申请/专利权人:南京中远海运船舶设备配件有限公司
申请日:2023-12-18
公开(公告)日:2024-04-02
公开(公告)号:CN117809774A
主分类号:G16C60/00
分类号:G16C60/00;G06N3/006;G06N3/126;G06N3/086
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.19#实质审查的生效;2024.04.02#公开
摘要:本发明具体涉及氨‑柴双燃料四冲程内燃机气阀材料耐腐蚀性预测方法,包括:基于深度学习模型构建气阀腐蚀预测模型;通过遗传算法确定气阀腐蚀预测模型的最优模型参数;进行气阀腐蚀试验,采集相关参数,并确定影响腐蚀速度的第一环境参数;进行气阀腐蚀仿真试验,采集相关数据,并确定影响腐蚀速度的第二环境参数;构建试验数据库,从试验数据库中提取若干组训练数据;通过训练数据训练具有最优模型参数的气阀腐蚀预测模型,直至模型收敛;将待预测气阀的材料属性、目标环境参数和腐蚀时间输入经过训练的气阀腐蚀预测模型中,输出对应的预测腐蚀速度。本发明通过GA算法和BP神经网络的结合来提高气阀材料耐腐蚀性预测的准确性和有效性。
主权项:1.氨-柴双燃料四冲程内燃机气阀材料耐腐蚀性预测方法,其特征在于,包括:S1:基于深度学习模型构建气阀腐蚀预测模型;S2:通过遗传算法确定气阀腐蚀预测模型的最优模型参数;S3:对不同材料属性的气阀进行气阀腐蚀试验,采集气阀腐蚀试验的数据,并确定影响腐蚀速度的第一环境参数;S4:对不同材料属性的气阀进行气阀腐蚀仿真试验,采集气阀腐蚀仿真试验的数据,并确定影响腐蚀速度的第二环境参数;S5:基于材料属性及其对应的第一环境参数和第二环境参数构建试验数据库;S6:从试验数据库中提取若干组训练数据;每组训练数据的输入为气阀的材料属性、目标环境参数和腐蚀时间,输出为腐蚀速度;其中目标环境参数为第一环境参数和第二环境参数中共有的环境参数;S7:通过训练数据训练具有最优模型参数的气阀腐蚀预测模型,直至模型收敛;S8:将待预测气阀的材料属性、目标环境参数和腐蚀时间输入经过训练的气阀腐蚀预测模型中,输出对应的预测腐蚀速度。
全文数据:
权利要求:
百度查询: 南京中远海运船舶设备配件有限公司 氨-柴双燃料四冲程内燃机气阀材料耐腐蚀性预测方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。