[發明專利]一種基于KNN智能算法的金屬腐蝕分布圖繪制方法

有效

• 申請號: 202011371569.0
• 申請日: 2020-11-30
• 公開（公告）號: CN112488191B
• 公開（公告）日: 2022-11-25
• 發明（設計）人: 趙海龍;龐松嶺
• 申請（專利權）人: 海南電網有限責任公司電力科學研究院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G01N17/00
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 陳歡

本發明提供一種基于KNN智能算法的金屬腐蝕分布圖繪制方法，包括如下步驟：獲取金屬腐蝕速率數據，采用KNN智能算法建立金屬腐蝕模型；基于擬合優度評估金屬腐蝕模型的預測效果，優化調整模型參數，繪制金屬腐蝕預測分布圖；根據腐蝕介質數據繪制腐蝕介質分布圖；將金屬腐蝕預測分布圖與腐蝕介質分布圖疊加合成得到金屬腐蝕分布圖，能夠精細化繪制多種金屬的腐蝕分布圖，較好地擬合金屬實際腐蝕情況，為不同地區金屬防腐提供有效的指導。

技術領域

本發明涉及地圖繪制技術領域，具體涉及一種基于KNN智能算法的金屬腐蝕分布圖繪制方法。

背景技術

據統計，全世界每年因腐蝕而報廢的金屬約1億噸，占金屬年產量10％以上。隨著工業化的不斷推進，硫化物、氮氧化物等工業氣體排入大氣環境，更加劇了金屬的腐蝕速率。在我國南方沿海地區，常年高溫高輻照、降水量大，空氣潮濕，空氣中的侵蝕性海鹽粒子含量高，長期服役在該環境中，各類金屬設備容易發生嚴重的腐蝕失效，造成非常嚴重的損失。因此有必要研究金屬腐蝕分布式的繪制方法，可針對不同腐蝕等級的地區，采用不同防腐蝕技術要求的金屬和防護措施，進而提高金屬設備抗腐蝕能力，減小金屬腐蝕帶來的損失。

金屬腐蝕的機理復雜，影響因素多。金屬腐蝕大部分屬于微電化學腐蝕，需要有溶解液、導電介質；部分地區存在酸雨，腐蝕溶液中如存在酸性物質時會加大腐蝕速度；大氣中污染物溶解與金屬表面的溶液中，充當電解質，也會加速金屬腐蝕。同時金屬的腐蝕速率數據也較難獲取，采集時間跨度長，在腐蝕分布圖繪制過程中容易造成模型過擬合，導致計算效果準確性低。因此，本發明采用人工智能算法建立金屬腐蝕模型。

本發明提出一種基于KNN智能算法的金屬腐蝕分布圖繪制方法，能夠精細化繪制多種典型金屬的腐蝕分布圖，較好地擬合金屬實際腐蝕情況，為金屬防腐提供有效的指導。

發明內容

本發明的目的在于提供一種基于KNN智能算法的金屬腐蝕分布圖繪制方法，可針對不同腐蝕等級的地區，采用不同防腐蝕技術要求的金屬和防護措施，進而提高金屬設備抗腐蝕能力，減小金屬腐蝕帶來的損失。

本發明提出一種基于KNN智能算法的金屬腐蝕分布圖繪制方法，包括以下步驟：

步驟S1：獲取多個地點的金屬腐蝕速率數據，并將多個地點的金屬腐蝕速率數據劃分為訓練樣本集和測試樣本集；

步驟S2：基于KNN算法對訓練樣本集和測試樣本進行處理，建立金屬腐蝕模型；

步驟S3：基于擬合優度測試和評估所述金屬腐蝕模型的預測效果，根據預測效果對模型參數進行優化調整，直至擬合優度數值＞0.8，計算金屬腐蝕預測結果，繪制金屬腐蝕預測分布圖；

步驟S4：提取多個地點的腐蝕介質數據，根據腐蝕介質數據繪制腐蝕介質分布圖；

步驟S5：將所述金屬腐蝕預測分布圖與所述腐蝕介質分布圖疊加合成得到金屬腐蝕分布圖。

優選的，步驟S2中，基于KNN算法對訓練樣本集和測試樣本進行處理，建立金屬腐蝕模型，包括：

步驟S2.1：計算測試樣本集中的每個測試樣本與訓練樣本集中的所有訓練樣本的距離，所述距離的計算公式為：

其中，為第i個測試樣本，為第i個測試樣本的第l個金屬腐蝕速率數據，為第j個訓練樣本，為第j個訓練樣本的第l個金屬腐蝕速率數據，L為訓練樣本集的樣本數量；

步驟S2.2：按每個測試樣本與訓練樣本集中的所有訓練樣本的距離由小至大的優先級，從訓練樣本集中選取前K個訓練樣本；

步驟S2.3：判斷K個訓練樣本的金屬腐蝕等級，選取K個訓練樣本中數量最多的金屬腐蝕等級類別記為C_max，并將其作為第i個測試樣本的金屬腐蝕預測結果。