低合金钢海水腐蚀监测中的双率数据处理与建模

工程科学学报 Chinese Journal of Engineering 低合金钢海水腐蚀监测中的双率数据处理与建模 陈亮付冬梅 Processing and modeling dual-rate sampled data in seawater corrosion monitoring of low alloy steels CHEN Liang.FU Dong-mei 引用本文： 陈亮，付冬梅.低合金钢海水腐蚀监测中的双率数据处理与建模[J】.工程科学学报，2022,44(1)：95-103.di: 10.13374j.issn2095-9389.2020.06.17.003 CHEN Liang,FU Dong-mei.Processing and modeling dual-rate sampled data in seawater corrosion monitoring of low alloy steels[J]. Chinese Journal of Engineering,.2022,441):95-103.doi:10.13374j.issn2095-9389.2020.06.17.003 在线阅读View online::htps/ldoi.org10.13374/.issn2095-9389.2020.06.17.003 您可能感兴趣的其他文章 Articles you may be interested in 6005A铝合金的表面损伤对其耐海水腐蚀性能的影响 Effect of surface damage on the corrosion resistance of 6005A aluminum alloy in simulated seawater 工程科学学报.2018,40(1)：92 https:1doi.org/10.13374.issn2095-9389.2018.01.012 高强度低合金钢中纳米析出相对腐蚀行为影响的研究进展 Influence of nanosized precipitate on the corrosion behavior of high-strength low-alloy steels:a review 工程科学学报.2021.433：321htps/1doi.org10.13374.issn2095-9389.2020.10.09.004 低合金钢焊接热影响区的微观组织和韧性研究进展 Research progress on microstructures and toughness of welding heat-affected zone in low-alloy steel 工程科学学报.2017,395)：643 https:/1doi.org/10.13374.issn2095-9389.2017.05.001 低合金结构钢腐蚀的影响因素及其耐蚀性判据 Influence factors and corrosion resistance criterion of low-alloy structural steel 工程科学学报.2021,43(2：255 https:ldoi.org10.13374j.issn2095-9389.2020.01.10.002 低碳低合金钢时效过程中Mn在a-Fe与渗碳体间重分布特征 Redistribution of Mn between a-Fe matrix and 0 cementite during long-term thermal aging in a low alloy steel 工程科学学报.2020,42(3：340 https:/doi.org10.13374.issn2095-9389.2019.04.24.005 2507双相不锈钢在$0，污染模拟海水中的腐蚀行为 Corrosion behavior of 2507 duplex stainless steel in simulated SO,-Polluted seawater 工程科学学报.2018,405)：587 https:/1doi.org/10.13374.issn2095-93892018.05.009

低合金钢海水腐蚀监测中的双率数据处理与建模 陈亮 付冬梅 Processing and modeling dual-rate sampled data in seawater corrosion monitoring of low alloy steels CHEN Liang, FU Dong-mei 引用本文: 陈亮, 付冬梅. 低合金钢海水腐蚀监测中的双率数据处理与建模[J]. 工程科学学报, 2022, 44(1): 95-103. doi: 10.13374/j.issn2095-9389.2020.06.17.003 CHEN Liang, FU Dong-mei. Processing and modeling dual-rate sampled data in seawater corrosion monitoring of low alloy steels[J]. Chinese Journal of Engineering, 2022, 44(1): 95-103. doi: 10.13374/j.issn2095-9389.2020.06.17.003 在线阅读 View online: https://doi.org/10.13374/j.issn2095-9389.2020.06.17.003 您可能感兴趣的其他文章 Articles you may be interested in 6005A铝合金的表面损伤对其耐海水腐蚀性能的影响 Effect of surface damage on the corrosion resistance of 6005A aluminum alloy in simulated seawater 工程科学学报. 2018, 40(1): 92 https://doi.org/10.13374/j.issn2095-9389.2018.01.012 高强度低合金钢中纳米析出相对腐蚀行为影响的研究进展 Influence of nanosized precipitate on the corrosion behavior of high-strength low-alloy steels: a review 工程科学学报. 