王金东，赵　岩，高媛媛，曹　阳，夏法锋

(1. 东北石油大学 机械科学与工程学院，黑龙江 大庆 163318；

2. 中国石油管道大庆输油气分公司，黑龙江 大庆 163458)



基于BP神经网络的Ni-Al2O3镀层粒子复合量预测研究*

王金东1，赵岩1，高媛媛2，曹阳2，夏法锋1

(1. 东北石油大学 机械科学与工程学院，黑龙江 大庆 163318；

2. 中国石油管道大庆输油气分公司，黑龙江 大庆 163458)

摘要：采用超声波辅助电沉积法在A3钢表面制备了Ni-Al2O3镀层，通过BP神经网络对不同工艺参数下制备镀层的Al2O3粒子复合量进行预测，最后利用透射电镜(TEM)观察镀层结构组织。结果表明，该BP神经网络结构为3×8×1时，其预测值与真实值的拟合度R=0.9991，相对误差的最大值与最小值分别为1.71%与0.74%。TEM分析表明，当Al2O3粒子浓度9 g/L，电流密度3 A/dm2，温度40 ℃时，Ni-Al2O3镀层组织较为紧密，其平均粒径约为20 nm。

关键词：BP神经网络；Ni-Al2O3镀层；粒子复合量

1引言

超声波辅助电沉积是一种通过在电沉积过程中施加超声波场，使镀液中粒子能够均匀的沉积于镀层表面的方法[1-4]。目前，有关不同工艺参数对Ni-Al2O3镀层性能影响的报道较多，但基于BP神经网络对Ni-Al2O3镀层粒子复合量预测的研究较少[5-7]。为此，本文通过超声波辅助电沉积法在A3钢表面制备Ni-Al2O3镀层，并采用BP神经网络对镀层粒子复合量进行预测研究，最后利用透射电镜(TEM)观察镀层的组织结构。该研究可为Ni-Al2O3镀层在机械设备再制造技术的应用提供一定技术参考。

2实验

2.1实验材料及工艺参数

采用尺寸20 mm×20 mm×1 mm的A3钢片作为实验基材，使用纯度大于99%的镍板作为阳极。实验所用镀液为瓦特型镀镍液，Ni-Al2O3镀层制备过程所需试剂及工艺参数见表1。

2.2实验过程

采用超声波辅助电沉积方法在A3钢表面制备Ni-Al2O3镀层。其中，脉冲电源是E/PS 3016-10B型脉冲电源，超声波场由KQ-1500VDE型超声波清洗器产生，利用XRD-7000型X射线衍射仪(XRD)对Ni-Al2O3镀层中Al2O3粒子含量进行测量。最后，通过Tecnai-G2-20型透射电镜(TEM)观察不同工艺参数下制备Ni-Al2O3镀层组织结构。

表1Ni-Al2O3镀层的镀液成分及制备工艺

Table 1 Plating conditions and process for preparing Ni-Al2O3coatings

化学试剂参数工艺条件参数NiSO4·6H2O300g/L超声波功率180WNiCl2·6H2O40g/L电流密度1～5A/dm2H3BO335g/LAl2O3粒子浓度5～10g/L表面活性剂20mg/LpH值4.5西曲溴铵0.5mg/L温度20～50℃

2.3粒子复合量计算

Ni-Al2O3镀层粒子复合量的计算公式

(1)

式中，W表示镀层中Al2O3质量分数(%)，M1表示Al2O3相对分子质量，M2表示Al相对原子质量，W0表示XRD测量镀层中铝元素含量(%)。

2.4BP神经网络设计及表征

根据Ni-Al2O3镀层制备工艺，本文采用3个分量作为BP神经网络的输入层，即Al2O3粒子浓度(x1)、电流密度(x2)和温度(x3)，采用1个分量作为输出层，即Ni-Al2O3镀层粒子复合量(y)，该BP神经网络结构如图1所示。

