CC BY-NC
23
DOI: 10.24937/2542-2324-2019-2-S-I-254-262 УДК 629.563.2.001.57
А.В, Родькина1, В.А. Крамарь1, Е.М, Грамузов 2, О.А. Иванова3
'ФГАОУ ВО «Севастопольский государственный университет», Севастополь, Россия 2ФГБОУ ВО «НГТУ им. Р.Е. Алексеева», Нижний Новгород, Россия 3АО «ЦКБ» Коралл», Севастополь, Россия
ГИБРИДНАЯ НЕЙРОННАЯ СЕТЬ ДЛЯ ПРОГНОЗИРОВАНИЯ ЗАЩИТНОГО ПОТЕНЦИАЛА ПОДВОДНОЙ ЧАСТИ ОКЕАНОТЕХНИЧЕСКИХ СООРУЖЕНИЙ
Объектом работы являются корпусные конструкций судов и плавучих технических сооружений. Цель исследования -создание гибридной нейронной сети для прогнозирования защитного потенциала корпусных конструкций подводной части океанотехнических сооружений от коррозионно-механических разрушений, с промежуточным прогнозированием опорных параметров - потенциала стали с оксидной пленкой и без оксидной пленки для различных видов сталей и солености морской воды.
В результате исследования разработана программа, предназначенная для прогнозирования защитного потенциала стальной подводной части морских судов и других океанотехнических сооружений, обеспечивающего потенциал незаряженной поверхности стали, в том числе и на ювенильной поверхности. Ключевые слова: нейронная сеть, коррозия, потенциал, поляризация. Авторы заявляют об отсутствии возможных конфликтов интересов.
DOI: 10.24937/2542-2324-2019-2-S-I-254-262 UDC 629.563.2.001.57
A. Rodkina1, V. Krarnar1, Ye. Gramuzov2, О. Ivanova3
'Sevastopol State University, Sevastopol, Russia
2Nizhny Novgorod State Technical University (NSTU) named after R.E. Alekseev, Nizhny Novgorod, Russia 3JSC Central Design Bureau Korall, Sevastopol, Russia
HYBRID NEURAL NETWORK ENABLING PROTECTION POTENTIAL PREDICTION FOR UNDERWATER PARTS OF MARINE PLATFORMS
This paper discusses hull structures of ships and floating platforms. The purpose is to develop a hybrid neural network that would enable protection potential prediction for underwater hull structures in terms of corrosion and mechanical damage, with intermediate prediction of basic parameters (potential of steel with and without oxide surface layer) for different steels and water salinities. This study made it possible to develop prediction software for protective properties of steel underwater structures of ships and other marine platforms that ensures the potential of uncharged steel surface, including the juvenile one. This software can accurately calculate protection potential, which paves way to development of hull structures for ships and marine platforms more resistant to corrosion and mechanical damage thanks to stabilization of cathodic polarization process at the potential of uncharged surface, This protection will prevent corrosion and mechanical damage of hull structures for ships and marine platforms in service and under design. Keywords: neural network, corrosion, potential, polarization. Authors declare lack of the possible conflicts of interests.
Для цитирования: Родькина A.B., Крамарь В.А., Грамузов Е.М., Иванова О.А. Гибридная нейронная сеть для прогнозирования защитного потенциала подводной части океанотехнических сооружений. Труды Крыловского государственного научного центра. 2019; Специальный выпуск 2: 254-262.
For citations: Rodkina A., Kramar V., Gramuzov Ye., Ivanova O. Hybrid neural network enabling protection potential prediction for underwater parts of marine platforms. Transactions of the Krylov State Research Center. 2019; Special Edition 2: 254-262 (iri Russian).
A. Rodkina, V. Kramar, Ye, Gramuzov, 0. Ivanova, Hybrid neural network enabling protection potential prediction for underwater parts of marine platforms
Введение
Introduction
Подводная часть морских судов и океанотехнических сооружений на протяжении всего срока службы взаимодействует с агрессивной морской водой, как следствие - наличие коррозионно-механических разрушений на поверхности стальных корпусных конструкций. На практике применяется система катодной защиты от коррозии, которая не обеспечивает эффективную защиту, т.к. не учитывается тот факт, что на ювенильной поверхности стали значение потенциала отличается от потенциала с оксидной пленкой. поэтому требуется корректировка применяемых значений защитного потенциала. Кроме того, невозможно экспериментальным образом определить потенциал ювенильной поверхности для всех сталей. Нейросетевое моделирование активно используется для проведения исследований в различных сферах науки 111, втом числе при изучении коррозионных процессов [2], долговечности корродирующих конструкций [3], а также при прогнозировании потенциала стали при катодной защите [4]. Однако научный опыт не учитывает наличие ювенильной поверхности и не производит ее учет при нейросетевом прогнозировании, что подтверждает актуальность темы исследования и необходимость нейросетевого моделирования потенциала металла на ювенильной поверхности.