2021, 43(3): 321 https://doi.org/10.13374/j.issn2095-9389.2020.10.09.004 低合金钢焊接热影响区的微观组织和韧性研究进展 Research progress on microstructures and toughness of welding heat-affected zone in low-alloy steel 工程科学学报. 2017, 39(5): 643 https://doi.org/10.13374/j.issn2095-9389.2017.05.001 低合金结构钢腐蚀的影响因素及其耐蚀性判据 Influence factors and corrosion resistance criterion of low-alloy structural steel 工程科学学报. 2021, 43(2): 255 https://doi.org/10.13374/j.issn2095-9389.2020.01.10.002 低碳低合金钢时效过程中Mn在α-Fe与渗碳体间重分布特征 Redistribution of Mn between α-Fe matrix and θ cementite during long-term thermal aging in a low alloy steel 工程科学学报. 2020, 42(3): 340 https://doi.org/10.13374/j.issn2095-9389.2019.04.24.005 2507双相不锈钢在SO2污染模拟海水中的腐蚀行为 Corrosion behavior of 2507 duplex stainless steel in simulated SO2 -Polluted seawater 工程科学学报. 2018, 40(5): 587 https://doi.org/10.13374/j.issn2095-9389.2018.05.009

工程科学学报.第44卷，第1期：95-103.2022年1月 Chinese Journal of Engineering,Vol.44,No.1:95-103,January 2022 https://doi.org/10.13374/j.issn2095-9389.2020.06.17.003;http://cje.ustb.edu.cn 低合金钢海水腐蚀监测中的双率数据处理与建模 陈 亮)，付冬梅2)四 1)北京科技大学自动化学院，北京1000832)北京市工业波谱成像工程中心，北京100083 ☒通信作者，E-mail:fdm ustb@ustb.edu.cn 摘要随着物联网技术的发展，前端传感器的使用使得低合金钢的海水腐蚀监测成为了现实，从而获得了大量的腐蚀数 据.针对传统均值法处理双率腐蚀数据带来的数据信息损失以及建模精度下降问题，提出了一种基于综合指标值(CV)和改 进相关向量回归(RVR)的双率腐蚀数据处理和建模算法(CIV-IRVR).首先，通过构建CTV表征输入数据的综合影响并采用 天牛须搜索(BAS)算法对其参数进行寻优：然后，建立最优CIV序列与输出数据间的线性回归模型将双率数据转化为建模用 的单率数据，能够更多地保留原始数据信息：最后，给出了一种BAS算法优化的具有组合核函数的改进相关向量回归建模方 法(RVR),并建立了针对低合金钢海水腐蚀双率数据的CIV-RVR预测模型.结果表明：相比于均值方法处理双率腐蚀数据， 所提方法将建模样本数量由196提升到了1834：相比于海水腐蚀建模领域常用的人工神经网络(ANN)和支持向量回归 (SVR)建模方法，所提模型的平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(CD)分别为1.1914mV、1.5729mV以 及09963，在各项指标上均优于对比算法，说明所提模型不仅减少了信息损失还提高了建模精度，对于双率海水腐蚀数据建 模具有一定现实意义 关键词低合金钢：海水腐蚀：双率数据：综合指标值：相关向量回归 分类号TG391.1:TP172.5 Processing and modeling dual-rate sampled data in seawater corrosion monitoring of low alloy steels CHEN Liang.FU Dong-me 1)School of Automation and Electrical Engineering,University of Science and Technology Beijing,Beijing 100083,China 2)Beijing Engineering Research Center of Industrial Spectrum Imaging.University of Science and Technology Beijing.Beijing 100083.China Corresponding author,E-mail:fdm_ustb@ustb.edu.cn ABSTRACT With the rapid development of Internet of Things technology,the use of front-end sensors realizes the corrosion potential online detection of low alloy steels in a marine environment,thereby obtaining multitudes of corrosion data.Concerning the problems of data information loss and modeling accuracy reduction caused by the use of the traditional mean value method when processing dual-rate corrosion data,a new dual-rate data processing and modeling algorithm combining the comprehensive index value (CIV)and improved relevance vector regression(IRVR)was proposed.First,the CIV was constructed to characterize the comprehensive influence of the input data,and