面法向量以及各时刻大气的温度值和相对湿度值的数值。
进一步地，将所述碳钢模具放置于待监测的空间位置中，在多时刻采集碳钢模具的表面上的反射率和表面法向量以及各时刻大气的温度值和相对湿度值的数值。可选地，将所述碳钢模具放置于露天的环境中。
进一步地，根据反射率和表面法向量以及大气的温度值和相对湿度值，通过分别计算变温锈蚀序列和变湿锈蚀序列，具体为：将各时刻对应的采集的数据按时间先后顺序排列，采集的数据包括碳钢模具的表面上各采集时刻的各点对应的反射率和表面法向量、以及各采集时刻大气的温度值和相对湿度值的数值，在一些实施例中，将该碳钢模具放置的首个时刻和最后一个时刻都需进行数据的采集，可优选地，在所述首个时刻之前可另设一个预采样时刻，预采样时刻先采集的数据可用于与所述首个时刻采集的数据进行对比，在所述最后一个时刻之后可令再另设一个后采样时刻，等后采样时刻再采集数据可用于与所述最后一个时刻采集的数据进行对比，这样分别给首个时刻和最后一个时刻两边都余出来作后续的备用；
根据温度值计算得到各时刻对应的热蚀变量；
根据湿度值计算得到各时刻对应的水蚀变量；
各时刻的各点上对应的锈变特征为，该时刻一个点对应的表面法向量与这个点在上一时刻的表面法向量之间的余弦相似度，乘以这个点在该时刻的反射率与在上一时刻的反射率之比值所得之积；因为金属生锈了表面会变粗糙或者变颜色，这就导致了表面单位法向量和反射率的改变，这样结合两者在时间序列上的数据变化来计算锈变特征有助于正确发现模具上的生锈点以及生锈到何程度了；
根据各时刻对应的温度值从小到大的顺序对各时刻及其采集的数据进行重新排序得到变温锈蚀序列，在变温锈蚀序列中重新排序后各时刻称为温序时刻，这里相当于不按时间先后为顺序而是分别将原本各个时刻及其采集的数据打包，然后按各时刻对应的温度值从小到大的顺序将每份时刻打包的数据换个顺序，但是各时刻及其采集的数据每一份里还是原来的内容，只是一个温序时刻的上、下一个温序时刻就是在变温锈蚀序列中重新排序后温度值从小到大的序号了，在称谓上以作区分，后续的湿序时刻也是同理，
其中，一个温序时刻的一个点上对应的变温锈蚀度为：将该点所属温序时刻对应的热蚀变量与该点所属温序时刻对应的锈变特征的乘积，乘积通过温序时刻的修正在周期上的映射的数值结果；
在一些实施例中，可优选地，记该点所属温序时刻对应的热蚀变量为rse，记该点所属温序时刻对应的锈变特征为ftr，将该点所属温序时刻对应的热蚀变量与该点所属温序时刻对应的锈变特征的乘积记为rse*ftr，该点所属温序时刻对应的变温锈蚀度为rf，通过湿序时刻的修正在周期上的映射可表示为rf= sin[(π*jr/m)* rse*ftr]，m是在变温锈蚀序列中温序时刻的总数，jr是变温锈蚀序列中各温序时刻温度值从小到大的序号，在周期上的映射可为通过三角函数在圆周率周期上的映射，但值得注意的是，不要使用不连续的那些三角函数来表示，这样做是因为碳钢物料结构在实际的使用环境中温度、湿度的变化周期都是周期性的，例如昼夜交替、四季更替，温度湿度是金属腐蚀的两大重要诱因，这两者是时空交替的，对变温锈蚀序列中各温序时刻、变湿蚀序列中各湿序时刻的再次排序便是对温度湿度周期性的校正，结合地使用各温序时刻、各湿序时刻的占比在周期性的函数上进行映射，这样可以更好地突出变温锈蚀度、变湿锈蚀度在周期性锈蚀上的波动特征，更好地拟合碳钢产品放置于待监测的空间位置中经历的生锈腐蚀反应进程，从而有助于大气腐蚀数据对耐腐蚀材料的数据监测；
将每一个点在变温锈蚀序列中各温序时刻对应的变温锈蚀度组成的数组作为该点的变温锈蚀序列；
根据各时刻对应的湿度值从小到大的顺序对各时刻及其采集的数据进行重新排序得到变湿锈蚀序列，在变湿锈蚀序列中重新排序后各时刻称为湿序时刻，其中，一个湿序时刻的一个点上对应的变湿锈蚀度为：将该点所属湿序时刻对应的水蚀变量与该点所属湿序时刻对应的锈变特征的乘积，乘积通过湿序时刻的修正在周期上的映射的数值结果；