Цель исследования - создание гибридной нейронной сети для прогнозирования защитного потенциала корпусных конструкций подводной части океанотехнических сооружений от коррозионно-механических разрушений, с промежуточным прогнозированием опорных параметров - потенциала стали с оксидной пленкой и без оксидной пленки для различных видов сталей и солености морской воды.
Нейросетевая модель определения потенциала корпусных сталей в морской воде
Neural network-based model for determination of hull steel potential in sea water
Для достижения цели исследования применяется многофакторная гибридная нейронная сеть, где входной слой состоит из восьми нейронов (табл. 1, 2): соленость воды, %о; содержание углерода в стали. %; содержание марганца в стали. %; содержание хрома в стали, %; содержание кремния в стали, %; содержание никеля в стали. %; содержание меди в стали, %; содержание титана в стали, %.
Выходной слой содержит два нейрона (табл. 1,2):
■ потенциал стали с оксидной пленкой, мВ;
■ потенциал стали без оксидной пленки, мВ.
Для обучения нейронной сети используются результаты лабораторных исследований [5], проведенных в модельном растворе морской воды различной солености для судостроительных сталей марок СтЗ, 09Г2, 10ХСНД," 20X13 и 12Х18Н10Т.
Численный эксперимент проводится с использованием следующих типов нейронных сетей: обобщенно-регрессионная нейронная сеть - подвид байесовых сетей, в которой для регрессии используется ядерная аппроксимация; линейная нейронная сеть - сеть без промежуточных слоев, которая в выходном слое содержит только линейные элементы. Веса соответствуют элементам матрицы, а пороги - компонентам вектора смещения. Во время работы сеть фактически умножает вектор входов на матрицу весов, а затем к полученному вектору прибавляет вектор смещения. Моделирование производится аппроксимацией дискриминантной или регрессионной функции с помощью гиперплоскости. Для этой гиперплоскости с помощью «простых» вычислений находится глобально оптимальное положение; радиальная базисная нейронная сеть - вид нейронной сети, имеющий промежуточный слой из радиальных элементов и выходной слой из линейных элементов [6].
В первом приближении численного эксперимента были определены корректно работающие нейронные сети [7]. Однако относительная погрешность выходит за пределы максимально допустимой ошибки при прогнозировании потенциала коррозионно-стойких сталей (табл. 3).
С целью улучшения качества прогнозирования потенциала коррозионно-стойких сталей был проведен численный эксперимент второго приближения, при котором разделение обучающей выборки основываясь на коррозионной стойкости сталей: углеродистые и легированные не корро-зионно-стойкие стали и коррозионно-стойкие стали.
Исходя из результатов численного эксперимента второго приближения, наиболее высокую точность прогнозирования потенциала обеспечивают обобщенно-регрессионная нейронная сеть и радиальная базисная нейронная сеть с минимальным числом нейронов. Таким образом, точность прогнозирования потенциалов с помощью разделения обучающей выборки, основываясь на коррозионной стойкости сталей, повышена на 13...20% [7]. Од-
A.B. Родькина, Б,А. Крамарь, Е,М. Грамузов, O.A. Иванова
Гибридная нейронная сеть для прогнозирования защитного потенциала подводной части океанотехнических сооружени
Таблица 1. Выборка для обучения нейронной сети Table 1. Sampling for neural network learning
