D0I:10.13374/i.issnl001t03.2009.12.008 第31卷第12期 北京科技大学学报 Vol.31 No.12 2009年12月 Journal of University of Science and Technology Beijing Dee.2009 运用BP人工神经网络方法构建碳钢区域土壤腐蚀预 测模型 曲良山2) 李晓刚杜翠薇)何树全 刘智勇) 1)北京科技大学新材料技术研究院腐蚀与防护中心教有部腐蚀与防护重点实验室，北京100083 2)大庆油田有限责任公司油田建设设计研究院，大庆163712 摘要通过测量大庆地区区域土壤的理化性质以及碳钢的短期腐蚀数据，分析土壤传质过程的逻辑关系，构建了碳钢短期 土壤腐蚀预测模型.通过用该模型在BP人工神经网络中进行学习、训练及模拟，并与现场碳钢埋片腐蚀实验结果对比，进一 步验证了腐蚀模型的合理性.结果表明：含水量、空气容量，H,C1厂含量，S0含量和可溶盐总量六种土，环境参数为影响 区域土壤中碳钢腐蚀的主要因素：运用基于Mtlb平台的人工神经网络，通过不断地积累土壤腐蚀信息，多次训练后可以建 立起稳定性好、泛化能力强的土壤腐蚀预测模型，能较好地预测了大庆地区碳钢在土壤中的腐蚀速率. 关键词碳钢：土壤腐蚀：BP人工神经网络：预测模型 分类号TG172.5 Corrosion rate prediction model of carbon steel in regional soil based on BP artifi- cial neural network QU Liang shan),LI Xico gang),DU Cui-wei).HE Shu-quan?).LIU Zhi-yong) 1)Key Laboratory of the Ministry of Education of China for Corrosion and Protection,Corrosion and Protection Center.Institute of Advanced Materi- als.University of Seience and Technology Beijing.Beijing 100083.China 2)Oilfield Construction Design Research Institute,Daqing Oil Co.Ltd-Daqing 163712.China ABSTRACT A short-term prediction model for soil corrosion of carbon steel in the regional soil environment of Daqing area was es- tablished by measuring the physical and chemical properties of soil in this area.the shortterm corrosion data of carbon steel and ana- lyzing the logical relationship among mass transfer processes.The reasonableness of the corrosion model was verified by using BP arti- ficial neural network to learn.train,simulate and compare to the corrosion test results of buried carbon steel samples.The results show that water content,air content,pH,Cl content,SO content and total dissolved salts are the six key factors on soil corrosion of carbon steel in the local soil environment.It is indicated that a stable forecasting model with good generalization ability can be built based on BP artificial neural network through Matlab platform software,by continuous accumulation of soil corrosion information and after adequate training.The model predicts the corrosion rates of carbon steel in Daqing soil accurately. KEY WORDS carbon steel:soil corrosion:BP artificial neural network:prediction model 有研究表明，材料与土壤腐蚀环境构成的腐蚀 性预测模型对石油工业部门的油气输送管道等地下 体系是世界上最复杂的腐蚀系统.研究材料在土 构筑物建设工程具有重要意义[3]，土壤腐蚀模型 壤环境中的腐蚀影响因素非常困难，这是由于影响 分为两类：一种是利用土壤环境因子与材料腐蚀量 因素众多，各地区土壤性质差别很大].因此，建立 建立模型)；另一种则利用土壤环境因子、，材料腐 普适性的土壤腐蚀性预测模型必须从局部地区的土 蚀量和时间建立模型门，前者常用来进行局部区域 壤腐蚀性研究开始，而局部区域土壤中材料的腐蚀 土壤腐蚀性评价，而后者则因土壤自然环境的特殊 收稿日期：2009-04-10 基金项目：国家科技基础条件平台资助项目(N。,2005DKA10400):国家自然科学基金资助项目(N。,50971016) 作者简介：曲良山(1962-)男，博士研究生：李晓刚(1963一)，男，教授，博士生导师，E-mail:lixia0gang99@263.nt
运用 BP 人工神经网络方法构建碳钢区域土壤腐蚀预 测模型 曲良山12） 李晓刚1） 杜翠薇1） 何树全2） 刘智勇1） 1） 北京科技大学新材料技术研究院腐蚀与防护中心教育部腐蚀与防护重点实验室北京100083 2） 大庆油田有限责任公司油田建设设计研究院大庆163712 摘 要 通过测量大庆地区区域土壤的理化性质以及碳钢的短期腐蚀数据分析土壤传质过程的逻辑关系构建了碳钢短期 土壤腐蚀预测模型．通过用该模型在 BP 人工神经网络中进行学习、训练及模拟并与现场碳钢埋片腐蚀实验结果对比进一 步验证了腐蚀模型的合理性．结果表明：含水量、空气容量、pH、Cl －含量、SO 2－ 4 含量和可溶盐总量六种土壤环境参数为影响 区域土壤中碳钢腐蚀的主要因素；运用基于 Matlab 平台的人工神经网络通过不断地积累土壤腐蚀信息多次训练后可以建 立起稳定性好、泛化能力强的土壤腐蚀预测模型能较好地预测了大庆地区碳钢在土壤中的腐蚀速率． 关键词 碳钢；土壤腐蚀；BP 人工神经网络；预测模型 分类号 TG172∙5 Corrosion rate prediction model of carbon steel in regional soil based on BP artificial neural network QU Liang-shan 12）LI Xiao-gang 1）DU Cu-i wei 1）HE Shu-quan 2）LIU Zh-i yong 1） 1） Key Laboratory of the Ministry of Education of China for Corrosion and ProtectionCorrosion and Protection CenterInstitute of Advanced MaterialsUniversity of Science and Technology BeijingBeijing100083China 2） Oilfield Construction Design ＆ Research InstituteDaqing Oil Co．Ltd．Daqing163712China ABSTRACT A short-term prediction model for soil corrosion of carbon steel in the regional soil environment of Daqing area was established by measuring the physical and chemical properties of soil in this areathe short-term corrosion data of carbon steel and analyzing the logical relationship among mass transfer processes．