在一些实施例中，可记该点所属湿序时刻对应的水蚀变量为wse，记该点所属湿序时刻对应的锈变特征为ftr，该点所属湿序时刻对应的水蚀变量与该点所属湿序时刻对应的锈变特征的乘积为wse*ftr，该点在所属湿序时刻对应的变湿锈蚀度为wf，通过湿序时刻的修正在周期上的映射可表示为wf= sin[(π*jw/m)* wse*ftr]，sin可表示三角函数中的一种，jw则是湿序时刻的顺序序号，m是湿序时刻的总数；
将每一个点在变湿锈蚀序列中各湿序时刻对应的变湿锈蚀度组成的数组作为该点的变湿锈蚀序列；
碳钢模具表面上的每个点都有其变温锈蚀序列和变湿锈蚀序列。
进一步地，作为可优选的实施例，各时刻对应的热蚀变量为该时刻的温度值减去各时刻中最低温度值之差的指数化结果与该时刻的上一时刻的温度值减去各时刻中最低温度值之差的指数化结果相比所得之比值，可以通过计算以自然常数为底的对数函数exp得到指数化结果。
进一步地，作为可优选的实施例，各时刻对应的水蚀变量为该时刻对应的湿度值的指数化结果与该时刻的上一时刻对应的湿度值的指数化结果相比所得之比值。
进一步地，根据各点的变温锈蚀序列和变湿锈蚀序列，把碳钢模具表面的三维模型分割为多个子区域，计算各子区域的数据特征；
从所述若干个子区域中选出标准的子区域，根据标准的子区域的数据特征相比于其余各子区域的数据特征的比例，调整碳钢模具表面上各子区域的碳钢含碳量。这将有助于提高工业设备和结构的寿命，并降低维护和更换成本。
本发明还提供了基于大气腐蚀数据的耐腐蚀材料优化系统，所述基于大气腐蚀数据的耐腐蚀材料优化系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述基于大气腐蚀数据的耐腐蚀材料优化方法中的步骤，所述基于大气腐蚀数据的耐腐蚀材料优化系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群，所述处理器执行所述计算机程序运行在以下系统的单元中：
建模单元，用于建立碳钢模具表面的三维模型，获取三维模型上各点的含碳量；
数据单元，用于在多时刻采集碳钢模具的表面上的反射率和表面法向量以及各时刻大气的温度值和相对湿度值的数值；
计算单元，用于根据反射率和表面法向量以及大气的温度值和相对湿度值，通过分别计算各点的变温锈蚀序列和变湿锈蚀序列，对碳钢模具表面上对应的点进行防锈处理。
本发明的有益效果为：本发明提供了基于大气腐蚀数据的耐腐蚀材料优化方法及系统，通过建立碳钢模具表面的三维模型，获取三维模型上各点的含碳量；在多时刻采集碳钢模具的表面上的反射率和表面法向量以及各时刻大气的温度值和相对湿度值的数值；根据反射率和表面法向量以及大气的温度值和相对湿度值，通过分别计算各点的变温锈蚀序列和变湿锈蚀序列，对碳钢模具表面上对应的点进行防锈处理。使用本发明所述方法来优化碳钢模具的表面上建立的三维点云模型上各点的碳钢含碳量，以优化后的三维模型设计生产出来的碳钢模具具有更好的抗腐蚀性能。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本发明的上述以及其他特征将更加明显，本发明附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，在附图中：
图1所示为基于大气腐蚀数据的耐腐蚀材料优化方法的流程图；
图2所示为基于大气腐蚀数据的耐腐蚀材料优化系统的系统结构图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
