基于改进方法的接地网不开挖腐蚀速率预测模型(2)

图1 SE模块示意图Fig. 1 Schematic diagram of the SE block

其中，FC是全连接层。而LReLU是激活函数，其表达式为：

（4）

式中：ci是（1,+￥）区间内的固定参数。

与此同时，Sigmoid函数作为另一个激活函数，将变量映射到（0,1）之间。其表达式为：

（5）

2 建模方法

2.1 基于改进的CL-ML模型

传统的CL-ML方法主要是学习一个虚拟度量指标α，其正比于腐蚀速率但非腐蚀速率本身，这是显著降低直接拟合压力的重要措施，神经网络结构如图2所示。

图2 传统的CL-ML模型图Fig. 2 Traditional CL-ML model diagram

为了更精确地预测，利用紧邻的两个或更多锚点，使用第二个神经网络，输出结果是参与拟合锚点的腐蚀速率系数，即：

式中：Y是组合输出结果；a1、a2等是需要拟合的系数；fushi1、fushi2等是原始样品的腐蚀数值。针对腐蚀这一特殊情况，在差异较大的情况下腐蚀速率往往相差更大。非线性程度强的情况导致目标腐蚀速率Y拟合困难，所以拟采用k-临近的方法进行拟合。改进后的神经网络示意图如图3所示。

图3 改进的CL-ML模型图Fig. 3 Improved CL-ML model diagram

相对其他算法，本文提出的算法一个突出特点就是能够充分利用珍贵的采样数据，对新数据具有较强的泛化性，并且网络能够快速收敛。如图4所示，在训练采样组数为5时，算法需要约30 epoch就能使网络收敛到稳定状态。

图4 本文算法的迭代寻优过程Fig. 4 Iterative optimization process of the algorithm used in this research

2.2 训练过程

训练时，从m个训练样本中抽取n个，可形成个训练“样本对”，例如，从60个中排列组合选5个，即可产生C(60, 5)=5 461 512个样本。对应的，网络的损失函数如下：

（7）

式中：I表示训练集。它的K个查询为；其中，ik为第k个查询中一个样本的虚拟度量指标，jk为另一个数据产生的度量指标，而是ik和jk两个点之间的真实腐蚀速率大小比较：小（+1）、大（–1）和相等（0）。是第k次查询的损失值，表示为：

本文令z为α，其表示为只有预测出虚拟度量指标α正确大小关系时才能获得相应的奖励分数。经此训练，每当遇到类似的新样本时，通过与60组锚点的对比，就可以判断出位于哪两个锚点之间，此外60组锚点的顺序排列平均差异仅为0.129 83，理论上，在上述成功预测的情况下，实际借助锚点二次预测的真实腐蚀速率不会超过该平均值。

3 实验分析

本文选取来自25个变电站的观测数据作为样本[13]。接地网在土壤中腐蚀受到多种因素的影响，选取土壤物理化学性质和电阻平均增长速率作为输入参数，选取电阻平均增长速率作为输出参数。其中，土壤物理化学性质包括含水率、电阻率、孔隙率、SO42–含量和Cl–含量，可定量地显示出接地网所处的土壤环境；电阻平均增长速率根据支路电阻变化情况和接地网工作时间综合得出，可以间接反映接地网腐蚀状态；接地网腐蚀速率通过失重法确定。

将72组实验数据中的前60组作为训练样本，后12组作为测试样本。因为5个输入量和1个输出量的维度和量纲各不相同，为防止其对预测模型的预测精度和模型灵敏度产生影响，按照公式（9）对所有数据归一化：

（9）

式中：A和A′分别表示原始数据和归一化后的数据；Amax和Amin分别表示原始数据中的最大值和最小值。

为了更准确地预测接地网腐蚀结果，采用图3所示改进的CL-ML模型，输出结果是参与拟合的锚点腐蚀速率的系数。改进的CL-ML模型把传统的拟合升级为基于锚点的系数预测。特别是针对工业环境学习中，非线性强、样本稀少、获取困难等难题而设计，是一种具有普遍适应性的创新性框架。与直接拟合类算法以及传统机器学习算法中需要大量样本的特性相比有本质的不同。图3网络的输入是2.1节中度量网络输出中与锚点度量近似的两个真实样本，经过包含注意力模块的卷积后，两个样本共同融合成具有内在耦合系数组，与公式（8）结合后形成所需的真实腐蚀速率。值得注意的是，图3示意网络仅为叙述方便，实际运行中提出的网络可以扩展位同时包含多组锚点和需要预测组的多输入网络，本身具有尺度可变性。

针对非线性程度强导致目标腐蚀速率Y拟合困难的问题，拟采用k-临近的方法进行拟合。k-临近算法的核心思想是：在已知训练集数据的前提下，代入测试集数据并将测试集数据的特征和训练集特征相比较，通过比较距离找出训练集中与之最接近的前K个数据，进而K个数据中出现次数最多的分类就是测试集所属的分类。k-临近算法的基本流程为：

文章来源：《腐蚀科学与防护技术》 网址: http://www.fskxyfhjszz.cn/qikandaodu/2021/0617/822.html