Марка стали Соленость ВОДЫ, %о Содержание в стали, % Потенциал стали -ф, мВ
углерод марганец хром кремний никель медь титан с оксидной пленки без оксидной пленки
Входной слой Выходной слой
СтЗ 18 0,18 0,53 0,3 0,23 0,3 0,3 0 494,00 410,17
09Г2 18 0,12 1,6 0,3 0,27 0,3 0,3 0 520,33 435,17
20X13 18 0,21 0,8 13 0,8 0 0 0 171,33 469,00
10ХСНД 18 0,12 0,65 0,75 0,95 0,65 0,5 0 529,67 440,33
12Х18Н10Т 18 0,12 2 18 0,8 10 0 0,7 448,00 491,00
СтЗ 20 0,18 0,53 0,3 0,23 0,3 0,3 0 510,00 438,33
09Г2 20 0,12 1,6 0,3 0,27 0,3 0,3 0 538,67 441,50
20X13 20 0,21 0,8 13 0,8 0 0 0 123,00 542,17
10ХСНД 20 0,12 0,65 0,75 0,95 0,65 0,5 0 551,33 457,67
09Г2 22 0,12 1,6 0,3 0,27 0,3 0,3 0 534,67 447,50
20X13 22 0,21 0,8 13 0,8 0 0 0 162,00 509,67
10ХСНД 22 0,12 0,65 0,75 0,95 0,65 0,5 0 556,00 457,17
12Х18Н10Т 22 0,12 2 18 0,8 10 0 0,7 436,67 492,33
СтЗ 24 0,18 0,53 0,3 0,23 0,3 0,3 0 562,33 437,33
20X13 24 0,21 0,8 13 0,8 0 0 0 138,00 534,00
10ХСНД 24 0,12 0,65 0,75 0,95 0,65 0,5 0 517,00 439,17
12Х18Н10Т 24 0,12 2 18 0,8 10 0 0,7 430,33 536,83
СтЗ 26 0,18 0,53 0,3 0,23 0,3 0,3 0 519,67 415,67
09Г2 26 0,12 1,6 0,3 0,27 0,3 0,3 0 513,00 431,83
10ХСНД 26 0,12 0,65 0,75 0,95 0,65 0,5 0 539,00 452,50
12Х18Н10Т 26 0,12 2 18 0,8 10 0 0,7 440,33 525,50
СтЗ 28 0,18 0,53 0,3 0,23 0,3 0,3 0 507,00 424,33
09Г2 28 0,12 1,6 0,3 0,27 0,3 0,3 0 525,33 434,17
20X13 28 0,21 0,8 13 0,8 0 0 0 164,67 466,83
12Х18Н10Т 28 0,12 2 18 0,8 10 0 0,7 441,00 516,50
СтЗ 30 0,18 0,53 0,3 0,23 0,3 0,3 0 505,33 432,33
09Г2 30 0,12 1,6 0,3 0,27 0,3 0,3 0 527,33 428,17
20X13 30 0,21 0,8 13 0,8 0 0 0 167,33 458,00
10ХСНД 30 0,12 0,65 0,75 0,95 0,65 0,5 0 535,33 441,17
12Х18Н10Т 30 0,12 2 18 0,8 10 0 0,7 437,33 504,00
нако точность прогнозирования потенциалов для коррозионно-стойких сталей не превысила 58 %.
Т.к. на коррозионную стойкость сталей влияет наличие легирующего элемента - хрома, была проанализирована зависимость от содержания хрома
потенциала стали с поверхностной (оксидной) пленкой и без нее в морской воде.
Поэтому с целью уменьшения относительной погрешности для численного эксперимента третьего приближения применялось две выборки, осно-
A. Rodkina, V. Kramar, Ye. Gramuzov, O. Ivanova. Hybrid neural network enabling protection potential prediction for underwater parts of marine platforms
Таблица 2. Выборка для проверки нейронной сети Table 2. Sampling for neural network verification
Марка Соленость Содержание в стали, % Потенциал стали -ф, мВ
стали ВОДЫ, %о углерод марганец хром кремний никель медь титан с оксидной пленки без оксидной пленки
Входной слой Выходной слой
12Х18Н10Т 20 0,12 2 18 0,8 10 0 0,7 356,67 347,17
СтЗ 22 0,18 0,53 0,3 0,23 0,3 0,3 0 538,00 434,33
09Г2 24 0,12 1,6 0,3 0,27 0,3 0,3 0 502,00 428,33
20X13 26 0,21 0,8 13 0,8 0 0 0 167,00 459,00
10ХСНД 28 0,12 0,65 0,75 0,95 0,65 0,5 0 533,67 446,67
Таблица 3. Линейная нейронная сеть Table 3. Linear neural network
Исходные данные Наличие оксидной пленки Стационарный потенциал, -ф, мВ Прогнозируемый потенциал, -ф, мВ Погрешность, %
Марка стали Соленость воды, %о
12Х18Н10Т 20 да 362,00 438,6371 21,17
нет 520,00 513,9112 1,17
СтЗ 22 да 538,00 516,2352 4,05
нет 434,33 427,8023 1,50
09Г2 24 да 502,00 526,5550 4,89
нет 428,33 436,3900 1,88
20X13 26 да 167,00 154,5415 7,46
нет 459,00 495,1694 7,88
10ХСНД 28 да 533,67 538,3612 0,88
нет 446,67 445,1172 0,35
ванных на количественном содержании хрома в стали [8]:
■ углеродистые и низколегированные стали;
■ хромосодержащие стали.