在碳钢模具的表面上建立三维点云模型，所述碳钢模具可为船体组件、雕塑或者建筑物组件等的等比例缩放的碳钢制的、或加镀层碳钢的模具，碳钢模具的表面上各点处的用料材质含碳量不一定均匀，建立三维点云模型上的各点需要记录各点的含碳量，在一些实施例中，一些实验采用了一个约1.5立方米体积的表面加镀层碳钢的南瓜型中空椭圆体作为碳钢模具，这个南瓜型中空椭圆体为一个建筑物外表面的等比例缩放模具，将该碳钢模具置于露天的环境中放置72小时并进行数据监测，每隔6小时对该碳钢模具进行一次数据的采集，采集的数据包括碳钢模具的表面上各采集时刻的各点对应的反射率和表面法向量、以及各采集时刻大气的温度值和相对湿度值的数值，可优选地，可以使用同一光源通过光度立体法获取各点对应的反射率、表面法向量，所述表面法向量可为表面单位法向量，碳钢模具表面上各点采集的数据与三维点云模型上各点的位置保持一致对应。
如图1所示为根据本发明的基于大气腐蚀数据的耐腐蚀材料优化方法的流程图，下面结合图1来阐述根据本发明的实施方式的基于大气腐蚀数据的耐腐蚀材料优化方法及系统。本发明提出基于大气腐蚀数据的耐腐蚀材料优化方法，所述方法具体可包括以下步骤：
建立碳钢模具表面的三维模型，获取三维模型上各点的含碳量；
在多时刻采集碳钢模具的表面上的反射率和表面法向量以及各时刻大气的温度值和相对湿度值的数值；
根据反射率和表面法向量以及大气的温度值和相对湿度值，通过分别计算各点的变温锈蚀序列和变湿锈蚀序列，对碳钢模具表面上对应的点进行防锈处理。
进一步地，所述碳钢模具的结构能被等比例缩放。
进一步地，碳钢模具表面上各点采集的数据与三维点云模型上各点的位置保持一致对应。
进一步地，在预设的一段时间内，于多个不同的时刻采集碳钢模具的表面上的反射率和表面法向量以及各时刻大气的温度值和相对湿度值的数值。
进一步地，将所述碳钢模具放置于待监测的空间位置中，在多时刻采集碳钢模具的表面上的反射率和表面法向量以及各时刻大气的温度值和相对湿度值的数值。可选地，将所述碳钢模具放置于露天的环境中。
进一步地，根据反射率和表面法向量以及大气的温度值和相对湿度值，通过分别计算变温锈蚀序列和变湿锈蚀序列，具体为：将各时刻对应的采集的数据按时间先后顺序排列，采集的数据包括碳钢模具的表面上各采集时刻的各点对应的反射率和表面法向量、以及各采集时刻大气的温度值和相对湿度值的数值，在一些实施例中，将该碳钢模具放置的首个时刻和最后一个时刻都需进行数据的采集，可优选地，在所述首个时刻之前可另设一个预采样时刻，预采样时刻先采集的数据可用于与所述首个时刻采集的数据进行对比，在所述最后一个时刻之后可令再另设一个后采样时刻，等后采样时刻再采集数据可用于与所述最后一个时刻采集的数据进行对比，这样分别给首个时刻和最后一个时刻两边都余出来作后续的备用；
根据温度值计算得到各时刻对应的热蚀变量；
根据湿度值计算得到各时刻对应的水蚀变量；
各时刻的各点上对应的锈变特征为，该时刻一个点对应的表面法向量与这个点在上一时刻的表面法向量之间的余弦相似度，乘以这个点在该时刻的反射率与在上一时刻的反射率之比值所得之积；因为金属生锈了表面会变粗糙或者变颜色，这就导致了表面单位法向量和反射率的改变，这样结合两者在时间序列上的数据变化来计算锈变特征有助于正确发现模具上的生锈点以及生锈到何程度了；
根据各时刻对应的温度值从小到大的顺序对各时刻及其采集的数据进行重新排序得到变温锈蚀序列，在变温锈蚀序列中重新排序后各时刻称为温序时刻，这里相当于不按时间先后为顺序而是分别将原本各个时刻及其采集的数据打包，然后按各时刻对应的温度值从小到大的顺序将每份时刻打包的数据换个顺序，但是各时刻及其采集的数据每一份里还是原来的内容，只是一个温序时刻的上、下一个温序时刻就是在变温锈蚀序列中重新排序后温度值从小到大的序号了，在称谓上以作区分，后续的湿序时刻也是同理，
其中，一个温序时刻的一个点上对应的变温锈蚀度为：将该点所属温序时刻对应的热蚀变量与该点所属温序时刻对应的锈变特征的乘积，乘积通过温序时刻的修正在周期上的映射的数值结果；