T he reasonableness of the corrosion model was verified by using BP artificial neural network to learntrainsimulate and compare to the corrosion test results of buried carbon steel samples．T he results show that water contentair contentpHCl － contentSO 2－ 4 content and total dissolved salts are the six key factors on soil corrosion of carbon steel in the local soil environment．It is indicated that a stable forecasting model with good generalization ability can be built based on BP artificial neural network through Matlab platform softwareby continuous accumulation of soil corrosion information and after adequate training．T he model predicts the corrosion rates of carbon steel in Daqing soil accurately． KEY WORDS carbon steel；soil corrosion；BP artificial neural network；prediction model 收稿日期：2009-04-10 基金项目：国家科技基础条件平台资助项目（No．2005DKA10400）；国家自然科学基金资助项目（No．50971016） 作者简介：曲良山（1962－）男博士研究生；李晓刚（1963－）男教授博士生导师E-mail：lixiaogang99＠263．net 有研究表明材料与土壤腐蚀环境构成的腐蚀 体系是世界上最复杂的腐蚀系统［1］．研究材料在土 壤环境中的腐蚀影响因素非常困难这是由于影响 因素众多各地区土壤性质差别很大［2］．因此建立 普适性的土壤腐蚀性预测模型必须从局部地区的土 壤腐蚀性研究开始而局部区域土壤中材料的腐蚀 性预测模型对石油工业部门的油气输送管道等地下 构筑物建设工程具有重要意义［3－5］．土壤腐蚀模型 分为两类：一种是利用土壤环境因子与材料腐蚀量 建立模型［5－6］；另一种则利用土壤环境因子、材料腐 蚀量和时间建立模型［7］．前者常用来进行局部区域 土壤腐蚀性评价而后者则因土壤自然环境的特殊 第31卷 第12期 2009年 12月 北 京 科 技 大 学 学 报 Journal of University of Science and Technology Beijing Vol．31No．12 Dec．2009 DOI:10．13374／j．issn1001－053x．2009．12．008
.1570 北京科技大学学报 第31卷 复杂性，加上考虑了时间因素，实验工作量大、时间 段作为实验点进行现场埋设，周期为4个月，每周期 长，因此验证材料腐蚀预测结果的可靠性相对困难， 四片平行样，共埋设120片试样.试样埋设深度根 本文针对金属材料在土壤环境中这一复杂腐蚀 据现场实验点的地势确定，为0.5~1.2m,实验后 系统，在以往大量实验研究结果的基础上，通过土壤 清除试样表面包覆的沥青和腐蚀产物，用失重法测 腐蚀的传质过程以及土壤环境因子间的逻辑关系分 量了金属试片的腐蚀速率 析，选择影响碳钢材料腐蚀的关键因素，利用近年来 为了提取现场环境因素，对土壤的理化性质进 逐渐发展完善的神经网络研究方法[]，构建区域 行了现场测试，主要包括土壤电阻率、试样的自然腐 性碳钢土壤腐蚀预测模型.运用大庆地区有代表性 蚀电位、土壤电位梯度、土壤氧化还原电位、土壤 的区域土壤中的现场碳钢埋片腐蚀实验数据，依托 H、含水率、土壤容重和温度等，并在实验室内分析 所建模型，在神经网络中进行训练和仿真，对所建模 了土壤中的主要腐蚀性物质的成分，包括CO3、 型进行检验，目的是发展基于神经网络方法的局部 HC0S0C、Ca2+,Mg2+、K+Na+和硫酸盐 区域土壤中材料的腐蚀性预测模型. 还原菌(SRB)等含量Io] 1实验方法 通过土壤传质过程和逻辑关系分析，构建20 钢短期土壤腐蚀预测模型，用所建立的模型在BP 实验材料选用商用20#钢热轧板，其主要成分 人工神经网络中进行学习、训川练及模拟，并与现场埋 (质量分数)为C0.18%、Si0.20%、Mn0.38%,P 片实验的结果进行对比，判断腐蚀模型的合理性 0.018%,S0.012%、Fe余量；其屈服强度(o)为 258MPa,抗拉强度()为430MPa,伸长率()为 2实验结果与讨论 28%,断面收缩率（平）为57%.平行于钢板轧面切 2.1土壤理化性质及土壤对20钢腐蚀性测试结 取30mm×100mm×4mm的平板试样，800#砂纸 果 打磨，编号称重，沥青封边，用丙酮去除暴露区油脂 各实验点所用土壤样品均于6~7月取自实验 后备用10 现场，并在取样后3d内完成分析（其中SRB分析半 大庆地区土壤腐蚀现场实验区包括两个区域 月内完成)·部分土壤腐蚀介质成分、理化参数以及 (分别记为LHP、XZ区)、四条管道沿线，总长度为 20*钢腐蚀速率测试结果见表1.这些数据是进行 106.73km,在上述两个实验区内选取30个典型地 BP人工神经网络分析的基础 表1部分土壤腐蚀介质成分、理化参数及腐蚀速率测定结果 Table 1 Tested results of medium components,physic chemical parameters and corrosion rate in part of soils 实验点 含水量/ 空气容量/ c-/ s0/ 总含盐量/ 腐蚀速率/ 编号 % % pH (mg-kg) (mg-kg (mgkg) (g'dm 2a1) 1 20.80 8.92 8.13 655.83 540.36 8600.00 13.68 2 16.63 16.27 6.88 301.33 660.44 2320.00 5.13 3 18.38 21.05 7.22 124.08 1981.31 6500.00 5.71 4 21.27 8.64 9.08 301.33 1080.72 11320.00 12.81 5 4.37 55.80 7.02 35.45 780.52 1950.00 3.30 6 18.01 16.30 9.24 35.45 600.40 3730.00 2.61 15.23 21.99 9.07 124.08 1020.68 7420.00 1.12 8 16.99 18.85 9.11 124.08 2161.43 11280.00 7.56 9 25.37 8.00 9.27 301.33 600.40 2310.00 7.57 b 23.61 12.30 8.26 212.70 1500.99 10330.00 3.66 之 26.63 9.15 7.07 35.45 840.56 2010.00 6.32 12 19.47 16.18 7.06 124.08 780.52 2390.00 8.41 13 17.46 22.18 7.13 124.08 600.40 1910.00 2.79 女 19.72 13.71 7.09 124.08 900.60 2950.00 2.46 15 28.02 5.93 9.26 212.70 1741.15 13030.00 6.93