Таким образом получены опорные параметры -потенциал стали с оксидной пленкой и потенциал стали без оксидной пленки.
Потенциал на ювенильной поверхности судостроительной стали в морской воде при катодной поляризации
Juvenile surface potential of shipbuilding steel in sea water with cathodic polarization
Для корректной работы системы катодной защиты от коррозионно-механических разрушений кор-
пусных конструкций судов и плавучих технических сооружений необходимо спрогнозировать защитный потенциал, обеспечивающий потенциал незаряженной поверхности стали на ювенильной поверхности (поверхности без оксидной пленки в вершине локальных дефектов).
Профессором Ожигановым Ю.Г. был определен диапазон значений защитного потенциала, соответствующий незаряженной поверхности судостроительных сталей с оксидной пленкой от 670 мВ до -700 мВ относительно нормального водородного электрода сравнения [9]. Главный стандартный электрод сравнения - это нормальный водородный электрод. Поскольку этот электрод неудобен для практической работы, обычно применяют другие электроды сравнения. Разница между потенциалом применяемого в проводимых
A.B. Родькина, В.А. Крамарь, Е.М. Грамузов, O.A. Иванова
Гибридная нейронная сеть для прогнозирования защитного потенциала подводной части океанотехнических сооружени
-ф, мВ 20X1318 СтЗ_18
09Г2 18
10ХСНД^18 12Х18Н10Т18
1400
1200
1000
800
600
400
200
1400 190(1 1400 190(1 1400-1200- 1400 Р0П 1
1000 800 600 400 700 1000 800 600 400 ?00 1000 son
1000-
800
600 400 ?П0
600 1
А- / V 400 V Y
V s— // -=— /
/ / ?00 )
1 1
2 0-2—4-6 1 gi, мА
2 0 -2 -4 2 0 -2 -4 2 0 -2 -4
— без оксидной пленки
с оксидной пленкой
Рис. 1. Потенциодинамические исследования сталей в NaCI 1,8 %
0-2-4 pig. 1. Potentiodynamic studies of steels in NaCI 1,8%
Таблица 4. Разность потенциалов коррозии Table 4. Difference of corrosion potentials
СтЗ 09Г2 10ХСНД 20X13 12Х18Н10Т
104,54 145,55 135,97 -83,15 -63,70
авторами лабораторных исследованиях хлорсе-ребряного электрода сравнения и нормальным водородным электродом при комнатной температуре составляет 200 мВ. Следовательно, для дальнейших исследований применяется диапазон значений защитного потенциала от -870 мВ до -900 мВ относительно пористого хлорсеребряного электрода сравнения [10].
Для определения значений потенциалов судостроительных сталей СтЗ, 20X13, 09Г2, 10ХСНД, 12Х18Н10Т на ювенильной поверхности (без оксидной плешей) при катодной поляризации проведена серия лабораторных экспериментов в модельных растворах морской воды с диапазоном солености от 18 до 30 %о. Исследования выполнялись на специально разработанном оборудовании в виде комплекса для исследования электрохимических характеристик корпусных конструкций судов и плавучих технических сооружений на ювенильной поверхности при катодной поляризации. Получены значения потенциалов судостроительных сталей с оксидной плешеой и на ювенильной поверхности (без оксидной пленки) при катодной поляризации (рис. 1).
В ходе потенциодинамических исследований при изменении тока с анодного на катодный, получено минимальное значение /«//у. что соответствует
1=0 мА. Данное значение является потенциалом коррозии. Результаты показывают его изменение в зависимости от наличия оксидной пленки на поверхности судостроительной стали. Следующим этапом обработки данных, полученных в ходе лабораторного эксперимента по определению потенциала судостроительных сталей СтЗ, 20X13, 09Г2, 10ХСНД, 12Х18Н10Т с оксидной пленкой и на ювенильной поверхности в модельных растворах морской воды, стало определение разности полученных потенциалов коррозии (табл. 4).