the beetle antennae search(BAS)algorithm was applied to optimize its parameters.Then,linear regression models between the best CIV sequence and the output data were established to convert the dual-rate corrosion data into single-rate data for modeling,which retained more information of the original corrosion data.Finally,the IRVR method based on BAS optimization of compounding kernels was given to establish the prediction model for dual-rate seawater corrosion data of low alloy steels.The results show that the proposed model CIV-IRVR increases the number of modeling samples from 196 for the mean value method to 1834. 收稿日期：202006-17 基金项目：国家重点研发计划资助项目(2017YFB0702104)

低合金钢海水腐蚀监测中的双率数据处理与建模 陈    亮1)，付冬梅1,2) 苣 1) 北京科技大学自动化学院，北京 100083    2) 北京市工业波谱成像工程中心，北京 100083 苣通信作者， E-mail: fdm_ustb@ustb.edu.cn 摘    要    随着物联网技术的发展，前端传感器的使用使得低合金钢的海水腐蚀监测成为了现实，从而获得了大量的腐蚀数 据. 针对传统均值法处理双率腐蚀数据带来的数据信息损失以及建模精度下降问题，提出了一种基于综合指标值 (CIV) 和改 进相关向量回归 (IRVR) 的双率腐蚀数据处理和建模算法 (CIV-IRVR). 首先，通过构建 CIV 表征输入数据的综合影响并采用 天牛须搜索 (BAS) 算法对其参数进行寻优；然后，建立最优 CIV 序列与输出数据间的线性回归模型将双率数据转化为建模用 的单率数据，能够更多地保留原始数据信息；最后，给出了一种 BAS 算法优化的具有组合核函数的改进相关向量回归建模方 法 (IRVR)，并建立了针对低合金钢海水腐蚀双率数据的 CIV-IRVR 预测模型. 结果表明：相比于均值方法处理双率腐蚀数据， 所提方法将建模样本数量由 196 提升到了 1834；相比于海水腐蚀建模领域常用的人工神经网络 (ANN) 和支持向量回归 (SVR) 建模方法，所提模型的平均绝对误差 (MAE)、均方根误差 (RMSE) 和决定系数 (CD) 分别为 1.1914 mV、1.5729 mV 以 及 0.9963，在各项指标上均优于对比算法，说明所提模型不仅减少了信息损失还提高了建模精度，对于双率海水腐蚀数据建 模具有一定现实意义. 关键词    低合金钢；海水腐蚀；双率数据；综合指标值；相关向量回归 分类号    TG391.1;TP172.5 Processing  and  modeling  dual-rate  sampled  data  in  seawater  corrosion  monitoring  of low alloy steels CHEN Liang1) ，FU Dong-mei1,2) 苣 1) School of Automation and Electrical Engineering, University of Science and Technology Beijing, Beijing 100083, China 2) Beijing Engineering Research Center of Industrial Spectrum Imaging, University of Science and Technology Beijing, Beijing 100083, China 苣 Corresponding author, E-mail: fdm_ustb@ustb.edu.cn ABSTRACT    With the rapid development of Internet of Things technology, the use of front-end sensors realizes the corrosion potential online detection of low alloy steels in a marine environment, thereby obtaining multitudes of corrosion data. Concerning the problems of data information loss and modeling accuracy reduction caused by the use of the traditional mean value method when processing dual-rate corrosion data, a new dual-rate data processing and modeling algorithm combining the comprehensive index value (CIV) and improved relevance vector regression (IRVR) was proposed. First, the CIV was constructed to characterize the comprehensive influence of the input  data,  and  the  beetle  antennae  search  (BAS)  algorithm  was  applied  to  optimize  its  parameters.  