复杂性加上考虑了时间因素实验工作量大、时间 长因此验证材料腐蚀预测结果的可靠性相对困难． 本文针对金属材料在土壤环境中这一复杂腐蚀 系统在以往大量实验研究结果的基础上通过土壤 腐蚀的传质过程以及土壤环境因子间的逻辑关系分 析选择影响碳钢材料腐蚀的关键因素利用近年来 逐渐发展完善的神经网络研究方法［8－9］构建区域 性碳钢土壤腐蚀预测模型．运用大庆地区有代表性 的区域土壤中的现场碳钢埋片腐蚀实验数据依托 所建模型在神经网络中进行训练和仿真对所建模 型进行检验目的是发展基于神经网络方法的局部 区域土壤中材料的腐蚀性预测模型． 1 实验方法 实验材料选用商用20＃钢热轧板其主要成分 （质量分数）为 C 0∙18％、Si 0∙20％、Mn 0∙38％、P 0∙018％、S 0∙012％、Fe 余量；其屈服强度（σs）为 258MPa抗拉强度（σb）为430MPa伸长率（δ）为 28％断面收缩率（Ψ）为57％．平行于钢板轧面切 取30mm×100mm×4mm 的平板试样800＃砂纸 打磨编号称重沥青封边用丙酮去除暴露区油脂 后备用［10］． 大庆地区土壤腐蚀现场实验区包括两个区域 （分别记为 LHP、XZ 区）、四条管道沿线总长度为 106∙73km．在上述两个实验区内选取30个典型地 段作为实验点进行现场埋设周期为4个月每周期 四片平行样共埋设120片试样．试样埋设深度根 据现场实验点的地势确定为0∙5～1∙2m．实验后 清除试样表面包覆的沥青和腐蚀产物用失重法测 量了金属试片的腐蚀速率． 为了提取现场环境因素对土壤的理化性质进 行了现场测试主要包括土壤电阻率、试样的自然腐 蚀电位、土壤电位梯度、土壤氧化还原电位、土壤 pH、含水率、土壤容重和温度等并在实验室内分析 了土壤中的主要腐蚀性物质的成分包括 CO 2－ 3 、 HCO 2－ 3 、SO 2－ 4 、Cl －、Ca 2＋、Mg 2＋、K ＋、Na ＋和硫酸盐 还原菌（SRB）等含量［10］． 通过土壤传质过程和逻辑关系分析构建20＃ 钢短期土壤腐蚀预测模型用所建立的模型在 BP 人工神经网络中进行学习、训练及模拟并与现场埋 片实验的结果进行对比判断腐蚀模型的合理性． 2 实验结果与讨论 2∙1 土壤理化性质及土壤对20＃钢腐蚀性测试结 果 各实验点所用土壤样品均于6～7月取自实验 现场并在取样后3d 内完成分析（其中 SRB 分析半 月内完成）．部分土壤腐蚀介质成分、理化参数以及 20＃钢腐蚀速率测试结果见表1．这些数据是进行 BP 人工神经网络分析的基础． 表1 部分土壤腐蚀介质成分、理化参数及腐蚀速率测定结果 Table1 Tested results of medium componentsphysic-chemical parameters and corrosion rate in part of soils 实验点 编号 含水量／ ％ 空气容量／ ％ pH Cl －／ （mg·kg －1） SO 2－ 4 ／ （mg·kg －1） 总含盐量／ （mg·kg －1） 腐蚀速率／ （g·dm －2·a －1） 1 20∙80 8∙92 8∙13 655∙83 540∙36 8600∙00 13∙68 2 16∙63 16∙27 6∙88 301∙33 660∙44 2320∙00 5∙13 3 18∙38 21∙05 7∙22 124∙08 1981∙31 6500∙00 5∙71 4 21∙27 8∙64 9∙08 301∙33 1080∙72 11320∙00 12∙81 5 4∙37 55∙80 7∙02 35∙45 780∙52 1950∙00 3∙30 6 18∙01 16∙30 9∙24 35∙45 600∙40 3730∙00 2∙61 7 15∙23 21∙99 9∙07 124∙08 1020∙68 7420∙00 1∙12 8 16∙99 18∙85 9∙11 124∙08 2161∙43 11280∙00 7∙56 9 25∙37 8∙00 9∙27 301∙33 600∙40 2310∙00 7∙57 10 23∙61 12∙30 8∙26 212∙70 1500∙99 10330∙00 3∙66 11 26∙63 9∙15 7∙07 35∙45 840∙56 2010∙00 6∙32 12 19∙47 16∙18 7∙06 124∙08 780∙52 2390∙00 8∙41 13 17∙46 22∙18 7∙13 124∙08 600∙40 1910∙00 2∙79 14 19∙72 13∙71 7∙09 124∙08 900∙60 2950∙00 2∙46 15 28∙02 5∙93 9∙26 212∙70 1741∙15 13030∙00 6∙93 ·1570· 北 京 科 技 大 学 学 报 第31卷
第12期 曲良山等：运用BP人工神经网络方法构建碳钢区域土壤腐蚀预测模型 ,1571. 续表1 实验点 含水量/ 空气容量/ cI/ s0/ 总含盐量/ 腐蚀速率/ 编号 % % pH (mg*kg) (mg-kg) (mg*kg1) (g'dm-2a-1) 16 16.71 22.76 7.15 124.08 600.40 1760.00 3.18 17 22.85 14.52 7.07 35.45 480.32 3210.00 7.15 18 26.73 8.99 8.33 744.45 1861.23 8290.00 6.62 多 17.10 27.69 6.97 124.08 660.44 1820.00 3.30 18.32 18.40 8.86 478.58 1260.83 10780.00 2.80 21 6.17 48.04 7.03 301.33 900.60 2468.38 2.74 22 16.64 14.42 9.42 212.70 1561.03 11106.02 6.28 23 18.77 7.39 6.93 124.08 480.32 1606.72 13.44 24 4.64 48.70 6.89 35.45 660.44 1521.26 6.84 25 19.61 15.97 7.17 124.08 600.40 2149.60 4.82 常 4.74 55.37 7.05 35.45 720.48 1379.10 6.07 24 4.67 50.55 7.04 124.08 300.20 901.23 13.35 28 20.82 13.63 7.36 35.45 660.44 3007.48 4.29 29 17.55 19.53 7.07 35.45 540.36 2618.23 3.41 30 15.04 17.46 9.26 389.95 2101.39 9813.01 17.63 2.2材料土壤腐蚀传质过程分析 通过相关性判断和逻辑分析，进一步理清它们之间 材料在土壤中的腐蚀在某种程度上是由发生化 的逻辑关系，去除冗余信息 学、电化学反应所需的腐蚀离子(C1、$0)、氧气、 2.3材料土壤腐蚀影响因素分析 水分在土壤中到达材质表面的传质过程的难易程度 2.3.1材质因素对材料土壤腐蚀的影响分析 和腐蚀环境恶劣与否决定的，也即土壤中水、腐蚀离 对于同种材质且表面处理工艺相同的试样，实 子、氧气的存在形式（孔隙度、土壤质地）、量的大小 验观察到同一埋藏地点的四个平行试样在腐蚀类 (含水量、空气容量、C1含量，S0含量)以及腐蚀 型、腐蚀形貌、腐蚀深度等行为上无显著差异，如 环境(H、温度、溶盐总量)决定了材料在土壤中的 图1所示.进一步分析30个实验点中四个平行试样 腐蚀行为，所以，可以通过上述几种因素构建土壤 的腐蚀速率差异，对其相对均方差进行了比较，结果 腐蚀模型，但是由于它们之间存在信息重叠，需要 如图2所示.可以看出，同一实验点的平行试样的 图1同一试坑的四个平行试样腐蚀形貌.(a)试样A;(b)试样B;(c)试样C;(d)试样D Fig-1 Corrosion morphologies of four parallel samples in the same test pit:(a)Sample A;(b)Sample B:(c)Sample C:(d)Sample D