Следовательно, для прогнозирования защитного потенциала подводной части океанотехнических сооружений необходимо откорректировать полученный авторами опорный параметр (потенциал стали на ювенильной поверхности) на величину указанной в табл. 4 разности потенциалов коррозии с целью достижения потенциала незаряженной поверхности на ювенильной поверхности.
Программа определения защитного потенциала для корпусных конструкций судов и плавучих технических сооружений
Protection potential détermination procédure for hull structures of ships and marine platforms
На основе проведенных исследований разработана программа (рис. 2), предназначенная для прогнозирования защитного потенциала стальной подводной
A. Rodkina, V. Kramar, Ye. Gramuzov, O. Ivanova. Hybrid neural network enabling protection potential prediction for underwater parts of marine platforms
части морских судов и других океанотехнических сооружений, обеспечивающего потенциал незаряженной поверхности стали, в том числе и на юве-нильной поверхности. Основной функцией программы является повышение качества катодной защиты корпусных конструкций судов и плавучих технических сооружений от коррозионно-меха-нических разрушений с возможностью предотвращения распространения локальных разрушений на основании точного выбора защитного потенциала с учетом ювенильной поверхности.
Переменные в программе определены следующим образом: £ - соленость соленость морской воды в районе исследования, %о; С - содержание углерода в стали, %; Мп - содержание марганца в стали, %; Сг - содержание хрома в стали, %; 57 - содержание кремния в стали, %; М - содержание никеля в стали, %; Си - содержание меди в стали, %; 77 -содержание титана в стали, %; пе^у1тс1 - линейная нейронная сеть; пе^угЬе - радиальная базисная нейронная сеть с нулевой ошибкой; пе\^гпп - обоб-щенно-регрессионная нейронная сеть; А - матрица входного слоя обучающей выборки; 2 - матрица выходного слоя обучающей выборки; Еок- потенциал стали с оксидной пленкой, мВ; Епо - потенциал стали без оксидной пленки, мВ; Ег- защитный потенциал, мВ, который выводится как диапазон значений необходимый для поддержания в системах катодной защиты с целью повышения качества защиты от коррозионно-механических разрушений подводной части океанотехнических сооружений. Во всех случаях полученное значение потенциала указано относительно пористого хлорсеребряного электрода сравнения [10].
В архитектуре радиальной базисной нейронной сети используется выражение функции Гаусса в многомерном случае
к(х) = ехр|-а-||х-с||2(1)
где с - вектор центров (координат вертикальных осей симметрии) множества радиально-симметричных функций; ||х-с|| - норма разности
вектора отклонений входной переменной от центров радиально-симметричных функций рассчитывается как евклидово расстояние,
||х - с || = ^(х-сх)2 +(х-с2)2 +... + (х-с„)2 ;
1
а = —— - параметр, который связан с радиусом
2 г
рассеяния входных переменных г [II].
Рис. 2. Блок-схема программы определения защитного потенциала для корпусных конструкций судов и плавучих технических сооружений
Fig. 2. Flow chart of protective potential determination software for hull structures of ships and marine platforms
Радиальная базисная нейронная сеть содержит два скрытых слоя нейронов. На входе первого слоя содержатся переменные, характеризующие соленость морской воды в районе исследования х\ и состав исследуемой судостроительной стали х2, х3? ..., хп Выходы первого слоя активируются множеством радиально-симметричных функций (1) Аь h2,..., hn и обрабатывают вектор входных значений, определяя степень близости каждого из них к центрам радиально-симметричных функций. Выходы нейронов второго слоя (т.е. выходы всей нейронной сети) - это линейные комбинации выходов первого слоя.
Линейная нейронная сеть по своей архитектуре похожа на персептрон, но передаточная функция является линейной, в отличие от персептрона с жестко ограничивающей передаточной функцией. Это позволяет выходам сети принимать любое значение [12].