图1　BP神经网络结构图

3结果与分析

3.1BP神经网络测试

利用Matlab7.0软件建立BP神经网络结构[8-9]，图2为BP神经网络结构在该条件下的均方根误差、隐含层和神经元数量的关系。由图可见，当BP模型的神经元数为16个、隐含层数为8个时，BP神经网络结构的均方根误差最小，其最小值为1.32%。因此，本文采用BP神经网络结构为3×8×1，经计算，该结构实验值与预测值的拟合相似度R=0.9991。

图2BP神经网络均方根误差、隐含层与神经元数量之间的关系

Fig 2 Errors of the BP model obtained at different hidden layers and neuron numbers

3.2BP神经网络预测

图3为BP神经网络模拟Ni-Al2O3镀层粒子复合量曲线。由图可知，利用BP神经网络对Ni-Al2O3镀层1～30#样本数据进行测试，其预测值与真实值变化基本一致，故BP神经网络能够较好的模拟Ni-Al2O3镀层中粒子复合量变化规律。因此，本文采用BP神经网络对31～40#样本进行预测，以此检验其预测效果，其预测结果见表2。从表2中看出，BP神经网络结构的预测值与真实值相差不大，其相对误差的最大值与最小值分别为1.71%与0.74%。因此，BP神经网络能够较好的模拟Ni-Al2O3镀层粒子复合量，并为其它金属镀层的性能预测提供一种新方法。

图3　Ni-Al2O3镀层的BP神经网络预测结果

Fig 3 The prediction results of BP neural network of Ni-Al2O3coatings

表2BP神经网络预测结果及相对误差

Table 2 The predicted results and relative errors by using BP neural network

样品编号预测值/%实际值/%相对误差/%314.2354.2871.21324.3654.4411.71334.0884.1321.06344.3994.3521.07354.2794.2450.80364.1464.1770.74374.4434.4820.87384.0654.1281.52394.2394.2911.21404.2164.2550.91

3.3工艺参数对组织结构的影响

图4为不同工艺参数下制备Ni-Al2O3镀层的TEM照片。由图4可知，当Al2O3粒子浓度9 g/L，电流密度3 A/dm2，温度40 ℃时，所制备的Ni-Al2O3镀层组织较为紧密，Al2O3粒子复合量较高，其平均粒径约为20 nm。当Al2O3粒子浓度6 g/L，电流密度2 A/dm2，温度30 ℃时，所制备的Ni-Al2O3镀层组织疏松，Al2O3粒子复合量较低，其平均粒径约为50 nm。由此可见，在适宜的Al2O3粒子浓度、电流密度及温度等工艺参数下，可制得Al2O3粒子复合量较高的Ni-Al2O3镀层。

图4　不同工艺参数制备Ni-Al2O3镀层TEM照片

Fig 4 TEM photos of Ni-Al2O3coatings prepared by different parameters

4结论

采用超声波辅助电沉积法在A3钢表面制备了Ni-Al2O3镀层，并建立了3×8×1的BP神经网络模型，其输入层为Al2O3粒子浓度、电流密度和温度，输出层为镀层中Al2O3粒子复合量。该BP神经网络的相对误差最大值与最小值分别为1.71%与0.74%。TEM分析表明，当采用Al2O3粒子浓度9 g/L、电流密度3 A/dm2及温度50 ℃时，所制备的Ni-Al2O3镀层组织较为紧密，Al2O3粒子复合量较高，其平均粒径约为20 nm。

参考文献：

[1]Wu Menghua, Li Zhi, Xia Fafeng, et al. Study on the preparation of nano Ni-Al2O3composite layer by ultrasonic-electrodepositing method [J]. Journal of Functional Materials, 2004, 35(6): 776-778.

吴蒙华, 李智, 夏法锋, 等. 纳米Ni-Al2O3复合层的超声电沉积制备[J]. 功能材料, 2004, 35(6): 776-778.

[2]Xia Fafeng, Liu Chao, Wang Fan, et al. Preparation and characterization of Ni-TiN coatings deposited by ultrasonic electrodeposition [J]. Journal of Alloys and Compounds, 2010, 490(1-2): 431-435.