续表1 实验点 编号 含水量／ ％ 空气容量／ ％ pH Cl －／ （mg·kg －1） SO 2－ 4 ／ （mg·kg －1） 总含盐量／ （mg·kg －1） 腐蚀速率／ （g·dm －2·a －1） 16 16∙71 22∙76 7∙15 124∙08 600∙40 1760∙00 3∙18 17 22∙85 14∙52 7∙07 35∙45 480∙32 3210∙00 7∙15 18 26∙73 8∙99 8∙33 744∙45 1861∙23 8290∙00 6∙62 19 17∙10 27∙69 6∙97 124∙08 660∙44 1820∙00 3∙30 20 18∙32 18∙40 8∙86 478∙58 1260∙83 10780∙00 2∙80 21 6∙17 48∙04 7∙03 301∙33 900∙60 2468∙38 2∙74 22 16∙64 14∙42 9∙42 212∙70 1561∙03 11106∙02 6∙28 23 18∙77 7∙39 6∙93 124∙08 480∙32 1606∙72 13∙44 24 4∙64 48∙70 6∙89 35∙45 660∙44 1521∙26 6∙84 25 19∙61 15∙97 7∙17 124∙08 600∙40 2149∙60 4∙82 26 4∙74 55∙37 7∙05 35∙45 720∙48 1379∙10 6∙07 27 4∙67 50∙55 7∙04 124∙08 300∙20 901∙23 13∙35 28 20∙82 13∙63 7∙36 35∙45 660∙44 3007∙48 4∙29 29 17∙55 19∙53 7∙07 35∙45 540∙36 2618∙23 3∙41 30 15∙04 17∙46 9∙26 389∙95 2101∙39 9813∙01 17∙63 2∙2 材料土壤腐蚀传质过程分析 材料在土壤中的腐蚀在某种程度上是由发生化 学、电化学反应所需的腐蚀离子（Cl －、SO 2－ 4 ）、氧气、 水分在土壤中到达材质表面的传质过程的难易程度 和腐蚀环境恶劣与否决定的也即土壤中水、腐蚀离 子、氧气的存在形式（孔隙度、土壤质地）、量的大小 （含水量、空气容量、Cl －含量、SO 2－ 4 含量）以及腐蚀 环境（pH、温度、溶盐总量）决定了材料在土壤中的 腐蚀行为．所以可以通过上述几种因素构建土壤 腐蚀模型．但是由于它们之间存在信息重叠需要 通过相关性判断和逻辑分析进一步理清它们之间 的逻辑关系去除冗余信息． 2∙3 材料土壤腐蚀影响因素分析 2∙3∙1 材质因素对材料土壤腐蚀的影响分析 对于同种材质且表面处理工艺相同的试样实 验观察到同一埋藏地点的四个平行试样在腐蚀类 型、腐蚀形貌、腐蚀深度等行为上无显著差异如 图1所示．进一步分析30个实验点中四个平行试样 的腐蚀速率差异对其相对均方差进行了比较结果 如 图2所示．可以看出同一实验点的平行试样的 图1 同一试坑的四个平行试样腐蚀形貌．（a） 试样 A；（b） 试样 B；（c） 试样 C；（d） 试样 D Fig．1 Corrosion morphologies of four paralle-l samples in the same test pit：（a） Sample A；（b） Sample B；（c） Sample C；（d） Sample D 第12期 曲良山等： 运用 BP 人工神经网络方法构建碳钢区域土壤腐蚀预测模型 ·1571·
.1572 北京科技大学学报 第31卷 腐蚀速率相差5%~25%.在进行初步建模时，可以 土壤质地、土壤结构等因素对土壤腐蚀也有影 粗略地认为，只需要考虑土壤环境因子对碳钢腐蚀 响，例如，它们直接影响水分、盐分和氧等在土壤中 的影响，而试样材质和表面处理的差别对腐蚀实验 的存在形式与传质快慢，这些因素均属于较难量化 结果的作用则可以忽略， 的指标，但它们的作用可以通过其他土壤因素如土 25 壤电阻率、空气容量和孔隙度间接地反映，所以在研 究预测模型时不再单独考虑 15 2.3.3土壤环境因素对材料腐蚀的影响分析 10 土壤物理、化学和电化学性质多达20余种[10)， 每种性质都可能和土壤的腐蚀性相关，如果把它们 11 13151719212325 27 试坑编号 全都作为输入变量，则所要构建的腐蚀预测网络输 入参数过多，模型过于复杂，造成网络训练速度缓 图230个试坑内平行试样的最大腐蚀速率差异 慢，特别是计算量的增加，使训练过程中的累积误差 Fig-2 Maximum difference in corrosion rate of parallel-samples in 30 test pits 增大，最终可能导致训练过程不收敛，由于土壤性 质之间的相互影响，土壤性质指标间存在某种程度 2.3.2气候变化对材料土壤腐蚀的影响分析 上的相关性，一种土壤性质有可能被另外一个或几 土壤环境因素具有随季节变化的特征，实验和 个相关的指标所替代，例如，表2所示为某一区域 测试结果表明，其对碳钢腐蚀行为产生明显的影响， 土壤性质分析结果，土壤容重、孔隙度、土壤电阻率、 在20*钢短期腐蚀行为预测中，如何处理土壤环境 自腐蚀电位和空气容量等因素间存在较强的相关 因素随气候变化对实验结果的影响，适当降低环境 性，所以，可以对土壤腐蚀影响因素进行简化，挑选 因素变化对腐蚀结果的影响，是腐蚀预测模型准确 出既能反映出土壤腐蚀的主要特征，又能使碳钢材 性的关键因素之 料土壤腐蚀的”信息”散失降至最低的关键参数 大庆地区的土壤为草甸土，其土壤质地黏重、结 表2某一区城部分土壤性质相关系数 构紧实，不利于水分垂向迁移]，地下水位相对较 Table 2 Correlation coefficients of some soil properties in a certain re 稳定，土壤持水性比较好，其水分变化不会很大 gion (图3)，并且因为雨水淋失作用很弱，所以实验点周 指标 含水量 容重孔隙度土壤电阻率自腐蚀电位 边土壤的成分也同样相对稳定， 土壤容重 0.70 孔隙度 -0.70-1.00 土壤电阻率一0.82 -0.82 0.82 自腐蚀电位一0.85 -0.830.83 0.80 空气容量一0.94-0.90 0.90 0.88 0.91 经过分析，这些土壤性质之间存在如图4所示 的逻辑关系，图4中，各上级因素共同派生的下级 因素都用球状末端的箭头连接表示，从图中可以看 7911131517192123252729 试坑编号 出：(1)土壤的某些物理、化学和电化学性质是由另 些最基本的物理、化学性质决定的，因此材料的腐 图31年内30个试坑中相同深度处土壤含水率变化对比 蚀结果可以由这些最基本的物理、化学性质，也即 Fig.3 Comparison of moisture content variation in the same depth “一级因素”作为主要因素构建土壤腐蚀模型 of 30 test pits in a year (2)通过上文分析，在各“一级因素”中，土壤质地和 与土壤环境因素变化有关的另外一种情况是冬 土壤温度可以不计.已有研究证明2，在大庆地区 季冻土，冻土环境条件下液态水含量极低，土壤电阻 的土壤环境条件下，CO3含量、HCO3含量、NO3 率很高，一般超过10002，因此冬季土壤中的20*钢 含量、K+含量、Na+含量，Ca2+含量和Mg2+含量等 腐蚀反应大为减弱，其腐蚀速率可以忽略不计，此 单个因素对腐蚀的直接作用较小，它们与C厂含量、 外，大庆地区非冻土季节地下0.51.2m深度处土 $0含量共同产生的离子导电作用可以用溶盐总 壤的自然温度变化不大，可以不必考虑温度的影响 量来代替.因此，可以认为，用含水量、空气容量
腐蚀速率相差5％～25％．在进行初步建模时可以 粗略地认为只需要考虑土壤环境因子对碳钢腐蚀 的影响而试样材质和表面处理的差别对腐蚀实验 结果的作用则可以忽略． 图2 30个试坑内平行试样的最大腐蚀速率差异 Fig．2 Maximum difference in corrosion rate of parallel－samples in 30test pits 2∙3∙2 气候变化对材料土壤腐蚀的影响分析 土壤环境因素具有随季节变化的特征实验和 测试结果表明其对碳钢腐蚀行为产生明显的影响． 在20＃钢短期腐蚀行为预测中如何处理土壤环境 因素随气候变化对实验结果的影响适当降低环境 因素变化对腐蚀结果的影响是腐蚀预测模型准确 性的关键因素之一． 大庆地区的土壤为草甸土其土壤质地黏重、结 构紧实不利于水分垂向迁移［11］地下水位相对较 稳定土壤持水性比较好其水分变化不会很大 （图3）并且因为雨水淋失作用很弱所以实验点周 边土壤的成分也同样相对稳定． 图3 1年内30个试坑中相同深度处土壤含水率变化对比 Fig．3 Comparison of moisture content variation in the same depth of 30test pits in a year 与土壤环境因素变化有关的另外一种情况是冬 季冻土冻土环境条件下液态水含量极低土壤电阻 率很高一般超过1000Ω因此冬季土壤中的20＃钢 腐蚀反应大为减弱其腐蚀速率可以忽略不计．此 外大庆地区非冻土季节地下0∙5～1∙2m 深度处土 壤的自然温度变化不大可以不必考虑温度的影响． 土壤质地、土壤结构等因素对土壤腐蚀也有影 响．例如它们直接影响水分、盐分和氧等在土壤中 的存在形式与传质快慢这些因素均属于较难量化 的指标但它们的作用可以通过其他土壤因素如土 壤电阻率、空气容量和孔隙度间接地反映所以在研 究预测模型时不再单独考虑． 2∙3∙3 土壤环境因素对材料腐蚀的影响分析 土壤物理、化学和电化学性质多达20余种［10］ 每种性质都可能和土壤的腐蚀性相关．