Линейная передаточная функция вычисляет выход нейрона, просто возвращая переданное ему значение a = wx + Ъ, где Ъ - вектор смещения. В решаемой задаче этот нейрон обучен изучению аффинной функции его входов х. Линейная сеть
A.B. Родькина, В.А. Крамарь, Е.М. Грамузов, O.A. Иванова
Гибридная нейронная сеть для прогнозирования защитного потенциала подводной части океанотехнических сооружени
» CathodProtect
Введите соленость морской воды в районе исследования в промилях S = 22
Укажите состав исследуемой судостроительной стали
Содержание углерода в стали в процентах С = 0.18
Содержание марганца в стали в процентах Мп = 0,53
Содержание хрома в стали в процентах Сг = 0,3
Содержание кремния в стали в процентах Si = 0,23
Содержание никеля в стали в процентах Ni = 0,3
Содержание меди в стали в процентах Си = 0,3
Содержание титана в стали в процентах Ti = 0
Введенные данные соответствуют стали с содержанием хрома менее 5 % ЗАКЛЮЧЕНИЕ
Прогнозирование выполнялось Линейной Нейронной сетью Потенциал стали с оксидной пленкой Еок = -516.3049 мВ Потенциал стали без оксидной пленки Епо = -426,8609 мВ
Защитный потенциал необходимо устанавливать в пределах от -765,46 мВ до -754.45 мВ
Рис. 3. Результат работы программы определения защитного потенциала для корпусных конструкций судов и плавучих технических сооружений при Сг = 0,3
Fig. 3. Output data of the software: protective potential of hull structures at Cr = 0,3
» CathodProtect
Введите соленость морской воды в районе исследования в промилях S = 26
Укажите состав исследуемой судостроительной стали
Содержание углерода в стали в процентах С = 0,21
Содержание марганца в стали в процентах Мп = 0,8
Содержание хрома в стали в процентах Сг = 13
Содержание кремния в стали в процентах Si = 0.8
Содержание никеля в стали в процентах Ni = 0
Содержание меди в стали в процентах Си = 0
Содержание титана в стали в процентах Ti = 0
Введенные данные соответствуют стали с содержанием хрома 5... 15 % ЗАКЛЮЧЕНИЕ
Прогнозирование выполнялось Радиальной базисной нейронной сетью с нулевой ошибкой Потенциал стали с оксидной пленкой Еок = -159,0186 мВ Потенциал стали без оксидной пленки Ело = -494,2292 мВ
Защитный потенциал необходимо устанавливать в пределах от -953,15 мВ до -983,15 мВ
Рис. 4. Результат работы программы определения защитного потенциала для корпусных конструкций судов и плавучих технических сооружений при Сг = 13
Fig. 4. Output data of the software: protective potential of hull structures at Cr = 13
» CathodProtect
Введите соленость морской воды в районе исследования в промилях S = 20
Укажите состав исследуемой судостроительной стали
Содержание углерода в стали в процентах С = 0,12
Содержание марганца в стали в процентах Мп = 2
Содержание хрома в стали в процентах Сг = 18
Содержание кремния в стали в процентах Si = 0,8
Содержание никеля в стали в процентах Ni = 10
Содержание меди в стали в процентах Си = О
Содержание титана в стапи в процентах Ti = 0,7
Введенные данные соответствуют высоколегированной стали с содержанием хрома более 15 % ЗАКЛЮЧЕНИЕ
Прогнозирование выполнялось Обобщенно-Регрессионной Нейронной сетью с отклонением 10 Потенциал стали с оксидной пленкой Еок = -352,3293 мВ Потенциал стали без оксидной пленки Епо = -507,788 мВ
Защитный потенциап необходимо устанавливать в пределах от -933,7 мВ до -963,7 мВ
Рис. 5. Результат работы программы определения защитного потенциала для корпусных конструкций судов и плавучих технических сооружений при Сг = 18
Fig. 5. Output data of the software: protective potential of hull structures at Cr = 18
имеет один слой скрытых нейронов, соединенных с выходами матрицей весов w.
Пример работы программы определения защитного потенциала для корпусных конструкций судов и плавучих технических сооружений представлен на рис. 3-5 при различном содержании хрома в судостроительной стали.
Заключение
Conclusion
Предлагаемый подход обеспечивает определение точного значения защитного потенциала корпусных конструкций судов и плавучих технических сооружений, что позволяет повысить качество их защиты от коррозионно-механических разрушений путем стабилизации процесса катодной поляризации при потенциале незаряженной поверхности.
Применение такого рода защиты позволит предотвратить коррозионно-механические разрушения корпусных конструкций проектируемых и эксплуатирующихся морских судов и плавучих технических сооружений, таких как буксиры, плавучие мастерские, гидрографические суда, плавучие буровые платформы (самоподъемные, полупогружные), морские стационарные платформы, причалы, буи и другие.
Перспектива дальнейших исследований включает разработку нормативной документации в области судостроения, которая позволит усовершенствовать технические требования к защитному потенциалу систем катодной защиты для различных категорий судостроительных сталей на основе гибридной нейронной сети для прогнозирования защитного потенциала подводной части океанотехнических сооружений.