Then,  linear  regression  models between  the  best  CIV  sequence  and  the  output  data  were  established  to  convert  the  dual-rate  corrosion  data  into  single-rate  data  for modeling,  which  retained  more  information  of  the  original  corrosion  data.  Finally,  the  IRVR  method  based  on  BAS  optimization  of compounding kernels was given to establish the prediction model for dual-rate seawater corrosion data of low alloy steels. The results show  that  the  proposed  model  CIV-IRVR  increases  the  number  of  modeling  samples  from  196  for  the  mean  value  method  to  1834. 收稿日期: 2020−06−17 基金项目: 国家重点研发计划资助项目（2017YFB0702104） 工程科学学报，第 44 卷，第 1 期：95−103，2022 年 1 月 Chinese Journal of Engineering, Vol. 44, No. 1: 95−103, January 2022 https://doi.org/10.13374/j.issn2095-9389.2020.06.17.003; http://cje.ustb.edu.cn

96 工程科学学报，第44卷.第1期 Moreover,the mean absolute error,root mean square error,and coefficient of determination of the CIV-IRVR model are 1.1914 mV, 1.5729 mV,and 0.9963,respectively,which outperforms commonly used comparison algorithms,such as the artificial neural network (ANN)and support vector regression(SVR).Moreover,the CIV-IRVR model can help obtain the prediction results with error bars,and it has the absolute error distribution closest to 0,which highlights its excellent predictive performance on the seawater corrosion potential of low alloy steels.Thus,the proposed model not only reduces the information loss and improves the modeling accuracy but also has practical significance for modeling dual-rate seawater corrosion data. KEY WORDS low alloy steels;seawater corrosion;dual-rate data;comprehensive index value;relevance vector regression 在海水腐蚀领域，由于海水环境的强腐蚀性， 据进行处理并建立了海水腐蚀预测模型 材料在服役过程中会不可避免地产生腐蚀现象， 在将双率腐蚀数据转化为单率数据后，人工 进一步导致其性能下降直至失效，从而带来巨大 神经网络(Artificial neural networks,.ANN)和支持 的经济损失和安全隐患山随着在线监测技术的发 向量回归(Support vector regression,.SVR)是常用的 展，对材料的腐蚀状态进行实时监测变得更加容 腐蚀建模方法.刘学庆等采用电化学方法测定 易四通过高灵敏度的前端传感器可以采集得到大 了3C钢在不同海水环境参数下的腐蚀速度，并根 量的腐蚀数据，但由于客观因素的影响，材料所 据四层误差反传神经网络(Back-propagation neural 处的海水环境数据采样频率与腐蚀数据的采样频 network,BPNN)分析了3C钢腐蚀速度与海水环境 率通常不一致，从而形成了具有不同采样频率的 参数的相关性，建立了3C钢在海洋环境中腐蚀速 系统.这种输入输出量存在多个采样频率的系统 度的预测模型.Shirazi和Mohammadil结合帝国 称为多率系统，仅有两种不同采样频率的多率系统 主义竞争算法(Imperialist competitive algorithm,ICA) 称为双率系统，对应的采样数据就是双率数据 和ANN建立了海水环境与钢材腐蚀速率间的 因此，如何处理低合金钢海水腐蚀实验中的双率 ICA-ANN预测模型，该模型在测试集上的均方误 数据并准确预测钢材腐蚀状态对于指导腐蚀防护 差约为0.01，平均绝对误差为0.011，拟合优度为 工作具有重要意义 0.99,能够较好地预测3C钢在海水环境下的腐蚀 双率系统建模问题最早在系统辨识领域得到 速率.Wen等I)利用粒子群算法优化SVR的参 研究.Kranc!提出了切换分解技术，其思想是将 数，建立了3C钢在海水环境下的腐蚀速率预测模 多率系统转化为单率系统后进行分析.Friedland!7 型，并与BPNN进行了对比，结果表明SVR的泛化 和Khargonekar等I阁将切换分解技术发展完善为提 能力优于BPNN,可以对海水环境下碳钢的腐蚀进 升技术，成为了双率系统研究的最常用方法例Lⅵ 行跟踪.毕傲睿等劉采用主成分分析方法对影响 等o采用提升技术和推理控制结果研究了双率系 海水管道腐蚀的因素进行优选，然后将贡献率大 统的性能以及鲁棒性.Ding和Chen山应用提升技 的腐蚀因素作为SVR的输入，以腐蚀速率作为输 术提出了一种双率系统的递阶辨识方法.