当前位置:首页 > 商业/管理/HR > 人事档案/员工关系 > 《中国表面工程》模板
第1期陈爽等:铝阳极氧化膜的硫酸钇脉冲封闭49人工神经网络方法预测P110油套管钢稀土渗铬层的厚度*林乃明1,谢发勤1,钟涛1,吴向清1,田伟1,2(1.西北工业大学航空学院,西安710072;2.中国石油天然气集团公司管材研究所,西安710065)摘要:利用人工神经网络原理,建立了反映P110油套管钢(P110钢)稀土渗铬工艺参数与渗铬层厚度关系的预测模型。结果显示:该模型可以对选定工艺条件下渗铬层厚度进行良好的预测,预测结果在合理的误差范围内,建立的模型是可靠的,可以通过此模型优化工艺参数,实现P110钢稀土渗铬层厚度预测。关键词:人工神经网络;P110钢;油套管;稀土;渗铬;预测中图分类号:TG156.88;TB114.2文献标识码:A文章编号:1007–9289(2009)06–0077–04ThicknessPredictionofRareEarthChromizingCoatingsonP110OilCasingTubeSteelBasedonArtificialNeuralNetworkLINNai–ming1,XIEFa–qin1,ZHONGTao1,WUXiang–qing1,TIANWei1,2(1.SchoolofAeronauticsNorthwesternPolytechnicalUniversity,Xi’an,710072;2.TubularGoodsResearchCenterofCNPC,Xi’an,710065)Abstract:TheartificialneuralnetworktheorywasusedtobuildapredictionmodelaimedatreflectingtherelationshipbetweenprocessparametersandthicknessofRareEarth(RE)chromizingcoatingsonP110oilcasingtubesteel(P110steel).Theresultsindicatedthatthicknessofchromizingcoatingswaswellpredictedatselectedprocessparametersbythismodel.Thepredictederrorliedatrationalrange,thebuiltmodelwasreliableandcouldbeusedtooptimizeprocessparameters,whichpresentedanadvancedandeffectiveapproachtosolvethethicknesspredictionofREchromizingcoatingsonP110steel.Keywords:artificialneuralnetwork;P110steel;oilcasingtube;rareearth;chromizing;prediction0引言石油套管是固定油井井壁用钢管,一般占整个石油管消耗量的73%~76%[1,2],作为油井的主要构件,其成本约占油井开发生产成本的20%~30%。在油(气)开采中,油套管在极其严酷和复杂的环境下服役[3-5],材料的表面首当其冲,采用恰当的表面处理技术,在表面形成一层全新化学成分或组织结构的保护层(膜),提高其硬度和耐磨性、耐蚀性,延长使用寿命,既能满足服役条件的要求,又能降低生产成本[6]。稀土元素电子结构特殊,化学活性极强,许多研究工作已经表明,稀土元素对化学热处理和其它表面改性技术和改性效果有多方面的影响[7-9]。利用稀土元素在化学热处理中的催渗、促渗作用,采用热渗镀技术[10]在P110钢表面制备渗Cr合金层。渗铬的工艺参数:催化剂含量;稀土添加量;实验温度;保温时间,渗层的成分受各工艺参数的影响,渗层的成分又会影响其性能。化学热处理过程十分复杂,发生诸多化学反应,难以对整个系统过程进行定量的描述。人工神经网络(ArtificialNeuralNetwork,ANN)作为一种模拟人脑神经系统的结构与功能特征的数学处理方法,具有自学习、自组织和自适应、固有的并行结构和并行处理、知识的分布存储、容错性等功能和特点,在复杂系统的建模问题上具有独特的优越性,已经在材料设计,材料制备和材料性能的预测等领域得到了广泛应用[11-14]。为此,本文采用人工神经网络方法[12,13],以催化剂含量、稀土添加量、实验温度、保温时间收稿日期:2009–07–06;修回日期:2009–11–19基金项目:*陕西省科学技术研究发展计划项目(2008K01–31)作者简介:林乃明(1981—),男(汉),辽宁鞍山人,教授,博士生。研究方向:腐蚀、磨损与表面技术。第22卷第6期中国表面工程Vol.22No.62009年12月CHINASURFACEENGINEERINGDecember20096e第23卷第4期中国表面工程Vol.23No.42010年8月CHINASURFACEENGINEERINGAugust2010doi:10.3969/j.issn.1007−9289.2010.04.00178中国表面工程2010年为输入参数,渗层厚度为输出参数,建立了真实反映P110钢稀土渗铬的工艺参数与渗层(成分)厚度关系的预测模型。1试验1.1材料与试剂试验材料为P110钢,试样尺寸为25mm×20mm×3mm,其成分为(w/%):0.26C;0.19Si;1.37Mn;0.009P;0.004S;0.148Cr;0.028Ni;0.013Mo;0.019Cu;0.06Nb;0.006V;0.011Ti;Fe余量。渗剂选用粒度为74μm(200目)的Cr粉,NH4Cl作催化剂,La2O3粉末作稀土供给源,Al2O3粉末(高温焙烧)作填充剂。1.2稀土渗铬工艺稀土渗铬工艺采用包埋法:将基体材料埋入装有干燥渗剂的渗罐内,并使用水玻璃和耐火粘土的混合物密封、干燥,随后将渗罐放入箱式电阻炉内加热,升至一定温度后保温、计时。