Исследование выполнено при финансовой поддержке РФФИ и города Севастополь в рамках научного проекта № 18-48-920017.
Библиографический список
1. Каллан Р. Основные концепции нейронных сетей. М.: Издательский дом «Вильяме», 2001.
2. Горбатков С.А., Бесхлебнова Г.А. Технология нейросе-тевого моделирования коррозионных процессов магистральных трубопроводов. Ч. 2. М.: Нейроинфор-матика, 2006.
3. Зеленцов Д.Г., Гаврилюк Ю.В., Новикова Л.В. Использование нейронных сетей при решении задач расчета долговечности корродирующих конструкций // Во-сточно-Европейский журнал передовых технологий. 2013. № 5/1(65). С. 71-74.
4. Hussein Kadhim Mohammed AL-Shareefi. Neural network corrosion control by impressed cathodic protection/University of Technology. Iraq, Baghdad, 2009.
A. Rodkina, V. Kramar, Ye, Gramuzov, 0. Ivanova, Hybrid neural network enabling protection potential prediction for underwater parts of marine platforms
5. Kramar V., Dushko K, Rodkiria A., Zaiets A. Influence of stress-corrosion fractures on potential of ship-building metals in the sea water 1125th DAAAM International Symposium on Intelligent Manufacturing and Automation, DAAAM
2014. Procedia Engineering 100(2015). P. 1068-1074.
6. Нейронные сети [электрон, ресурс] / Сайт «Электронный учебник по статистике StatSoft». URL: http://statsoft.ru/home/textbook/default.htm (дата обращения: 21.10.2017).
7. Kramar К, Rodkina A., Dushko V. Steel potential predicting using the neural network 11 Proceedings of the Symposium Automated Systems and Technologies, AST'2015. St. Petersburg, Russia, 25-26 May 2015. P. 215-221.
8. Kramar F,, Dushko V., Rodkina A., Alchakov V. Neural network modeling the potential of steels with different chrome content 11 Proceedings Engineering of the 26th International DAAAM Symposium "Intelligent Manufacturing & Automation". Zadar, Croatia, 21-24 October
2015. 2016. Vol. 26, No. 1. P. 1059-1067.
9. Ожиганов Ю.Г. Коррозионная усталость металлов, применяемых в судовом машиностроении: автореферат дис. ... докт. техн. наук. Севастополь, 1980.
10. Ожиганов Ю.Г,, Ожиганов О.Ю., Лебедь Е.К., Иванова О.А. Способ изготовления пористого хлорсе-ребряного электрода сравнения. Пат. 93240. Украина. Заявл. 17.11.2008, опубл. 25.01.2011.
11. Нейронные сети на основе радиально-симметричных функций [электрон, ресурс] / Портал знаний об искусственном интеллекте Neuronus.com. URL: https://oeuronus.com/theory/nn/954-nejronnye-seti-na-osnove-radialno-simmetrichnykh-funktsij .html (дата обращения: 30.03.2019).
12. Linear Neural Networks, [электрон, ресурс] / Сайт MathWorks. URL: https://www.mathworks.com/help/ deeplearning/ug/linear-neural-networks.html?s_tid=srchtitle# responsive_offcanvas (Дата обращения: 30.03.2019).
References
1. R Callan. The Essence of Neural Networks (Russian translation). Moscow, Williams Publishing House, 2001.
2. Горбатков С.А.. Бесхлебнова Г.А. Технология нейросе-тевого моделирования коррозионных процессов магистральных трубопроводов. Ч. 2. М.: Нейроинфор-матика, 2006.
3. Зеленцов Д,Г., Гавртюк Ю.В., Новикова Л.В. Использование нейронных сетей при решении задач расчета долговечности корродирующих конструкций // Восточно-Европейский журнал передовых технологий. 2013. № 5/1(65). С. 71-74.
4. Hussein Kadhim Mohammed AL-Shareefi. Neural network corrosion control by impressed cathodic protiction i University of Technology. Iraq, Baghdad, 2009.
5. Kramar V., Dushko Щ Rodkina A., Zaiets A. Influence of stress-corrosion fractures on potential of ship-building metals in the sea water 11 25th DAAAM International Symposium on Intelligent Manufacturing and Automation, DAAAM 2014. Procedia Engineering 100(2015). P. 1068-1074.
