[發明專利]一種應力腐蝕開裂預測方法及系統

在審

• 申請號: 202011177708.6
• 申請日: 2020-10-29
• 公開（公告）號: CN112257942A
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 曹邏煒;劉軍民;杜玉倩;蔡起衡;李光海
• 申請（專利權）人: 中國特種設備檢測研究院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06K9/62
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 張夢澤

本發明公開一種應力腐蝕開裂預測方法及系統，方法包括：根據訓練集確定最優ELM分類器個數m；根據最優ELM分類器個數m、訓練集和測試集確定m個分類器；采用集成學習中的Adaboost算法，將m個ELM分類器進行疊加，獲得AdaELM集成預測分類器；將待測試樣本數據輸入AdaELM集成預測分類器進行預測，獲得應力腐蝕開裂預測結果。本發明采用集成學習中的Adaboost算法將m個ELM分類器進行疊加，既提升了AdaELM集成預測分類器的性能，又避免了ELM算法自身的不穩定性，進而以提高應力腐蝕開裂預測的準確性。

技術領域

本發明涉及應力腐蝕開裂預測技術領域，特別是涉及一種應力腐蝕開裂預測方法及系統。

背景技術

應力腐蝕開裂(以下簡稱SCC)是承壓類特種設備風險評價中的重要損傷模式，其開裂受材料、應力和介質環境三大因素的共同作用，存在著巨大的事故潛在風險，威脅國民生命和財產安全。根據我國GB/T 30579-2014《承壓設備損傷模式識別》規定：當設備暴露在能夠導致管道或容器開裂的環境中，例如含氯化物、硫化物、碳酸鹽或堿性環境，在受到一定的應力情況下則會很容易發生應力腐蝕開裂現象，進而引發承壓設備失效甚至發生事故災害，具有十分嚴重的危險性和破壞性。目前，大多數事故風險是可以通過常規檢驗方法提前預知的，但是SCC作為工業生產中危害較大的一種損傷模式，卻無法輕易預知。因此，亟需對應力腐蝕開裂進行預測研究，以便提前應對風險并采取相應策略。

目前，國內外已有部分學者將機器學習算法應用于應力腐蝕開裂預測中，例如傳統的SVM支持向量機、三層BP神經網絡和EF反饋神經網絡模型，結果表明這些模型都有較好的預測效果，證明了用機器學習預測SCC的可行性。但這些傳統的算法都存在容易發生過擬合的缺點，且BP神經網絡容易陷入局部極值。

發明內容

基于此，本發明的目的是提供一種應力腐蝕開裂預測方法及系統，以提高應力腐蝕開裂預測的準確性。

為實現上述目的，本發明提供了一種應力腐蝕開裂預測方法，所述方法包括：

步驟S1：構建歷史數據集；所述歷史數據集包括溫度、氯離子濃度、氧濃度和應力腐蝕開裂的實際分類結果；

步驟S2：根據所述歷史數據集確定訓練集和測試集；

步驟S3：根據所述訓練集確定最優ELM分類器個數m；

步驟S4：根據所述最優ELM分類器個數m、所述訓練集和所述測試集確定m個分類器；

步驟S5：采用集成學習中的Adaboost算法，將m個ELM分類器進行疊加，獲得AdaELM集成預測分類器；

步驟S6：獲取待測試樣本數據；

步驟S7：將所述待測試樣本數據輸入所述AdaELM集成預測分類器進行預測，獲得應力腐蝕開裂預測結果。

可選地，所述根據所述歷史數據集確定訓練集和測試集，具體包括：

步驟S21：將所述歷史數據集劃分模型輸入數據集和模型輸出數據集；

步驟S22：對所述模型輸入數據集進行對數變換，獲得對數數據集；

步驟S23：對所述對數數據集進行歸一化處理，獲得歸一化數據集；

步驟S24：根據所述歸一化數據集和所述模型輸出數據集劃分成訓練集和測試集；所述訓練集包括：訓練輸入集和訓練輸出集；所述測試集包括：測試輸入集和測試輸出集。

可選地，所述根據所述訓練集和所述測試集確定最優ELM分類器個數，具體包括：

步驟S31：將所述訓練集輸入到ELM極限學習機進行訓練，獲得M個ELM分類器；