如果把它们 全都作为输入变量则所要构建的腐蚀预测网络输 入参数过多模型过于复杂造成网络训练速度缓 慢特别是计算量的增加使训练过程中的累积误差 增大最终可能导致训练过程不收敛．由于土壤性 质之间的相互影响土壤性质指标间存在某种程度 上的相关性一种土壤性质有可能被另外一个或几 个相关的指标所替代．例如表2所示为某一区域 土壤性质分析结果土壤容重、孔隙度、土壤电阻率、 自腐蚀电位和空气容量等因素间存在较强的相关 性．所以可以对土壤腐蚀影响因素进行简化挑选 出既能反映出土壤腐蚀的主要特征又能使碳钢材 料土壤腐蚀的”信息”散失降至最低的关键参数． 表2 某一区域部分土壤性质相关系数 Table2 Correlation coefficients of some soil properties in a certain region 指标 含水量 容重 孔隙度 土壤电阻率 自腐蚀电位 土壤容重 0∙70 － － － － 孔隙度 －0∙70 －1∙00 － － － 土壤电阻率 －0∙82 －0∙82 0∙82 － － 自腐蚀电位 －0∙85 －0∙83 0∙83 0∙80 － 空气容量 －0∙94 －0∙90 0∙90 0∙88 0∙91 经过分析这些土壤性质之间存在如图4所示 的逻辑关系．图4中各上级因素共同派生的下级 因素都用球状末端的箭头连接表示．从图中可以看 出：（1）土壤的某些物理、化学和电化学性质是由另 一些最基本的物理、化学性质决定的因此材料的腐 蚀结果可以由这些最基本的物理、化学性质也即 “一级因素” 作为主要因素构建土壤腐蚀模型． （2）通过上文分析在各“一级因素”中土壤质地和 土壤温度可以不计．已有研究证明［12］在大庆地区 的土壤环境条件下CO 2－ 3 含量、HCO － 3 含量、NO － 3 含量、K ＋含量、Na ＋含量、Ca 2＋含量和 Mg 2＋含量等 单个因素对腐蚀的直接作用较小它们与 Cl －含量、 SO 2－ 4 含量共同产生的离子导电作用可以用溶盐总 量来代替．因此可以认为用含水量、空气容量、 ·1572· 北 京 科 技 大 学 学 报 第31卷
第12期 曲良山等：运用BP人工神经网络方法构建碳钢区域土壤腐蚀预测模型 ,1573 pH、CI厂含量、SO含量和溶盐总量等六种因素建 日标 立的腐蚀预测模型应该具有较好的代表意义，这与 神经元之间的 输出 连接值（权值） 比较 通过传质过程分析得出的结论一致， 调整权值 土壤质地 孔家度 图5BP人工神经网络的基本原理 含水量 氧扩散速度 Fig.5 Basic principle of the BP artificial neural network 空气容量 土壤容重 Hornik等13]早己证明：若输入层和输出层采用 线性转换函数，隐层采用Sigmoid转换函数，则含一 温度 个隐层的BP网络能够以任意精度逼近任何有理函 pH 数，靠增加隐层节点数来获得较低的误差，其训练 HCO, 效果要比增加隐层数更容易实现，所以，本文在设 计BP网络时只考虑三层BP网络（即输入层、隐藏 CO 层及输出层)，将归一化处理后的数据分成训练样 cr 自腐蚀电位 本、仿真样本两部分 SO 氧化还原电位 土壤电阻素 输入层的神经元数目为碳钢土壤腐蚀模型中的 影响因素（含水量、溶盐总量、pH、CI一含量、SO含 NO 溶盐总量 量和空气容量)总数，即输入层有六个神经元节点； K'+Na 输出层为碳钢的腐蚀速度，即输出层有一个神经元 Ca+Mg 节点 一缓因素 二级因素 三级因素 目前多数文献中提出的确定隐层节点数的计算 公式都是针对训练样本任意多的情况，而且多数是 图4土壤腐蚀环境因素逻辑关系 针对最不利的情况，一般工程实践中很难满足，不宜 Fig.4 Logical relation among environment factors of soil corrosion 采用.事实上，各种计算公式得到的隐层节点数有 需要特别说明的是，神经网络预测模型不同于 时相差几倍甚至上百倍.为尽可能避免训练时出现 一般意义上的数学模型或计算方法，即使只需要考 “过拟合”现象，保证足够高的网络性能和泛化能力， 虑六种主要影响因素，在神经网络运算过程中各参 确定隐层节点数的最基本原则是：在满足精度要求 量之间的相关性仍然无法量化， 的前提下取尽可能紧凑的结构，即取尽可能少的隐 下面将用人工神经网络方法对所构建的预测模 层节点数，隐层节点数不仅与输入、输出层的节点 型进行检验 数有关，更与需解决的问题的复杂程度和转换函数 2.4实验结果的神经网络预测分析 的形式以及样本数据的特性等因素有关.本文通过 2.4.1神经网络预测模型 不断实践检验，将隐层节点数取为5. 本文采用标准通用软件Matlab6.5 for Win~ 2.4.2样本数据 dows,并选择技术比较成熟的BP人工神经网络建 训练样本采用表1所示前24组数据，仿真样本 立预测模型，它是一种多级前馈型网络，采用有导师 采用后6组数据 学习的方法，其基本算法是典型的非循环多级网络 训练样本矩阵如下（包括输入样本矩阵P1及 训练法一梯度下降法，基本原理如图5所示. 目标样本矩阵T1): T1= (13.685.135.7112.813.302.611.127.567.573.666.328.412.792.466.933.187.156.623.302.802.746.2813.446.84), P1= 20.0816.6318.3821.27 .3718.115.236.925.3723.6135.6819.47=17.4619.7228.016.712.525.737.10w.6.1716.5418.774.6 16.2721.6 5.8016 8.58.0m12.309.1516.1822.181371 5.9322.7614.528.9927.6的18.048.0414.27.39 48.0 8.136.88 .1 25 .15 t.o 8.336.97 8.5 7.03 9.42 6.53 5. 656.31.3124.031.3335.53.5 124 24.08301.33212.70.45124.0 212. 121.0g.45744.45124.478.5831.3322.70124.0s.45 540.36960.419g1.311050.72780.5260m.4010a0.82161.43600.40150.980.56780.526m.40900.60174L.15500.40450.321861.23650.41250.8300.6501361.08450.32650.44 8600230650m1n33019503730742011230230 103302010 1910295013001750321082018010750248.3811106.021605.721521.25
pH、Cl －含量、SO 2－ 4 含量和溶盐总量等六种因素建 立的腐蚀预测模型应该具有较好的代表意义．这与 通过传质过程分析得出的结论一致． 图4 土壤腐蚀环境因素逻辑关系 Fig．4 Logical relation among environment factors of soil corrosion 需要特别说明的是神经网络预测模型不同于 一般意义上的数学模型或计算方法即使只需要考 虑六种主要影响因素在神经网络运算过程中各参 量之间的相关性仍然无法量化． 下面将用人工神经网络方法对所构建的预测模 型进行检验． 2∙4 实验结果的神经网络预测分析 2∙4∙1 神经网络预测模型 本文采用标准通用软件 Matlab 6∙5for Windows并选择技术比较成熟的 BP 人工神经网络建 立预测模型它是一种多级前馈型网络采用有导师 学习的方法其基本算法是典型的非循环多级网络 训练法－－－梯度下降法基本原理如图5所示． 图5 BP 人工神经网络的基本原理 Fig．5 Basic principle of the BP artificial neural network Hornik 等［13］早已证明：若输入层和输出层采用 线性转换函数隐层采用 Sigmoid 转换函数则含一 个隐层的 BP 网络能够以任意精度逼近任何有理函 数．靠增加隐层节点数来获得较低的误差其训练 效果要比增加隐层数更容易实现．所以本文在设 计 BP 网络时只考虑三层 BP 网络（即输入层、隐藏 层及输出层）将归一化处理后的数据分成训练样 本、仿真样本两部分． 输入层的神经元数目为碳钢土壤腐蚀模型中的 影响因素（含水量、溶盐总量、pH、Cl －含量、SO 2－ 4 含 量和空气容量）总数即输入层有六个神经元节点； 输出层为碳钢的腐蚀速度即输出层有一个神经元 节点． 