然而基 出，建立管道腐蚀预测模型，然后通过鲇鱼粒子群 于系统辨识的双率系统建模方法需先假定被辨识 算法对SVR进行优化，预测精度较高 模型的结构形式，难以适用于结构未知的复杂非 目前，在对双率腐蚀数据的处理方法中，均值 线性情况，因此需要提出一种不依赖模型结构的 法应用广泛，然而均值法不可避免地会忽略掉小 双率系统建模方法， 采样周期数据中的细节信息，从而导致建模精度 在腐蚀研究领域，均值法是常用的将双率腐 下降四同时，在腐蚀模型的构建中，基本选择 蚀数据转化为单率数据的处理方法.Zhi等2I将 ANN或SVR作为学习模型，而忽略了ANN容易 相对湿度、pH值、二氧化硫浓度、氯离子浓度等 陷入局部极小以及SVR预测精度低的问题.针对 小采样周期的大气环境数据用均值法统一成与碳 以上问题，本文以低合金钢海水环境下的双率腐 钢腐蚀速率相同的以年为采样周期的单率数据， 蚀数据为例，对于材料腐蚀电位数据采样周期远 然后建立了环境因子与腐蚀速率之间的预测模 小于海水环境因子数据的情况，提出了一种基于 型.石雅楠等1对温度、相对湿度、PM2.5等以小 综合指标值(Comprehensive index value,.CIV)并结 时为采样周期的气象数据采用均值法进行处理， 合改进相关向量回归(Improved relevance vector 将双率采样数据转换为以天为采样周期的单率数 regression,IRVR)的数据处理和建模方法.首先通 据.Wei等采用均值法对材料海水腐蚀电位数 过定义CIV来表征海水环境因子的综合影响，建

Moreover, the mean absolute error, root mean square error, and coefficient of determination of the CIV-IRVR model are 1.1914 mV, 1.5729 mV, and 0.9963, respectively, which outperforms commonly used comparison algorithms, such as the artificial neural network (ANN) and support vector regression (SVR). Moreover, the CIV-IRVR model can help obtain the prediction results with error bars, and it has the absolute error distribution closest to 0, which highlights its excellent predictive performance on the seawater corrosion potential of low alloy steels. Thus, the proposed model not only reduces the information loss and improves the modeling accuracy but also has practical significance for modeling dual-rate seawater corrosion data. KEY WORDS    low alloy steels；seawater corrosion；dual-rate data；comprehensive index value；relevance vector regression 在海水腐蚀领域，由于海水环境的强腐蚀性， 材料在服役过程中会不可避免地产生腐蚀现象， 进一步导致其性能下降直至失效，从而带来巨大 的经济损失和安全隐患[1] . 随着在线监测技术的发 展，对材料的腐蚀状态进行实时监测变得更加容 易[2] . 通过高灵敏度的前端传感器可以采集得到大 量的腐蚀数据[3−4] ，但由于客观因素的影响，材料所 处的海水环境数据采样频率与腐蚀数据的采样频 率通常不一致，从而形成了具有不同采样频率的 系统. 这种输入输出量存在多个采样频率的系统 称为多率系统，仅有两种不同采样频率的多率系统 称为双率系统，对应的采样数据就是双率数据[5] . 因此，如何处理低合金钢海水腐蚀实验中的双率 数据并准确预测钢材腐蚀状态对于指导腐蚀防护 工作具有重要意义. 双率系统建模问题最早在系统辨识领域得到 研究. Kranc[6] 提出了切换分解技术，其思想是将 多率系统转化为单率系统后进行分析. Friedland[7] 和 Khargonekar 等[8] 将切换分解技术发展完善为提 升技术，成为了双率系统研究的最常用方法[9] . Li 等[10] 采用提升技术和推理控制结果研究了双率系 统的性能以及鲁棒性. Ding 和 Chen[11] 应用提升技 术提出了一种双率系统的递阶辨识方法. 然而基 于系统辨识的双率系统建模方法需先假定被辨识 模型的结构形式，难以适用于结构未知的复杂非 线性情况，因此需要提出一种不依赖模型结构的 双率系统建模方法. 在腐蚀研究领域，均值法是常用的将双率腐 蚀数据转化为单率数据的处理方法. Zhi 等[12] 将 相对湿度、pH 值、二氧化硫浓度、氯离子浓度等 小采样周期的大气环境数据用均值法统一成与碳 钢腐蚀速率相同的以年为采样周期的单率数据， 然后建立了环境因子与腐蚀速率之间的预测模 型. 石雅楠等[13] 对温度、相对湿度、PM2.5 等以小 时为采样周期的气象数据采用均值法进行处理， 将双率采样数据转换为以天为采样周期的单率数 据. Wei 等[14] 采用均值法对材料海水腐蚀电位数 据进行处理并建立了海水腐蚀预测模型. 在将双率腐蚀数据转化为单率数据后，人工 神经网络 (Artificial neural networks, ANN) 和支持 向量回归 (Support vector regression, SVR) 是常用的 腐蚀建模方法. 刘学庆等[15] 采用电化学方法测定 了 3C 钢在不同海水环境参数下的腐蚀速度，并根 据四层误差反传神经网络 (Back-propagation neural network, BPNN) 分析了 3C 钢腐蚀速度与海水环境 参数的相关性，建立了 3C 钢在海洋环境中腐蚀速 度的预测模型. Shirazi 和 Mohammadi[16] 结合帝国 主义竞争算法 (Imperialist competitive algorithm, ICA) 和 ANN 建立了海水环境与钢材腐蚀速率间 的 ICA−ANN 预测模型，该模型在测试集上的均方误 差约为 0.01，平均绝对误差为 0.011，拟合优度为 0.99，能够较好地预测 3C 钢在海水环境下的腐蚀 速率. Wen 等[17] 利用粒子群算法优化 SVR 的参 数，建立了 3C 钢在海水环境下的腐蚀速率预测模 型，并与 BPNN 进行了对比，结果表明 SVR 的泛化 能力优于 BPNN，可以对海水环境下碳钢的腐蚀进 行跟踪. 