渗铬层的形成则是通过渗罐内发生如下化学反应来实现的[15]:2NH4Cl→2HCl+2NH3(1)2NH3→N2+3H2(2)Cr+2HCl→CrCl2+H2(3)CrCl2+Fe→FeCl2+[Cr](4)CrCl2+H2→2HCl+[Cr](5)工艺参数的选择以能获得较深的渗层厚度和较为理想的渗层成分为标准。试验按照L16(45)正交表进行,据文献研究[16],渗层中铬含量(w/%)大于12%时,才有足够抗氧化和抗腐蚀能力,一般以渗层内的铬含量(w/%)大于12%处作为渗层的有效厚度。因而将渗层的成分与厚度相结合,即渗铬层的成分厚度作为指标项目,因素水平[7]表如表1所示。表1因素水平表Table1FactorsandlevelsFactorLevels1234ACatalystcontent/%BTesttemperature/℃CHoldingtime/hDrareearthconcentration/%290026395047410006851050891.3渗层横截面形貌图1为P110钢渗铬层背散射形貌(未侵蚀),深灰色区域即为得到的渗层,由图可见渗层均匀、连续、致密。16组试验所获得的渗层元素分布能谱分析结果显示,铬含量(w/%)≥12%的区域正是渗层与基体的分界处(偏向渗层的一侧),因此,以深灰色区域的厚度视为渗铬层的成分厚度。图1渗铬层横截面形貌Fig.1Crosssectiontopographyofchromizingcoating2神经网络预报2.1神经网络结构BP(BackPropagation)网络是基于误差反向传播算法的多层前馈神经网络,具有较强的联想记忆和推广能力,应用十分广泛[17-19]。采用Matlab软件中的神经网络工具箱,以A催化剂含量、B试验温度、C保温时间、D稀土添加量作为输入;隐含层节点数由经验公式(隐层节点数目=2m+1,m为输入单元数目)确定,节点数为9;E渗层(成分)厚度作为输出建立BP神经网络,网络的拓扑结构为4×9×1的3层BP神经网络,如图2所示。图2BP神经网络结构Fig.2StructurediagramofBPneuralnetwork2.2学习样本的获取与网络的训练通过试验获取建立网络模型所需的训练样本,输入层即工艺参数:催化剂含量、稀土添加量、试验温度、保温时间已知;渗层(成分)厚度可以通基体渗层HiddenlayerTechnologyparametersInputlayer4×9×1structureOutoutlayerThicknessofPermeabilitylayerSubstrateChromizingcoating第4期林乃明等:人工神经网络方法预测P110油套管钢稀土渗铬层的厚度79过测量获得。将原始数据进行归一化处理到[0,1]区间,公式如下[20]:(1)式中:t为网络输入参数;tmax和tmin分别表示各影响因素相应数据的最大值和最小值。按BP网络过程进行编程[21-25],训练样本数据从16组正交试验结果中选取,如表2所示。传输函数采用双曲正切S型(Sigmoid),采用Quasi–Newtonmethod(拟牛顿法)算法进行训练。确定完输入样本和目标样本后,对所建立的BP神经网络模型进行自主训练学习。目标样本训练过程中要求精度为0.00001,训练最大步数epoch=300,样本训练过程如图3所示。由图3可知,经过63步训练,精度已达到0.000001。2.3结果比较为验证模型的可靠性与实用性,选取正交试验得到的优化工艺参数和2组人为设定的工艺参数,将其输入已建立的预测网络模型,即可获得一组厚度预测值;按设定的工艺进行试验,并测定所获渗层的厚度值。预测与实测结果如表3所示…………图3样本训练过程Fig.3Trainingprocessofthesample表2人工神经网络的训练样本Table2TrainingsamplesofartificialneuralFactorACatalystcontent(w/%)BRareearthcontent(w/%)CTesttemperature/℃DHoldingtime/hEThickness(w(Cr)12%)/µmTest1Test2Test3Test4Test5Test6Test7Test8Test9表3预测与实测结果对比Table3ComparisonbetweenpredictionandexperimentalresultsFactorCatalystcontent/%Rareearthcontent/%Testtemperature/℃Holdingtime/hPredictedvalue/µmMeasuredvalue/µmRelativedeviation/%1#2#3#注:Optimizedprocessparametersgotbyorthogonaltestwereusedintesr1,artificialprocessparameterswereusedintest2&33结论(1)(2)参考文献:[1]∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙∙[10]0.10.9()()minmaxmintttttiTrainingstepGoal(Targetsample)Training(Inputsample)78中国表面工程2010年作者地址:西安市西北工业大学航空学院710072Tel:13572953979E-mail:lnmlz33@yahoo.com.cn排版注意事项:1、建议直接将原文套到所给模板中,然后调整至规范字体或格式,细节按文中标记部分实施。2、全文页边距:上:3.4cm下:2.3cm左:2.6cm右:2.2mm。分
本文标题:《中国表面工程》模板
链接地址:https://www.777doc.com/doc-2837574 .html