.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 L‚Cao C N‚Shi Z M．Review on electrochemistry mea￾surement method of soil corrosion． Oil Gasfield Surf Eng‚ 1993‚12（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‚1993‚12（3）：6） ［2］ Feng G Q‚Jin M H‚Men X L．Fitting of corrosion data of car￾bon in several typical soils in China． Oil Gasfield Surf Eng‚ 2000‚19（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‚2000‚19（3）：45） ·1574· 北 京 科 技 大 学 学 报 第31卷