目前多数文献中提出的确定隐层节点数的计算 公式都是针对训练样本任意多的情况而且多数是 针对最不利的情况一般工程实践中很难满足不宜 采用．事实上各种计算公式得到的隐层节点数有 时相差几倍甚至上百倍．为尽可能避免训练时出现 “过拟合”现象保证足够高的网络性能和泛化能力 确定隐层节点数的最基本原则是：在满足精度要求 的前提下取尽可能紧凑的结构即取尽可能少的隐 层节点数．隐层节点数不仅与输入、输出层的节点 数有关更与需解决的问题的复杂程度和转换函数 的形式以及样本数据的特性等因素有关．本文通过 不断实践检验将隐层节点数取为5． 2∙4∙2 样本数据 训练样本采用表1所示前24组数据仿真样本 采用后6组数据． 训练样本矩阵如下（包括输入样本矩阵 P1 及 目标样本矩阵 T1）： T1＝ （13∙685∙135∙7112∙813∙302∙611∙127∙567∙573∙666∙328∙412∙792∙466∙933∙187∙156∙623∙302∙802∙746∙2813∙446∙84） P1＝ 20∙08 16∙63 18∙38 21∙27 4∙37 18∙01 15∙23 16∙99 25∙37 23∙61 26∙63 19∙47 17∙46 19∙72 28∙02 16∙71 22∙85 26∙73 17∙10 18∙32 6∙17 16∙64 18∙77 4∙64 8∙92 16∙27 21∙05 8∙64 55∙80 16∙30 21∙99 18∙85 8∙00 12∙30 9∙15 16∙18 22∙18 13∙71 5∙93 22∙76 14∙52 8∙99 27∙69 18∙40 48∙04 14∙42 7∙39 48∙70 8∙13 6∙88 7∙22 9∙08 7∙02 9∙24 9∙07 9∙11 9∙27 8∙26 7∙07 7∙06 7∙13 7∙09 9∙26 7∙15 7∙07 8∙33 6∙97 8∙86 7∙03 9∙42 6∙93 6∙89 655∙83 301∙33 124∙08 301∙33 35∙45 35∙45 124∙08 124∙08 301∙33 212∙70 35∙45 124∙08 124∙08 124∙08 212∙70 124∙08 35∙45 744∙45 124∙08 478∙58 301∙33 212∙70 124∙08 35∙45 540∙36 660∙44 1981∙31 1080∙72 780∙52 600∙40 1020∙68 2161∙43 600∙40 1500∙99 840∙56 780∙52 600∙40 900∙60 1741∙15 600∙40 480∙32 1861∙23 660∙44 1260∙83 900∙60 1561∙03 480∙32 660∙44 8600 2320 6500 11320 1950 3730 7420 11280 2310 10330 2010 2390 1910 2950 13030 1760 3210 8290 1820 10780 2468∙38 11106∙02 1606∙72 1521∙26 ． 第12期 曲良山等： 运用 BP 人工神经网络方法构建碳钢区域土壤腐蚀预测模型 ·1573·
.1574 北京科技大学学报 第31卷 检验样本及测试样本矩阵（包括输入样本矩阵 表4经过10000次训练后的预测结果 P2及目标样本矩阵T2): Table 4 Prediction results after 10000 epoches P2= 实验点 腐蚀速率实测值/ 腐蚀速率预测值/ 误差 编号 率/% 19.61 4.74 4.67 20.82 17.55 15.04 (g'dm 2a1) (g'dm 2a) 15.97 25 4.82 4.22 14.35 55.37 50.55 13.63 19.35 17.46 26 6.07 5.65 7.44 7.17 7.05 7.04 7.36 7.07 9.26 27 13.35 11.66 14.50 124.0835.45124.0835.45 35.45 389.95 600.40720.48300.20660.44540.362101.39 28 4.29 3.61 18.80 2149.601379.10901.233007.482618.239813.01 29 3.41 2.74 24.51 T2=(4.826.0713.354.293.4117.63). 30 17.63 17.16 2.71 2.4.3网络训练与预测 把上述计算结果与现场试样实际腐蚀数据对 图6、图7分别是训练次数为5000及10000时 比，可以看出，预测结果与实际腐蚀数据较为吻合 神经网络过程，其他参数取缺省值，表3、表4则是 同时也发现，经过10000次训练后的人工神经网络 相应的腐蚀速率预测结果 比5000次训练的神经网络预测精度要高，10000次 10m 训练后的腐蚀速率预测误差率控制在25%以内.关 10 于材料腐蚀研究的神经网络分析也有报道，如土壤 腐蚀影响因素的神经网络分析的研究118】，这些 810 研究表明，神经网络分析对土壤腐蚀这样的复杂腐 蚀系统具有明显的优势，但是，利用区域性地区土 10- 壤为研究对象，开展这样大规模的实验研究尚未见 100 10002000300040005000 报道.本研究建立的基于神经网络研究方法的局部 次数 区域土壤中材料的腐蚀性预测模型，为发展普适性 较好的土壤腐蚀性预测模型打下了基础. 图6训练次数为5000的误差曲线 Fig-6 Error curve in 5000-time training 3结论 10 (1)在大庆地区典型土壤中进行了碳钢现场埋 片自然腐蚀实验，所得数据验证了含水量、空气容 10 量pH,C厂含量、SO含量和可溶盐总量等六种土壤 10 环境参数为本区域土壤中碳钢腐蚀的主要影响因素， (2)运用基于Matlab语言的人工神经网络，通 10- 过不断地积累碳钢土壤腐蚀数据，大量训练后可以 100 200040006000800010000 建立起稳定性好、泛化能力强的土壤腐蚀预测模型， 次数 较好地预测了大庆地区碳钢在土壤中的腐蚀速率， 误差率控制在25%以内 图7训练次数为10000的误差曲线 Fig.7 Error curve in 10000-times training 参考文献 表3经过5000次训练后的预测结果 [1]Song G L.Cao C N.ShiZ M.Review on electrochemistry mea Table 3 Prediction results after 5000 epoches surement method of soil corrosion-Oil Gofield Surf Eng. 实验点 腐蚀速率实测值/ 腐蚀速率预测值/ 误差 1993,12(3):6 编号 (gdm-2a) (g'dm-2a-1) 率/% (宋光铃，曹楚南，史志明.土壤腐蚀的电化学测量方法评述 25 4.82 4.09 17.89 油田地面工程，1993,12(3)：6) 26 6.07 5.70 6.51 [2]Feng G Q.Jin M H.Men X L.Fitting of corrosion data of car- 27 13.35 13.00 2.68 hon in several typical soils in China.Oil Gafield Surf Eng 28 4.29 4.13 3.84 2000,19(3):45 29 3.41 2.60 30.91 (冯国强，金名惠，孟厦兰·碳钢在我国儿种典型土壤中腐蚀 30 17.63 17.05 3.42 数据的拟合.油气田地面工程，2000,19(3)：45)
