郭浩
,
吕战鹏
,
冯国强
,
蔡旬
,
杨武
中国腐蚀与防护学报
采用两种基于人工神经网络（ANN）的经验学习方法，即双层感知器（DLP）模型和Elman反馈（EF）模型，分析应力腐蚀破裂（SCC）数据，预测奥氏体不锈钢在高温水（HTW）中的SCC敏感性。对304不锈钢（SS）和316SS的两组SCC数据，DLP模型经过长时间的训练周次并不收敛，而EF模型在有限的时间内收敛到一稳定值。304SS和316SS的SCC敏感性依赖于温度（T）、溶解氧浓度（DO）、氯离子浓度（[Cl-]）以及电位（E）。采用EF模型，待预测样本数据被包含在训练数组里(方法Ⅰ)比不包含(方法Ⅱ)的情况有更高的预测率。用于EF模型的SCC阈值（ThV）影响预测率，当ThV≤0.6时，对304SS而言，预测率的范围大约是0.66～0.90（方法Ⅰ），0.60～0.79（方法Ⅱ）；对316SS，预测率范围约为0.81～0.98(方法Ⅰ)，0.78～0.90（方法Ⅱ）,从预测率平均值来看，预测率服从正态分布，0.5应为最佳阈值。EF模型对定性预测ASS在高温水中的SCC行为有较高的预报率，是一个很有用的工具。
关键词:
应力腐蚀破裂
,
artificial neural network
,
304SS steel
,
316SS steel
,
high temperature water