6. Нейронные сети [электрон, ресурс] / Сайт «Электронный учебник по статистике StatSoft». URL: http://statsoft.ru/home/textbook/default.htm (Дата обращения: 21.10.2017).
7. Kramar V., Rodkina А., Dushko V. Steel potential predicting using the neural network If Proceedings of the Symposium Automated Systems and Technologies, AST'2015. St. Petersburg, Russia, 25-26 May 2015. P. 215-221.
8. Kramar V., Dushko ¥„ Rodkina A.. Alchakov V. Neural network modeling the potential of steels with different chrome content // Proceedings Engineering of the 26th International DAAAM Symposium "Intelligent Manufacturing & Automation". Zadar, Croatia, 21-24 October 2015. 2016. Vol. 26, No. 1. P. 1059-1067.
9. Ожиганов Ю.Г. Коррозионная усталость металлов, применяемых, в судовом машиностроении: автореферат дис. ... докт. техн. наук. Севастополь, 1980.
10. Ожиганов Ю.Г., Ожиганов О.Ю., ЛебедьЕ.К., Иванова O.A. Способ изготовления пористого хлорсе-ребряного электрода сравнения. Пат. 93240. Украина. Заявл. 17.11.2008, опубл. 25.01.2011.
11. Нейронные сети на основе радиально-симметричных функций [электрон, ресурс] / Портал знаний об искусственном интеллекте Neuronus.com. URL: https://neuronus.com/theory/nn/954-nejronnye-seti-na-osnove-radialno-simmetrichnykh-funktsij .html (дата обращения: 30.03.2019).
12. Linear Neural Networks, [электрон, ресурс] / Сайт MathWorks. URL: https://www.mathworks.com/help/ deepleaming/ug/linear-neural-networks.html?s_tid=srchtitle# responsive_offcanvas (дата обращения: 30.03.2019)
Сведения об авторах
Родыаша Анна Владимировна, старший преподаватель ФЕАОУ ВО «Севастопольский государственный университет». Адрес: 299053, Севастополь, ул. Университетская, 33. Тел.: +7 (978) 844-00-18. E-mail: a.v.rodkina@gmail.com. Крамарь Вадим Александрович, д.т.н., профессор ФГАОУ ВО «Севастопольский государственный университет». Адрес: 299053, Севастополь, ул. Университетская, 33. Тел.: +7 (8692) 43-50-02.. E-mail: kramarvfgmail.ru. Грамузов Евгений Михатович, д.т.н., профессор ФГБОУ ВО «НГТУ им. P.E. Алексеева». Адрес: 603950, Нижний Новгород, ул. Минина, 24. Тед.: 8 (831) 436-63-07. B-maif: terkortänntu.ru.
Иванова Ольга Александровна, к.т.н,, инженер-конструктор 1-й категории АО «ЦКБ» Коралл». Адрес:
A.B. Родькина, В.А. Крамарь, Е.М. Грамузов, O.A. Иванова
Гибридная нейронная сеть для прогнозирования защитного потенциала подводной части океанотехнических сооружени
299028, Севастополь, ул. Репина, 1. Тел.: +7 (978) 744-31-63, E-mail: o.a.ivanova.kmt@mail.ru.
About the authors
Rodkina, Anna V., Senior Lecturer, Sevastopol State University, address: 33, Universitetskaya st., Sevastopol, Russia, post code 299053, tel.: +7 (978) 844-00-18. E-mail: a.v.rodkina@gmail.com.
Kramar, Vadim A., Dr. Sci. (Eng), Prof., Sevastopol State University, address: 33, Universitetskaya st., Sevastopol, Russia, post
code 299053, tel.: +7 (8692) 43-50-02. E-mail: kra-marv@mail.ru.
Gramuzov, Yevgeny M., Dr. Sei. (Eng), Prof., Nizhny Novgorod State Technical University (NSTU) named after R.E. Alekseev, address: 24, Minina St., Nizhny Novgorod, Russia, post code 603950, tel. 8 (831)436-63-07. E-mail: terkor@nntu.ru. Ivanova, Olga O., Cand. Sei. (Eng), 1 ^category Naval Architect, JSC "Central Design Office KoralF, address: 1, Repina st., Sevastopol, Russia, post code 299028, tel. +7(978)744-31-63, E-mail: o.a.ivanova.kmt@mail.ru.
Поступила / Received: 16.07.19 Принята в печать / Accepted: 30.08.19 © Коллектив авторов, 2019
