美軍基于模擬仿真的加速腐蝕系統(tǒng)

文邦偉，朱玉琴

（1.中國兵器工業(yè)第五九研究所，重慶 400039；2.重慶市環(huán)境腐蝕與防護工程技術研究中心，重慶 400039）

腐蝕不僅影響裝備戰(zhàn)技性能、戰(zhàn)備完好性和安全性，而且會造成巨大的經濟損失。調查表明，美軍裝備和基礎設施因腐蝕而導致的直接腐蝕費用每年達200 億美元，其中陸軍車輛腐蝕的總費用為20 億美元。美國國會通過立法要求國防部優(yōu)先解決腐蝕問題。在陸軍目前的車輛中，M1A1 和M1A2 主戰(zhàn)坦克、戰(zhàn)術載運卡車和裝甲陶式武器通用載運卡車的總腐蝕費用和每輛車費用排前4 位。為此，美軍開發(fā)了全尺寸車輛腐蝕模擬仿真和建模工具，并將其應用于車輛腐蝕狀況的預測預報。

1 加速腐蝕專家模擬器（ACES）系統(tǒng)

按照美國防部的要求，軍用車輛加速腐蝕試驗1 a 要能夠模擬22 a 的實際使用情況。在美陸軍阿伯丁試驗場，軍用車輛加速腐蝕試驗費用為140 萬美元（/輛·a）。圖1為模擬實際現(xiàn)場使用的加速腐蝕耐久性試驗（ACDT），包括在車輛表面噴灑腐蝕性電解質、強化溫度和濕度等因素以加速車輛腐蝕過程。根據(jù)對陸軍中型戰(zhàn)術車輛車族（FMTV）和海軍陸戰(zhàn)隊中型戰(zhàn)術車輛替代型（MTVR）的試驗結果確定了60 多個改進措施以減少車輛全壽命周期費用。對于FMTV，加速腐蝕試驗結果幫助項目經理確定在39 個部件上有超過200 個零件需要被加固，其投資為2 550美元/輛，而投資回報率則為1∶6.3。

腐蝕的成因極其復雜，諸如環(huán)境、材料、涂覆層、結構和用途等都會影響腐蝕過程，從而導致其不確定性和多值性。要采用通常的基于物理或者電化學模型等方法來等效模擬復雜系統(tǒng)的腐蝕和老化是非常困難的，且需花費大量的時間和經費。

圖1 加速腐蝕耐久性試驗（ACDT）Fig.1 Accelerated corrosion durability test（ACDT）

美國陸軍坦克與機動車輛司令部委托GCAS 公司開發(fā)了全尺寸車輛腐蝕模擬仿真和建模工具，稱為加速腐蝕專家模擬器（ACES）系統(tǒng)，它與實際ACDT 數(shù)據(jù)高度相關。系統(tǒng)運用現(xiàn)有的3D CAD/CAE 模型，經過功能擴展來支持腐蝕預測。系統(tǒng)通過比較以前的加速試驗與其他腐蝕試驗的觀測結果并顯示熱點以預測腐蝕，同時補充了所需的幾何詳圖。系統(tǒng)包括一個健壯知識采集程序（該程序結合學習算法，獲得了為改進預測算法的新實驗或用來半自動更新系統(tǒng)的知識庫）；還包括適合各種涂層的老化以及在泥漿包裹區(qū)域加速的電偶腐蝕和縫隙腐蝕等的預測算法。目前，ACES 能夠對陸軍資產腐蝕級數(shù)進行預測預報，因此許多陸軍項目（例如未來作戰(zhàn)系統(tǒng)等）都要求獲得腐蝕預測及控制方面的信息。ACES 本質上是通用的，可用于評估和分析大多數(shù)資產（例如地面車輛、航空器和設施的腐蝕狀況）。

2 ACES系統(tǒng)的技術體系

ACES 系統(tǒng)的一般技術體系結構（如圖2 所示）由以下模塊組成。

圖2 ACES體系結構Fig.2 ACES Architecture

1）推理模塊包含人工智能解答工具組件，例如基于規(guī)則的產品系統(tǒng)（專家系統(tǒng)）、模糊邏輯、貝葉斯網絡工具、馬爾可夫鏈接、神經網絡、回歸方法(時間序列分析)、再生算法、回歸檢索技術等，它可用于描述腐蝕過程的不同模型。

2）長期知識庫包含規(guī)則、解決方案、腐蝕模型以及用戶輸入的與所研究的幾何結構之間的關系。

3）知識采集程序知識庫在人類主題專家?guī)椭?，用?shù)據(jù)挖掘方法提取現(xiàn)場和實驗性腐蝕數(shù)據(jù)。

4）學習模塊用來轉換收集的新知識，按照適當?shù)膶傩院拖嗷リP系正確地填充ACES 知識庫。該學習模塊將是“半自動”的，因為以前從現(xiàn)場和試驗數(shù)據(jù)庫獲取的模型和相互關系已經建立，其信息可自動更新。