在一些实施例中，可优选地，记该点所属温序时刻对应的热蚀变量为rse，记该点所属温序时刻对应的锈变特征为ftr，将该点所属温序时刻对应的热蚀变量与该点所属温序时刻对应的锈变特征的乘积记为rse*ftr，该点所属温序时刻对应的变温锈蚀度为rf，通过湿序时刻的修正在周期上的映射可表示为rf= sin[(π*jr/m)* rse*ftr]，m是在变温锈蚀序列中温序时刻的总数，jr是变温锈蚀序列中各温序时刻温度值从小到大的序号，在周期上的映射可为通过三角函数在圆周率周期上的映射，但值得注意的是，不要使用不连续的那些三角函数来表示，这样做是因为碳钢物料结构在实际的使用环境中温度、湿度的变化周期都是周期性的，例如昼夜交替、四季更替，温度湿度是金属腐蚀的两大重要诱因，这两者是时空交替的，对变温锈蚀序列中各温序时刻、变湿蚀序列中各湿序时刻的再次排序便是对温度湿度周期性的校正，结合地使用各温序时刻、各湿序时刻的占比在周期性的函数上进行映射，这样可以更好地突出变温锈蚀度、变湿锈蚀度在周期性锈蚀上的波动特征，更好地拟合碳钢产品放置于待监测的空间位置中经历的生锈腐蚀反应进程，从而有助于大气腐蚀数据对耐腐蚀材料的数据监测；
将每一个点在变温锈蚀序列中各温序时刻对应的变温锈蚀度组成的数组作为该点的变温锈蚀序列；
根据各时刻对应的湿度值从小到大的顺序对各时刻及其采集的数据进行重新排序得到变湿锈蚀序列，在变湿锈蚀序列中重新排序后各时刻称为湿序时刻，其中，一个湿序时刻的一个点上对应的变湿锈蚀度为：将该点所属湿序时刻对应的水蚀变量与该点所属湿序时刻对应的锈变特征的乘积，乘积通过湿序时刻的修正在周期上的映射的数值结果；
在一些实施例中，可记该点所属湿序时刻对应的水蚀变量为wse，记该点所属湿序时刻对应的锈变特征为ftr，该点所属湿序时刻对应的水蚀变量与该点所属湿序时刻对应的锈变特征的乘积为wse*ftr，该点在所属湿序时刻对应的变湿锈蚀度为wf，通过湿序时刻的修正在周期上的映射可表示为wf= sin[(π*jw/m)* wse*ftr]，jw则是湿序时刻的顺序序号，m是湿序时刻的总数；
将每一个点在变湿锈蚀序列中各湿序时刻对应的变湿锈蚀度组成的数组作为该点的变湿锈蚀序列；
碳钢模具表面上的每个点都有其变温锈蚀序列和变湿锈蚀序列。
进一步地，作为可优选的实施例，各时刻对应的热蚀变量为该时刻的温度值减去各时刻中最低温度值之差的指数化结果与该时刻的上一时刻的温度值减去各时刻中最低温度值之差的指数化结果相比所得之比值，可以通过计算以自然常数为底的对数函数exp得到指数化结果。
进一步地，作为可优选的实施例，各时刻对应的水蚀变量为该时刻对应的湿度值的指数化结果与该时刻的上一时刻对应的湿度值的指数化结果相比所得之比值。
进一步地，根据各点的变温锈蚀序列和变湿锈蚀序列，把碳钢模具表面的三维模型分割为多个子区域，计算各子区域的数据特征；
从所述若干个子区域中选出标准的子区域，根据标准的子区域的数据特征相比于其余各子区域的数据特征的比例，调整碳钢模具表面上各子区域的碳钢含碳量；
在一些实施例中，根据碳钢模具表面的三维点云模型上各点的变温锈蚀序列和变湿锈蚀序列，可优选地使用基于超体素区域增长的点云分割算法，可以使用CloudCompare&PCL工具将碳钢模具表面的三维点云模型分割成多个不同的子区域，在将碳钢模具表面的三维点云模型分割成多个不同的子区域的过程中，调用PCL的距离计算模块可以获取各子区域在聚类过程中的距离值，这个距离值也可以是各子区域对于其他子区域的距离值，将各子区域的距离值作为其数据特征，以包含点的个数最多的子区域或者距离值最小的子区域为标准的子区域，根据标准的子区域的数据特征相比于其余各子区域的数据特征的比例，调整碳钢模具表面上各子区域的碳钢含碳量，但要控制钢铁的碳含量在0.0218%至2.11%区间内，以此对碳钢模具表面上对应的点进行防锈处理，例如编号为3的子区域Mod3相对于标准的子区域ModStandard之间的数据特征的比例约为1.25，则将Mod3对应的0.23%含碳量提升至1.25倍约为0.28%含碳量，这样使用基于大气腐蚀数据的耐腐蚀材料优化方法来优化碳钢模具的表面上建立的三维点云模型上各点的碳钢含碳量，以优化后的三维模型设计生产出来的碳钢模具具有更好的抗腐蚀性能。对照实验中，使用了未使用本发明所述方法生产的碳钢模具和使用了本发明所述方法优化生产的谈刚模具作为实验对照组，发现两者经过电化学腐蚀测量后，本发明所述方法生产品的腐蚀电流密度小于未使用本发明所述方法生产品，腐蚀电流密度越小耐蚀性越好，本发明所述方法有利于提高产品的耐腐蚀能力。