[3]Ma Chunyang, Wu Menghua, Qu Zhijia.Technology of ultrasonic-electroless plating Ni-P-SiC nanocomposite coating [J]. Heat Treatment of Metals, 2011, 36(4): 89-92.

马春阳, 吴蒙华, 曲智家. 超声波-化学镀Ni-P-SiC纳米复合镀层的工艺研究[J]. 金属热处理, 2011, 36(4): 89-92.

[4]Xia Fafeng, Huang Ming, Ma Chunyang, et al. Effect of electrodeposition methods on corrosion resistance of Ni-SiC nanocomposite coatings [J]. Journal of Functional Materials, 2013, 44(16): 2429-2431.

夏法锋, 黄明, 马春阳, 等. 电沉积方式对Ni-SiC纳米镀层耐腐蚀性能的影响[J]. 功能材料, 2013, 44(16): 2429-2431.

[5]Li Xingyuan, Zhu Yongyong, Xiao Guorong. Application of articial neural networks to predict sliding wear resistance of Ni-TiN nanocomposite coatings deposited by pulse electrodeposition [J]. Ceramics International, 2014, 40(8): 11767-11772.

[6]Xia Fafeng, Jiao Jinlong, Ma Chunyang, et al. Forecast the microhardnesses of the Ni-TiN nanocoatings by AR model [J]. Journal of Functional Materials, 2012, 43(2): 140-143.

夏法锋, 焦金龙, 马春阳, 等. 基于AR模型的Ni-TiN纳米镀层显微硬度预测研究[J]. 功能材料, 2012, 43(2): 140-143.

[7]Abdel A. Hard and corrosion resistant nanocomposite coating for Al alloy [J]. Materials Science and Engineering A, 2008, 474: 181-187.

[8]Han Zhiguo, Wang Jiming, Chen Zhigao. Management performance evaluation in petrochemical engineering construction project by using artificial neural network [J].Acta Petrolei Sinica (Petroleum Processing Section), 2010, 26(3): 317-323.

[9]Zhou Huangbin, Zhou Yonghua, Zhu Lijuan. Implementation and comparison of improving BP neural network based on MATLAB [J]. Computing Technology and Automation, 2008, 27(1): 28-31.

周黄斌, 周永华, 朱丽娟. 基于MATLAB的改进BP神经网络的实现与比较[J]. 计算技术与自动化, 2008, 27(1): 28-31.

Prediction on the Al2O3contents in Ni-Al2O3coatings by using BP neural network

WANG Jindong1, ZHAO Yan1, GAO Yuanyuan2, CAO Yang2, XIA Fafeng1

(1. School of Mechanical Science and Engineering, Northeast Petroleum University, Daqing 163318, China;2. Daqing Oil and Gas Branch, China Petroleum Pipeline, Daqing 163458, China)

Abstract：Ni-Al2O3 coatings were prepared by ultrasonic-electrodeposition method on the surface of A3 steel, and the particle contents of Ni-Al2O3 coatings were predicted by BP neural network. The microsturctures of Ni-Al2O3 coatings were observed by using TEM. The results indicate that the schematic of the BP model is 3×8×1, and the fitting similarity is 0.9991. The maximal and minimal relatives of this model are 1.71% and 0.74%, respectively. TEM presents that the microstructure of Ni-Al2O3 coatings, which deposited at Al2O3 particle concentration of 9 g/L, current density of 3 A/dm2 and temperature of 40 ℃, has a fine structure and the average particle size is approximately 20 nm.

Key words：BP neural network；Ni-Al2O3 coating；particle content

DOI:10.3969/j.issn.1001-9731.2016.01.048

文献标识码：A

中图分类号：TG1.43

作者简介：王金东(1962-)，男，山东潍坊人，博士，教授，博士生导师，从事石油设备再制造技术研究。

基金项目：国家自然科学基金资助项目(51474072)；中国博士后科学基金资助项目(2015M581425)

文章编号：1001-9731(2016)01-01226-03

收到初稿日期：2015-04-15 收到修改稿日期：2015-07-20 通讯作者：夏法锋，E-mail: xiaff@126.com