毕傲睿等[18] 采用主成分分析方法对影响 海水管道腐蚀的因素进行优选，然后将贡献率大 的腐蚀因素作为 SVR 的输入，以腐蚀速率作为输 出，建立管道腐蚀预测模型，然后通过鲇鱼粒子群 算法对 SVR 进行优化，预测精度较高. 目前，在对双率腐蚀数据的处理方法中，均值 法应用广泛，然而均值法不可避免地会忽略掉小 采样周期数据中的细节信息，从而导致建模精度 下降[19] . 同时，在腐蚀模型的构建中，基本选择 ANN 或 SVR 作为学习模型，而忽略了 ANN 容易 陷入局部极小以及 SVR 预测精度低的问题. 针对 以上问题，本文以低合金钢海水环境下的双率腐 蚀数据为例，对于材料腐蚀电位数据采样周期远 小于海水环境因子数据的情况，提出了一种基于 综合指标值 (Comprehensive index value, CIV) 并结 合改进相关向量回 归 (Improved  relevance  vector regression, IRVR) 的数据处理和建模方法. 首先通 过定义 CIV 来表征海水环境因子的综合影响，建 · 96 · 工程科学学报，第 44 卷，第 1 期

陈亮等：低合金钢海水腐蚀监测中的双率数据处理与建模 97· 立CIV与海水腐蚀电位的线性回归模型对双率数 海水站的14种海洋工程中常用低合金钢(LAS1~ 据进行填补，能够保留更多的原始数据信息，最终 LAS14)的海水浸泡实验，实验时间为2017年2月 得到用于建模的单率数据集.最后，采用高斯核和 15日至2017年6月25日，其中低合金钢海水腐蚀 二次多项式核构建IRVR的组合核，建立低合金钢 电位数据和海水环境数据构成了双率腐蚀数据 海水腐蚀电位的预测模型CIV-IRVR,解决了数据 LAS1~LAS14低合金钢的牌号依次为Q235、 信息损失和建模精度低的问题，为低合金钢海水 Q345DZ35、D36、Q345B、921、Q450NQR1、X70、 腐蚀监测中双率数据处理和建模提供了一种新的 X80、E690、E460、Prue Q235、Super fine grain steel 思路及方法 I、Super fine grain steel2以及Micro-alloy steel, 1双率腐蚀数据 1.2低合金钢化学元素含量 14种低合金钢所包含的化学元素成分(Fe除 1.1数据来源 外)共有15种，包括C、Si、Mn、P、S、Ni、Cr、Mo 本文数据来源于国家自然环境腐蚀平台三亚 Cu、Al、Ti、Nb、V、B以及N,其含量如表1所示. 表114种低合金钢的化学元素成分（质量分数） Table I Elemental compositions of 14 low alloy steels Elemental compositions/% LAS Mn 少 Cr Mo Cu Others 1 0.1554 0.0959 0.3193 0.0241 0.0086 0.0145 0.0415 0 0.0496 Al:0.0205 2 0.1 028 1.42 0.01 0.002 0 0 0 0 0 0.072 0.1388 1.2186 0.0124 0.0034 0 0 0 0 A:0.0394,Ti:0.0178,Nb:0.015 4 0.17 0.22 0.88 0.018 0.005 0 0 0 0 A:0.023 0.12 0.33 0.37 0.08 0.04 2.72 1.05 0.24 0 V0.08 6 0.0697 0.3257 1.0426 0.0167 0.0079 0.1299 0.6239 0 0.2636 A上：0.0288，Ti0.017:Nb:0.0264 7 0.0672 018 1.5407 0.0131 0.0027 0 0.2075 0.0575 0 A:0.0382:Ti:0.0176:Nb:0.063 8 004 1.79 0.013 0.001 0 0.025 0 0 0 9 0.11 02 1.12 0.013 0.003 0.41 0.46 0.41 0.27 A:0.036Ti0.019V:0.03:B:0.015 10 0.06 0.17 1.5 0.014 0.002 0.4 0.25 0.2 0.26 A:0.026,Ti:0.012:Nb:0.02 11 0.042 0.18 0.35 0.008 0.003 0 0 0 0 A:0.029 0.097 0.26 1.64 0.01 0.006 0 0 0 02 Ti:0.017:Nb:0.048:V:0.067:B:0.004 13 0.091 0.21 0.4 0.013 0.016 0 0 0 0.04 N:0.028 14 0.064 0.22 1.18 0.008 0.005 0 0 0 0.32 Ti:0.014:Nb:0.035:V:0.049,N:0.033 1.3腐蚀电位数据 -500 将14种不同的低合金钢试样置于近海低潮位 水下约0.5m处浸泡，同时采用多通道电位自动采 (v/ 。-LAS2 LAS3 LAS4 -550 ◆-LAS5 LAS6 LAS7 LAS8 集装置对实验钢材的腐蚀电位进行实时监测采 ★-LAS9 一◆一AS10 -600 LASII LAS12 集，采样周期为1h,每种材料各采集到3044条数 ←LAS13 LAS14 据，如图1所示 -650 1.4海水环境数据 海水环境因子包括海水温度(T/℃)、海水电导 -700 率(GμScm)、海水溶氧量(DO/(mg L)以、海水 -750 pH、海水盐度(S%)以及海水氧化还原电位(ORP/ 500 10001500200025003000 mV).在浸泡实验开展的过程中，每隔10d采集一 Time/h 次低合金钢所处的海水环境因子数据，每种环境 图1试样海水腐蚀电位 因子各采集到14条数据，如图2所示. Fig.I Seawater corrosion potential of test samples