检验样本及测试样本矩阵（包括输入样本矩阵 P2 及目标样本矩阵 T2）： P2＝ 19∙61 4∙74 4∙67 20∙82 17∙55 15∙04 15∙97 55∙37 50∙55 13∙63 19∙35 17∙46 7∙17 7∙05 7∙04 7∙36 7∙07 9∙26 124∙08 35∙45 124∙08 35∙45 35∙45 389∙95 600∙40 720∙48 300∙20 660∙44 540∙36 2101∙39 2149∙60 1379∙10 901∙23 3007∙48 2618∙23 9813∙01 T2＝（4∙82 6∙07 13∙35 4∙29 3∙41 17∙63）． 2∙4∙3 网络训练与预测 图6、图7分别是训练次数为5000及10000时 神经网络过程其他参数取缺省值表3、表4则是 相应的腐蚀速率预测结果． 图6 训练次数为5000的误差曲线 Fig．6 Error curve in5000-time training 图7 训练次数为10000的误差曲线 Fig．7 Error curve in10000-times training 表3 经过5000次训练后的预测结果 Table3 Prediction results after5000epoches 实验点 编号 腐蚀速率实测值／ （g·dm －2·a －1） 腐蚀速率预测值／ （g·dm －2·a －1） 误差 率／％ 25 4∙82 4∙09 17∙89 26 6∙07 5∙70 6∙51 27 13∙35 13∙00 2∙68 28 4∙29 4∙13 3∙84 29 3∙41 2∙60 30∙91 30 17∙63 17∙05 3∙42 表4 经过10000次训练后的预测结果 Table4 Prediction results after10000epoches 实验点 编号 腐蚀速率实测值／ （g·dm －2·a －1） 腐蚀速率预测值／ （g·dm －2·a －1） 误差 率／％ 25 4∙82 4∙22 14∙35 26 6∙07 5∙65 7∙44 27 13∙35 11∙66 14∙50 28 4∙29 3∙61 18∙80 29 3∙41 2∙74 24∙51 30 17∙63 17∙16 2∙71 把上述计算结果与现场试样实际腐蚀数据对 比可以看出预测结果与实际腐蚀数据较为吻合． 同时也发现经过10000次训练后的人工神经网络 比5000次训练的神经网络预测精度要高10000次 训练后的腐蚀速率预测误差率控制在25％以内．关 于材料腐蚀研究的神经网络分析也有报道如土壤 腐蚀影响因素的神经网络分析的研究［14－18］．这些 研究表明神经网络分析对土壤腐蚀这样的复杂腐 蚀系统具有明显的优势．但是利用区域性地区土 壤为研究对象开展这样大规模的实验研究尚未见 报道．本研究建立的基于神经网络研究方法的局部 区域土壤中材料的腐蚀性预测模型为发展普适性 较好的土壤腐蚀性预测模型打下了基础． 3 结论 （1） 在大庆地区典型土壤中进行了碳钢现场埋 片自然腐蚀实验所得数据验证了含水量、空气容 量、pH、Cl －含量、SO 2－ 4 含量和可溶盐总量等六种土壤 环境参数为本区域土壤中碳钢腐蚀的主要影响因素． （2） 运用基于 Matlab 语言的人工神经网络通 过不断地积累碳钢土壤腐蚀数据大量训练后可以 建立起稳定性好、泛化能力强的土壤腐蚀预测模型 较好地预测了大庆地区碳钢在土壤中的腐蚀速率 误差率控制在25％以内． 参 考 文 献 ［1］ Song G LCao C NShi Z M．Review on electrochemistry measurement method of soil corrosion． Oil Gasfield Surf Eng 199312（3）：6 （宋光铃曹楚南史志明．土壤腐蚀的电化学测量方法评述． 油田地面工程199312（3）：6） ［2］ Feng G QJin M HMen X L．Fitting of corrosion data of carbon in several typical soils in China． Oil Gasfield Surf Eng 200019（3）：45 （冯国强金名惠孟厦兰．碳钢在我国几种典型土壤中腐蚀 数据的拟合．油气田地面工程200019（3）：45） ·1574· 北 京 科 技 大 学 学 报 第31卷
第12期 曲良山等：运用BP人工神经网络方法构建碳钢区域土壤腐蚀预测模型 .1575. [3]Kim J G.Kim Y W.Cathodic protection criteria of thermally in- 征及其对水盐运移的影响，浙江大学学报：农业与生命科学 sulated pipeline buried in soil.Corros Sci.2001.43:2011 版，2008,34(6)：669) [4]Levlin E.Aeration cell corrosion of carbon steel in soil:in situ [12]LiS L.Yang Z Y.Application of factors analysis for survey in monitoring cell current and potential.Corros Sci,1996.38(12): regional soil corrosivity.Corras Sci Prot Technol,1995.7(3): 2083 263) [5]Ismail A I M.El-Shamy A M.Engineering behaviour of soil ma- (李双林，杨志勇因子分析法在土壤腐蚀性研究中的应用，腐 terials on the corrosion of mild steel.Appl Clay Sci.2009.42: 蚀科学与防护技术，1995,7(3)：263) 356 [13]Hornik K.Stinchcombe M.White H.Universal approximation [6]Jin M H.Men X L.Huang HT,et al.Corrosion mechanism of of an unknown mapping and its derivatives using multilayer feed- carbon steel in four types of soil.J Huahong Univ Sci Technol forward networks.Neural Networks.1990.3:551 Nat Sei Ed,2002,30(7):6) [14]Zheng XX.Description of the corrosion rate of 16Mn pipeline (金名惠，孟厦兰，黄辉桃，等，碳钢在我国四种土壤中腐蚀机理 steel in soil by using neural network.I Xi an Shiyou Univ Nat 的研究.华中科技大学学报：自然科学版)，2002,30(7)：6) Sei Ed,2004,19(1):74 [7]Li S Y.Jung S,Park K,et al.Kinetic study on corrosion of steel (郑新侠，16Mn管道钢土壤腐蚀速率描述的人工神经网络方 in soil environments using electrical resistance sensor technique. 法.西安石油大学学报：自然科学版，2004,19(1)：74) Mater Chem Phys.2007,103:9 [15]Zhou S M.Process neural networks and its application in pipeline [8]Li Y B.Huang K,Zhang L,et al.Artificial neural network- soil corrosion rate prediction.J Qigihar Univ Nat Sci Ed, based evaluation on soil corrosion situation along pipelines.Oil 2008.24(4):6 Gas Storage Transp.2007.26(8):47 (周淑梅。一种过程神经元网络在管道土壤腐蚀速率预测中 (李余斌，黄坤，张琳，等.基于神经网络的管道沿线土壤腐蚀态 的应用.齐齐哈尔大学学报：自然科学版，2008,24(4)：6) 势评价.油气储运，2007,26(8)：47) [16]Jin Y.Dong C F.Fu D M.et al.Application of neural network [9]Guo Z H.Jin M H,Deng JL,et al.Predicting corrosion rate of technology in corrosion research and engineering Petrochem mild steel in soil based on artificial neural network.J Chin Soc Corras Prot.2001.18(1):13 Corros Pro,1996,16(4):307 (金鹰，董超芳，付冬梅，等。神经网络技术在腐蚀研究与工程 (郭稚孤，金名惠，邓聚龙，等.基于人工神经网络的金属土壤 中的应用.石油化工腐蚀与防护.2001,18(1)：13) 腐蚀预测方法.