所述基于大气腐蚀数据的耐腐蚀材料优化系统运行于桌上型计算机、笔记本电脑、掌上电脑或云端数据中心的任一计算设备中，所述计算设备包括：处理器、存储器及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述基于大气腐蚀数据的耐腐蚀材料优化方法中的步骤,可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群。
本发明的实施例提供的基于大气腐蚀数据的耐腐蚀材料优化系统，如图2所示，该实施例的基于大气腐蚀数据的耐腐蚀材料优化系统包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于大气腐蚀数据的耐腐蚀材料优化方法实施例中的步骤，所述处理器执行所述计算机程序运行在以下系统的单元中：
建模单元，用于建立碳钢模具表面的三维模型，获取三维模型上各点的含碳量；
数据单元，用于在多时刻采集碳钢模具的表面上的反射率和表面法向量以及各时刻大气的温度值和相对湿度值的数值；
计算单元，用于根据反射率和表面法向量以及大气的温度值和相对湿度值，通过分别计算各点的变温锈蚀序列和变湿锈蚀序列，对碳钢模具表面上对应的点进行防锈处理。
其中，优选地，本发明中所有未定义的变量，若未有明确定义，均可为人工设置的阈值。
其中，不同单位的物理量间采用无量纲化的数值计算。
所述基于大气腐蚀数据的耐腐蚀材料优化系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中。所述基于大气腐蚀数据的耐腐蚀材料优化系统包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是基于大气腐蚀数据的耐腐蚀材料优化方法及系统的示例，并不构成对基于大气腐蚀数据的耐腐蚀材料优化方法及系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于大气腐蚀数据的耐腐蚀材料优化系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立元器件门电路或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于大气腐蚀数据的耐腐蚀材料优化系统的控制中心，利用各种接口和线路连接整个基于大气腐蚀数据的耐腐蚀材料优化系统的各个分区域。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于大气腐蚀数据的耐腐蚀材料优化方法及系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明提供了基于大气腐蚀数据的耐腐蚀材料优化方法及系统，通过建立碳钢模具表面的三维模型，获取三维模型上各点的含碳量；在多时刻采集碳钢模具的表面上的反射率和表面法向量以及各时刻大气的温度值和相对湿度值的数值；根据反射率和表面法向量以及大气的温度值和相对湿度值，通过分别计算各点的变温锈蚀序列和变湿锈蚀序列，对碳钢模具表面上对应的点进行防锈处理。使用本发明所述方法来优化碳钢模具的表面上建立的三维点云模型上各点的碳钢含碳量，以优化后的三维模型设计生产出来的碳钢模具具有更好的抗腐蚀性能。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
Claims (9)
1.基于大气腐蚀数据的耐腐蚀材料优化方法，其特征在于，所述方法包括以下步骤：