立 CIV 与海水腐蚀电位的线性回归模型对双率数 据进行填补，能够保留更多的原始数据信息，最终 得到用于建模的单率数据集. 最后，采用高斯核和 二次多项式核构建 IRVR 的组合核，建立低合金钢 海水腐蚀电位的预测模型 CIV-IRVR，解决了数据 信息损失和建模精度低的问题，为低合金钢海水 腐蚀监测中双率数据处理和建模提供了一种新的 思路及方法. 1    双率腐蚀数据 1.1    数据来源 本文数据来源于国家自然环境腐蚀平台三亚 海水站的 14 种海洋工程中常用低合金钢 (LAS1～ LAS14) 的海水浸泡实验，实验时间为 2017 年 2 月 15 日至 2017 年 6 月 25 日，其中低合金钢海水腐蚀 电位数据和海水环境数据构成了双率腐蚀数据. LAS1～ LAS14 低 合 金 钢 的 牌 号 依 次 为 Q235、 Q345DZ35、 D36、 Q345B、 921、 Q450NQR1、 X70、 X80、E690、E460、Prue Q235、Super fine grain steel 1、Super fine grain steel 2 以及 Micro-alloy steel. 1.2    低合金钢化学元素含量 14 种低合金钢所包含的化学元素成分 (Fe 除 外) 共有 15 种，包括 C、Si、Mn、P、S、Ni、Cr、Mo、 Cu、Al、Ti、Nb、V、B 以及 N，其含量如表 1 所示. 表 1  14 种低合金钢的化学元素成分 (质量分数) Table 1   Elemental compositions of 14 low alloy steels LAS Elemental compositions/ % C Si Mn P S Ni Cr Mo Cu Others 1 0.1554 0.0959 0.3193 0.0241 0.0086 0.0145 0.0415 0 0.0496 Al: 0.0205 2 0.1 0.28 1.42 0.01 0.002 0 0 0 0 0 3 0.072 0.1388 1.2186 0.0124 0.0034 0 0 0 0 Al: 0.0394; Ti: 0.0178; Nb: 0.015 4 0.17 0.22 0.88 0.018 0.005 0 0 0 0 Al:0.023 5 0.12 0.33 0.37 0.08 0.04 2.72 1.05 0.24 0 V:0.08 6 0.0697 0.3257 1.0426 0.0167 0.0079 0.1299 0.6239 0 0.2636 Al: 0.0288; Ti: 0.017; Nb: 0.0264 7 0.0672 0.181 1.5407 0.0131 0.0027 0 0.2075 0.0575 0 Al: 0.0382; Ti: 0.0176; Nb: 0.063 8 0.04 0.3 1.79 0.013 0.001 0 0.025 0 0 0 9 0.11 0.29 1.12 0.013 0.003 0.41 0.46 0.41 0.27 Al: 0.036; Ti: 0.019; V: 0.03; B: 0.015 10 0.06 0.17 1.5 0.014 0.002 0.4 0.25 0.2 0.26 Al: 0.026; Ti: 0.012; Nb: 0.02 11 0.042 0.18 0.35 0.008 0.003 0 0 0 0 Al: 0.029 12 0.097 0.26 1.64 0.01 0.006 0 0 0 0.2 Ti: 0.017; Nb: 0.048; V: 0.067; B: 0.004 13 0.091 0.21 0.4 0.013 0.016 0 0 0 0.04 N: 0.028 14 0.064 0.22 1.18 0.008 0.005 0 0 0 0.32 Ti: 0.014; Nb: 0.035; V: 0.049; N: 0.033 1.3    腐蚀电位数据 将 14 种不同的低合金钢试样置于近海低潮位 水下约 0.5 m 处浸泡，同时采用多通道电位自动采 集装置[20] 对实验钢材的腐蚀电位进行实时监测采 集，采样周期为 1 h，每种材料各采集到 3044 条数 据，如图 1 所示. 1.4    海水环境数据 海水环境因子包括海水温度 (T/℃)、海水电导 率 (G/(μS·cm−1))、海水溶氧量 (DO/(mg·L−1))、海水 pH、海水盐度 (S/%) 以及海水氧化还原电位 (ORP/ mV). 在浸泡实验开展的过程中，每隔 10 d 采集一 次低合金钢所处的海水环境因子数据，每种环境 因子各采集到 14 条数据，如图 2 所示. 0 500 1000 1500 2000 2500 3000 −750 −700 −650 −600 −550 −500 Corrosion potential, E/mV(vs Ag/AgCl) Time/h LAS1 LAS2 LAS3 LAS4 LAS5 LAS6 LAS7 LAS8 LAS9 LAS10 LAS11 LAS12 LAS13 LAS14 图 1    试样海水腐蚀电位 Fig.1    Seawater corrosion potential of test samples 陈    亮等： 低合金钢海水腐蚀监测中的双率数据处理与建模 · 97 ·

98 工程科学学报，第44卷，第1期 58000 56000 T℃-G/uS.cm)+-pH Begin 54000 -SY%◆-DOmL·L4-ORP/mV 52000 ●● 50000 Initialize parameters of 81 BAS algorithm 50 i00 Update position of the left 35 30 and right beetle antennae 25 20 Update position 15 10 of the beetle 本扫料 0 0 20406080100120140 Update the Compute the value of search step fitness function 图2海水环境因子监测值 Fig.2 Monitoring values of seawater environmental factors Does it meet the termination 2算法分析 condiction? 2.1天牛须搜索算法 Y 天牛须搜索2(Beetle antennae search,BAS)算 Get the best parameters 法是2017年提出的一种高效的智能优化算法 BAS算法受天牛觅食原理启发而开发，当天牛觅 End 食时，天牛并不知道食物位置，而是根据食物气味 强弱来觅食.如果天牛左边触角接收到的气味强 图3BAS算法流程图 度比右边大，那么下一步天牛向左爬行，否则向右 Fig.3 Flowchart of the BAS algorithm 爬行，依据这一简单原理天牛可以有效找到食物 8表示在第t次迭代时的步长因子；sign0表示符 BAS算法无需知晓函数的具体形式和梯度信息， 号函数 并且仅需要一个搜索个体，其相比于粒子群算法 第四步计算天牛移动后的适应度函数值并判 的运算量大大降低.