[发明专利]基于BP神经网络的无损测定钢铁腐蚀产物特征的方法

说明书

技术领域

本发明属于材料科学和电化学领域，具体涉及一种基于BP神经网络的无损测定钢铁腐蚀产物特征的方法,更加具体的说，采用BP神经网络算法将电化学测定数据与标准比例建立联系，最终预测实际钢铁腐蚀产物的方法。

背景技术

传统的测定腐蚀产物成分的方法主要有：X射线粉末衍射法、傅里叶红外变换光谱法、拉曼光谱法等，这些表征方法都属于光谱分析方法，X射线粉末衍射法是根据晶体对X射线的衍射特征-衍射线的位置、强度及数量来鉴定结晶物质的物相，故这种方法主要针对晶体物质，即只能根据衍射线的位置、强度及数量分析出腐蚀产物中的晶体物相，对于非晶体物相则无法分析。傅里叶红外光谱法和拉曼光谱法都是根据物质的特征吸收峰位置来定性判断样品成分，根据特征吸收峰的强度来半定性分析样品含量。这些检测方法大多需要将腐蚀产物从钢铁上脱离下来，并且需要制作测试样品，在这一系列过程中，产物可能已经产生变化，不能代表真实的锈层特征。因此，必须发展一种简单、无需破坏锈层的方法用于其特征分析。

一般来讲钢铁表面的腐蚀产物由α-FeOOH、γ-FeOOH、β-FeOOH、δ-FeOOH、Fe3O4、γ-Fe2O3构成，γ-FeOOH相当于电化学活性物质，而α-FeOOH是绝缘的非活性物质，它是最稳定的羟基铁氧化物，是保护性锈层的主要构成相。Fe3O4尽管是良导体，但由于它的热动力稳定性及致密的性能也被认为具有保护性。在工业大气环境下，腐蚀产物中Fe3O4含量较少，而α-FeOOH及γ-FeOOH的含量较多。Dillmann提出，锈层主要由具有保护性的α-FeOOH及γ-FeOOH构成。在一定程度上，锈层的保护性能可由稳定的α-FeOOH及活性的γ-FeOOH成分的(质量百分数)比率α/γ来描述，并把这个参数作为锈层保护性系数。因而，测定腐蚀产物中的成分特征具有重要意义。

BP(Back Propagation)神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存储大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层(input layer)、隐层(hidden layer)和输出层(output layer)，这种三层网络可以逼近任意一个非线性网络。对于每一层中神经元个数的选择，目前没有成熟的理论可供参考，普遍使用的隐层神经元个数为3-5个，输出层神经元个数为1。

发明内容

本发明目的在于克服现有表征腐蚀产物特征方法上的不足，提出了一种基于BP神经网络的无损测定钢铁腐蚀产物特征的方法。

本发明通过如下技术方案实现：

一种基于BP神经网络的无损测定钢铁腐蚀产物特征的方法，其步骤如下:

(1)制备纯相α-FeOOH及γ-FeOOH；

(2)制备不同比例的α-FeOOH及γ-FeOOH混合物至少5个以上样本；

(3)制作用于电化学测试的工作电极；

(4)将工作电极、对电极和参比电极三电极系统安装好，对工作电极施加恒定电流，检测电位信号，得到计时电位V-T曲线；

(5)绘制标准曲线，得到E_τ/2、Q_τ两个参数；

(6)测定带锈试样的计时电位V-T曲线，与标准曲线比对，得到试样锈层特征。

所述的步骤(5)优选是：将横坐标的t值根据公式Q＝(i_cMτ)/nmF％Fe转化为Q，绘制标准V-Q曲线，得到E_τ/2、Q_τ两个参数。

所述的步骤(6)优选是：

1)建立E_τ/2、Q_τ与比例α/α+γ的关系，根据训练样本为总样本数70％-75％的原则，随机选取训练样本E_τ/2、Q_τ作为输入，对应的比例α/α+γ作为输出，利用MATLAB中的神经网络工具箱建立神经网络，然后对神经网络进行多次训练，采用神经网络工具箱中的trainrp训练函数；

2)将其余E_τ/2、Q_τ作为输入，对应的比例α/α+γ作为输出，作为测试样本对步骤1的网络进行测试，每次训练后用测试样本代入，求其测试误差，当训练误差不断减小而测试误差增加时，终止训练。