建立碳钢模具表面的三维模型，获取三维模型上各点的含碳量，在多时刻采集碳钢模具的表面上的反射率和表面法向量以及各时刻大气的温度值和相对湿度值的数值，根据反射率和表面法向量以及大气的温度值和相对湿度值，通过分别计算各点的变温锈蚀序列和变湿锈蚀序列，对碳钢模具表面的三维模型上对应的点进行防锈优化处理；
其中，根据反射率和表面法向量以及大气的温度值和相对湿度值，分别计算变温锈蚀序列和变湿锈蚀序列，具体为：
将各时刻对应的采集的数据按时间先后顺序排列，根据温度值计算得到各时刻对应的热蚀变量，根据湿度值计算得到各时刻对应的水蚀变量；
各时刻的各点上对应的锈变特征为，该时刻一个点对应的表面法向量与这个点在上一时刻的表面法向量之间的余弦相似度，乘以这个点在该时刻的反射率与在上一时刻的反射率之比值所得之积；
根据各时刻对应的温度值从小到大的顺序对各时刻及其采集的数据进行重新排序得到变温锈蚀序列，在变温锈蚀序列中重新排序后各时刻称为温序时刻，其中，一个温序时刻的一个点上对应的变温锈蚀度为：将该点所属温序时刻对应的热蚀变量与该点所属温序时刻对应的锈变特征的乘积通过温序时刻的修正在周期上的映射；将每一个点在变温锈蚀序列中各温序时刻对应的变温锈蚀度组成的数组作为该点的变温锈蚀序列；
根据各时刻对应的湿度值从小到大的顺序对各时刻及其采集的数据进行重新排序得到变湿锈蚀序列，在变湿锈蚀序列中重新排序后各时刻称为湿序时刻，其中，一个湿序时刻的一个点上对应的变湿锈蚀度为：将该点所属湿序时刻对应的水蚀变量与该点所属湿序时刻对应的锈变特征的乘积通过湿序时刻的修正在周期上的映射；将每一个点在变湿锈蚀序列中各湿序时刻对应的变湿锈蚀度组成的数组作为该点的变湿锈蚀序列。
2.根据权利要求1所述的基于大气腐蚀数据的耐腐蚀材料优化方法，其特征在于，所述碳钢模具的结构能被等比例缩放。
3.根据权利要求1所述的基于大气腐蚀数据的耐腐蚀材料优化方法，其特征在于，碳钢模具表面上各点采集的数据与三维点云模型上各点的位置保持一致对应。
4.根据权利要求1所述的基于大气腐蚀数据的耐腐蚀材料优化方法，其特征在于，在预设的一段时间内，于多个不同的时刻采集碳钢模具的表面上的反射率和表面法向量以及各时刻大气的温度值和相对湿度值的数值。
5.根据权利要求1所述的基于大气腐蚀数据的耐腐蚀材料优化方法，其特征在于，将所述碳钢模具放置于待监测的空间位置中，在多时刻采集碳钢模具的表面上的反射率和表面法向量以及各时刻大气的温度值和相对湿度值的数值。
6.根据权利要求1所述的基于大气腐蚀数据的耐腐蚀材料优化方法，其特征在于，各时刻对应的热蚀变量为该时刻的温度值减去各时刻中最低温度值之差的指数化结果与该时刻的上一时刻的温度值减去各时刻中最低温度值之差的指数化结果相比所得之比值。
7.根据权利要求1所述的基于大气腐蚀数据的耐腐蚀材料优化方法，其特征在于，各时刻对应的水蚀变量为该时刻对应的湿度值的指数化结果与该时刻的上一时刻对应的湿度值的指数化结果相比所得之比值。
8.根据权利要求1所述的基于大气腐蚀数据的耐腐蚀材料优化方法，其特征在于，根据各点的变温锈蚀序列和变湿锈蚀序列，把碳钢模具表面的三维模型分割为多个子区域，计算各子区域的数据特征；
从若干个子区域中选出标准的子区域，根据标准的子区域的数据特征相比于其余各子区域的数据特征的比例，调整碳钢模具表面上各子区域的碳钢含碳量。
9.基于大气腐蚀数据的耐腐蚀材料优化系统，其特征在于，所述基于大气腐蚀数据的耐腐蚀材料优化系统运行于桌上型计算机、笔记本电脑或云端数据中心的任一计算设备中，所述计算设备包括：处理器、存储器及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述的基于大气腐蚀数据的耐腐蚀材料优化方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311627995.XA CN117332620B (zh) | 2023-12-01 | 2023-12-01 | 基于大气腐蚀数据的耐腐蚀材料优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311627995.XA CN117332620B (zh) | 2023-12-01 | 2023-12-01 | 基于大气腐蚀数据的耐腐蚀材料优化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117332620A true CN117332620A (zh) | 2024-01-02 |