同时，与遗传算法和模拟退火 断是否满足迭代结束条件，若满足迭代结束条件 算法相比，BAS算法代码实现简单，避免了遗传算 则迭代结束并跳转第六步，否则跳转第五步 法中复杂的交叉、变异操作，收敛速度更快四.其 第五步更新步长因子的值并重复第二步~第 算法流程图如图3所示 四步： 第一步创建天牛朝向的随机向量且做归一化 +1=6'xeta (4) 处理： 式中，1表示在第什1次迭代时的步长因子；eta B=rands(dim,l)） (1) 为步长因子的衰减系数，通常将eta取0.95 llrands(dim,1) 第六步获得最优参数，搜索结束 式中，rands)(为随机函数，dim表示空间维度 2.2基于CIV的双率腐蚀数据处理方法 第二步创建天牛左右须空间坐标： 由于腐蚀电位和海水环境因子的采样周期各 xh=X-d0×b/2 (2) 不相同，因此在建立预测模型之前需要对双率腐 xm=X+d0×b/2 蚀数据进行预处理.为了克服均值法处理带来的 式中，x和xm分别表示天牛左须和右须在第1次 数据信息损失问题，提出了一种基于CIV的双率 迭代时的位置坐标：x表示天牛在第1次迭代时的 腐蚀数据处理方法，其具体步骤如下： 质心坐标；d6表示天牛左右须之间的距离 第一步取采样周期为T的m维(m个海水环 第三步根据适应度函数fitness(0判断天牛左 境因子)的输人采样数据序列X(kT1)=[x1(kT1), 右须气味强度，即fitness(x)和fitness(x)的大小， x2(kT1),…,xm(kTT以及采样周期为T2的由p个 并判断天牛前进方向： 分量(p种材料)组成的1维输出采样数据序列 X+l=X-d×Bx sign(fitness(xn)--fitness(r》(3） YkT2)=y(kT2),y2(kT2),…,yP(kT2)小，其中T1远远大 式中，x表示天牛在第什1次迭代时的质心坐标： 于T2,k表示第k条样本.对YKT2)采用均值法处理

2    算法分析 2.1    天牛须搜索算法 天牛须搜索[21] (Beetle antennae search, BAS) 算 法是 2017 年提出的一种高效的智能优化算法. BAS 算法受天牛觅食原理启发而开发，当天牛觅 食时，天牛并不知道食物位置，而是根据食物气味 强弱来觅食. 如果天牛左边触角接收到的气味强 度比右边大，那么下一步天牛向左爬行，否则向右 爬行，依据这一简单原理天牛可以有效找到食物. BAS 算法无需知晓函数的具体形式和梯度信息， 并且仅需要一个搜索个体，其相比于粒子群算法 的运算量大大降低. 同时，与遗传算法和模拟退火 算法相比，BAS 算法代码实现简单，避免了遗传算 法中复杂的交叉、变异操作，收敛速度更快[22] . 其 算法流程图如图 3 所示. 第一步 创建天牛朝向的随机向量且做归一化 处理： ⃗b = rands(dim,1) ∥rands(dim,1)∥ （1） 式中，rands() 为随机函数，dim 表示空间维度. 第二步 创建天牛左右须空间坐标：    xlt = x t −d0 ×⃗b/2 xrt = x t +d0 ×⃗b/2 （2） 式中，xlt 和 xrt 分别表示天牛左须和右须在第 t 次 迭代时的位置坐标；x t 表示天牛在第 t 次迭代时的 质心坐标；d0 表示天牛左右须之间的距离. 第三步 根据适应度函数 fitness() 判断天牛左 右须气味强度，即 fitness(xlt) 和 fitness(xrt) 的大小， 并判断天牛前进方向： x t+1 = x t −δ t ×⃗b×sign(fitness(xrt)−fitness(xlt)) （3） 式中，x t+1 表示天牛在第 t+1 次迭代时的质心坐标； δ t 表示在第 t 次迭代时的步长因子；sign() 表示符 号函数. 第四步 计算天牛移动后的适应度函数值并判 断是否满足迭代结束条件，若满足迭代结束条件 则迭代结束并跳转第六步，否则跳转第五步. 第五步 更新步长因子的值并重复第二步～第 四步： δ t+1 = δ t ×eta （4） 式中，δ t+1 表示在第 t+1 次迭代时的步长因子；eta 为步长因子的衰减系数，通常将 eta 取 0.95. 第六步 获得最优参数，搜索结束. 2.2    基于 CIV 的双率腐蚀数据处理方法 由于腐蚀电位和海水环境因子的采样周期各 不相同，因此在建立预测模型之前需要对双率腐 蚀数据进行预处理. 为了克服均值法处理带来的 数据信息损失问题，提出了一种基于 CIV 的双率 腐蚀数据处理方法，其具体步骤如下： X(kT1) = [x1(kT1), x2(kT1),··· , xm(kT1)] T Y(kT2) = [y 1 (kT2), y 2 (kT2),··· , y p (kT2)] Y(kT2) 第一步 取采样周期为 T1 的 m 维 (m 个海水环 境因子 ) 的输入采样数据序列 以及采样周期为 T2 的由 p 个 分量 (p 种材料) 组成的 1 维输出采样数据序列 ，其中 T1 远远大 于 T2，k 表示第 k 条样本. 对 采用均值法处理 0 20 40 60 80 100 120 140 0 5 10 15 20 25 30 35 100 150 200 250 50000 52000 54000 56000 58000 Value t/d T/℃ pH S/% DO/(mL·L)−1 ORP/mV G/(μS·cm)−1 图 2    海水环境因子监测值 Fig.2    Monitoring values of seawater environmental factors Begin Initialize parameters of BAS algorithm Update position of the left and right beetle antennae Update position of the beetle Compute the value of fitness function Update the search step Does it meet the termination condiction? Get the best parameters End N Y 图 3    BAS 算法流程图 Fig.3    Flowchart of the BAS algorithm · 98 · 工程科学学报，第 44 卷，第 1 期