中国腐蚀与防护学报，1996,16(4)：307) [17]Wang H T,Han E H.Ke W.Application of artificial neural [10]National Soil Corrosion Test Station Website.Test Method for network to the field of corrosion.Corros Sci Technol Prot. Soil Corrosion of Materials.Beijing:Science Press.1990 2004,16(3):148 (全国土壤腐蚀实验网站·材料土壤腐蚀实验方法.北京：科 (王海涛，韩恩厚，柯伟·腐蚀领域中人工神经网络的应用进 学出版社，1990) 展.腐蚀科学与防护技术，2004,16(3)：148) [11]Luo J M.Deng W,Zhang X P,et al.Physical-chemical proper- [18]Li Y B.Huang K.Zhang L.et al.Artificial neural network- ties of sodic alkaline soil in micro scale and its influence on water based evaluation on soil corrosion situation along pipelines.Oil and salinity transportation.J Zhejiang Unie Agric Life Sci, Gas Storage Transp.2007.26(8):47 2008,34(6):669 (李余斌；黄坤；张琳，等.基于神经网络的管道沿线土壤腐 (罗金明，邓伟，张晓平，等.苏打盐渍土理化性质的微域特 蚀态势评价.油气储运，2007,26(8)：47)
［3］ Kim J GKim Y W．Cathodic protection criteria of thermally insulated pipeline buried in soil．Corros Sci200143：2011 ［4］ Levlin E．Aeration cell corrosion of carbon steel in soil：in situ monitoring cell current and potential．Corros Sci199638（12）： 2083 ［5］ Ismail A I ME-l Shamy A M．Engineering behaviour of soil materials on the corrosion of mild steel．Appl Clay Sci200942： 356 ［6］ Jin M HMen X LHuang H Tet al．Corrosion mechanism of carbon steel in four types of soil．J Huaz hong Univ Sci Technol Nat Sci Ed200230（7）：6） （金名惠孟厦兰黄辉桃等．碳钢在我国四种土壤中腐蚀机理 的研究．华中科技大学学报：自然科学版）200230（7）：6） ［7］ Li S YJung SPark Ket al．Kinetic study on corrosion of steel in soil environments using electrical resistance sensor technique． Mater Chem Phys2007103：9 ［8］ Li Y BHuang KZhang Let al．Artificial neural networkbased evaluation on soil corrosion situation along pipelines． Oil Gas Storage T ransp200726（8）：47 （李余斌黄坤张琳等．基于神经网络的管道沿线土壤腐蚀态 势评价．油气储运200726（8）：47） ［9］ Guo Z HJin M HDeng J Let al．Predicting corrosion rate of mild steel in soil based on artificial neural network．J Chin Soc Corros Prot199616（4）：307 （郭稚弧金名惠邓聚龙等．基于人工神经网络的金属土壤 腐蚀预测方法．中国腐蚀与防护学报199616（4）：307） ［10］ National Soil Corrosion Test Station Website．Test Method for Soil Corrosion of Materials．Beijing：Science Press1990 （全国土壤腐蚀实验网站．材料土壤腐蚀实验方法．北京：科 学出版社1990） ［11］ Luo J MDeng WZhang X Pet al．Physica-l chemical properties of sodic alkaline soil in micro scale and its influence on water and salinity transportation． J Zhejiang Univ Agric L ife Sci 200834（6）：669 （罗金明邓伟张晓平等．苏打盐渍土理化性质的微域特 征及其对水盐运移的影响．浙江大学学报：农业与生命科学 版200834（6）：669） ［12］ Li S LYang Z Y．Application of factors analysis for survey in regional soil corrosivity．Corros Sci Prot Technol19957（3）： 263） （李双林杨志勇．因子分析法在土壤腐蚀性研究中的应用．腐 蚀科学与防护技术19957（3）：263） ［13］ Hornik KStinchcombe MWhite H．Universal approximation of an unknown mapping and its derivatives using multilayer feedforward networks．Neural Networks19903：551 ［14］ Zheng X X．Description of the corrosion rate of 16Mn pipeline steel in soil by using neural network．J Xi’an Shiyou Univ Nat Sci Ed200419（1）：74 （郑新侠．16Mn 管道钢土壤腐蚀速率描述的人工神经网络方 法．西安石油大学学报：自然科学版200419（1）：74） ［15］ Zhou S M．Process neural networks and its application in pipeline soil corrosion rate prediction． J Qiqihar Univ Nat Sci Ed 200824（4）：6 （周淑梅．一种过程神经元网络在管道土壤腐蚀速率预测中 的应用．齐齐哈尔大学学报：自然科学版200824（4）：6） ［16］ Jin YDong C FFu D Met al．Application of neural network technology in corrosion research and engineering． Petrochem Corros Prot200118（1）：13 （金鹰董超芳付冬梅等．神经网络技术在腐蚀研究与工程 中的应用．石油化工腐蚀与防护．200118（1）：13） ［17］ Wang H THan E HKe W．Application of artificial neural network to the field of corrosion． Corros Sci Technol Prot 200416（3）：148 （王海涛韩恩厚柯伟．腐蚀领域中人工神经网络的应用进 展．腐蚀科学与防护技术200416（3）：148） ［18］ Li Y BHuang KZhang Let al．Artificial neural networkbased evaluation on soil corrosion situation along pipelines．Oil Gas Storage T ransp200726（8）：47 （李余斌；黄坤；张琳等．基于神经网络的管道沿线土壤腐 蚀态势评价．油气储运200726（8）：47） 第12期 曲良山等： 运用 BP 人工神经网络方法构建碳钢区域土壤腐蚀预测模型 ·1575·