| CN117332620B CN117332620B (zh) | 2024-02-23 |
Family
ID=89279629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311627995.XA Active CN117332620B (zh) | 2023-12-01 | 2023-12-01 | 基于大气腐蚀数据的耐腐蚀材料优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117332620B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117635617A (zh) * | 2024-01-26 | 2024-03-01 | 广东海洋大学 | 一种基于高熵合金数据的快速计算处理方法及系统 |
| CN118759030A (zh) * | 2024-09-02 | 2024-10-11 | 广东海洋大学 | 一种钢铁表面耐腐蚀复合涂层的损耗预警方法及系统 |
| CN118759030B (zh) * | 2024-09-02 | 2024-11-12 | 广东海洋大学 | 一种钢铁表面耐腐蚀复合涂层的损耗预警方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5208162A (en) * | 1990-05-08 | 1993-05-04 | Purafil, Inc. | Method and apparatus for monitoring corrosion |
| CN114137024A (zh) * | 2021-12-01 | 2022-03-04 | 太原理工大学 | 变温度和变湿度条件下可燃流体燃爆特性测试系统和方法 |
| CN116330667A (zh) * | 2023-03-28 | 2023-06-27 | 云阳县优多科技有限公司 | 一种玩具的3d打印模型设计方法及系统 |
-
2023
- 2023-12-01 CN CN202311627995.XA patent/CN117332620B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5208162A (en) * | 1990-05-08 | 1993-05-04 | Purafil, Inc. | Method and apparatus for monitoring corrosion |
| CN114137024A (zh) * | 2021-12-01 | 2022-03-04 | 太原理工大学 | 变温度和变湿度条件下可燃流体燃爆特性测试系统和方法 |
| CN116330667A (zh) * | 2023-03-28 | 2023-06-27 | 云阳县优多科技有限公司 | 一种玩具的3d打印模型设计方法及系统 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117635617A (zh) * | 2024-01-26 | 2024-03-01 | 广东海洋大学 | 一种基于高熵合金数据的快速计算处理方法及系统 |
| CN117635617B (zh) * | 2024-01-26 | 2024-04-09 | 广东海洋大学 | 一种基于高熵合金数据的快速计算处理方法及系统 |
| CN118759030A (zh) * | 2024-09-02 | 2024-10-11 | 广东海洋大学 | 一种钢铁表面耐腐蚀复合涂层的损耗预警方法及系统 |
| CN118759030B (zh) * | 2024-09-02 | 2024-11-12 | 广东海洋大学 | 一种钢铁表面耐腐蚀复合涂层的损耗预警方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117332620B (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110287942B (zh) | 年龄估计模型的训练方法、年龄估计方法以及对应的装置 | |
| CN117332620B (zh) | 基于大气腐蚀数据的耐腐蚀材料优化方法及系统 | |
| CN112308281A (zh) | 一种温度信息预测方法及装置 | |
| CN117353302A (zh) | 新能源发电功率的预测方法、装置、设备及介质 | |
| CN112085926A (zh) | 一种河道水污染预警方法及系统 | |
| CN116721113A (zh) | 一种三维点云平面分割方法及系统 | |
| JP5715445B2 (ja) | 品質推定装置、品質推定方法及び品質推定方法をコンピュータに実行させるためのプログラム | |
| CN110275895A (zh) | 一种缺失交通数据的填充设备、装置及方法 | |
| CN113239646A (zh) | 一种基于等效粗糙度风电场建模方法、介质和设备 | |
| CN116154768B (zh) | 采用点预测误差经验分布逆变换的功率区间预测方法 | |
| CN116433050B (zh) | 应用于农业大数据管理系统的异常报警方法及系统 | |
| CN106990913A (zh) | 一种大规模流式集合数据的分布式处理方法 | |
| JP2021196316A (ja) | データ管理システム、データ管理方法、および、データ管理プログラム | |
| CN116028788A (zh) | 特征分箱方法、装置、计算机设备及存储介质 | |
| CN111310121A (zh) | 一种新能源出力概率预测方法和系统 | |
| CN116894593A (zh) | 光伏发电功率预测方法、装置、电子设备及存储介质 | |
| CN115687948A (zh) | 一种基于负荷曲线的电力专变用户无监督分类方法 | |
| CN115759291A (zh) | 一种基于集成学习的空间非线性回归方法及系统 | |
| CN115600666A (zh) | 面向输配电线路缺陷检测模型的自学习方法及装置 | |
| CN115409070A (zh) | 离散数据序列临界点的确定方法、装置以及设备 | |
| JP2011221873A (ja) | データ分類方法及び装置及びプログラム | |
| CN116757025B (zh) | 一种基于dxf格式的船舶舱室图形自动拾取方法 | |
| CN113792749A (zh) | 时间序列数据异常检测方法、装置、设备及存储介质 | |
| CN117371184B (zh) | 一种大型混凝土的水化反应结构强度变化仿真方法及系统 | |
| Zhao | Acceleration of sequential Monte Carlo for computationally intensive target distribution by parallel lookup table and GPU computing |
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 |