5）工作存儲器容納事件或證據(jù)（例如環(huán)境和工作剖面的整體數(shù)據(jù)庫）的工作，采用推理機輸入幾何結構。

6）基本算法建立在推理模塊內，它要依據(jù)工作存儲器內的“事實”或目標與實際輸入相匹配，直到獲得令人滿意的、合適的人工智能解決方案。

7）推理機依據(jù)輸入的事實和車輛幾何結構判斷合理的相互關系，把正確的“規(guī)則”區(qū)分出來，處理所有與知識庫系列規(guī)則產生的任何沖突，利用最高優(yōu)先權的適當解決方案得到的相互關系，選擇“最佳”人工智能解答方案并執(zhí)行。

8）CAD/CAE系統(tǒng)接口適合于轉換3D全幾何結構數(shù)據(jù)文件，例如HMMWV 車輛的3D BRL-CAD 弱點模型。這些非常詳細的模型將可能被編輯以刪除多余的信息，并更新細節(jié)缺乏的區(qū)域（例如描述搭接縫）。

9）幾何結構分析程序采用單獨的基于規(guī)則的產品系統(tǒng)以確定某些與幾何結構有關的事實，例如：陽極面積與陰極面積的比率、縫隙、泥漿包埋、集水/不正確的排水區(qū)。

10）作為專家系統(tǒng)的解釋程序向用戶描述推理。

11）為來自系統(tǒng)解釋程序和幾何結構分析程序的咨詢系統(tǒng)提出對策建議，使用戶能采取避免腐蝕的措施。

12）用戶界面是一個基于Java 的圖形用戶界面，用于用戶與專家系統(tǒng)的溝通。

3 車輛幾何結構

為模擬車輛腐蝕，建立了3D CAD/CAE模型文件并輸入ACES。圖3是一個包含290萬基本要素的中等大小的STEP（產品型號數(shù)據(jù)交換標準）模型例。陸軍和車輛生產商使用的模型是非常詳細的，圖4為中等大小的STEP-HMMWV模型門鉸鏈放大圖。

圖3 中等大小HMMWV模型（以STEP-AP214格式輸入）Fig. 3 Mid-size HMMWV model（imported in STEP-AP214 format）

圖4 中等大小STEP-HMMWV模型門鉸鏈放大圖Fig.4 Zoom of door hinge on the mid-size STEP-HMMWV model

對模型進行綜合檢查以確定所有必要的基本信息（例如材料性能）是否包括在輸入模型中。如果沒有包括，則要說明異常情況，并向用戶提示缺失或需要轉化的信息。軟件向導通過補充所缺失的幾何結構信息如緊固件和連接件（焊接、鉚接等）以及涂層系統(tǒng)細節(jié)來指導用戶，以便以半自動化方式輸入到模型中。

4 幾何結構分析

一旦裝配了令人滿意的幾何結構圖，ACES就要確定所有空隙、泥漿包裹區(qū)域和排水有問題的部位。已經確定的自動特征識別的2種補充方法都與基礎幾何學和拓撲學有關。

第1種方法采用外表面總數(shù)、邊緣總數(shù)、外表面類型、凸起或凹陷、法向矢量和外部通道取向參量等信息判定是否包括在特征之內。該方法能辨認盲孔、通孔、槽、通槽、凸臺、楔子、T形槽、臺階、槽口、局部柱面和扇形面等特征。ACES 特征識別算法從采用的預測模型幾何結構中提取適當?shù)膮⒘浚щy的是交叉特征的識別。基于考慮立體邊界（邊緣連通性、平面性、凸起或者凹陷）及其凸度或凹度的第2種方法，可確定特征和發(fā)現(xiàn)組合特征。

還有一些其他方法可用于描述特征和提取邊緣，例如神經網絡、立體端點轉換、邊緣和外形圖以及基于參量分類的學習算法等。然而，目前的研究表明上述2種是最易理解和編碼的方法。

對幾何結構特征模型（例如有利于腐蝕的縫隙）的詢問，需要進行大量計算。要加快這個過程，這些算法將被編碼以適合并行處理，使其可以在高性能計算機或圖形處理器上執(zhí)行。選定幾何結構特征，然后依據(jù)腐蝕/涂層老化算法，按其重要程度被加權/篩選以便采用。

5 腐蝕預測模型

理解和接受非程序的人工智能方法的最佳方式是進行參數(shù)分析，圖5 即為一個簡化的人工智能分析方法。Yj為期望的輸出，是假設的n個獨立輸入自變量Xi的函數(shù)，表達式為：

Yj=fk（X1，X2，X3，……Xn）

輸入的自變量Xi代表客觀“證據(jù)”或“事實”而被交付給系統(tǒng)，如所研究系統(tǒng)的車輛幾何細節(jié)、材料、環(huán)境、工作用途等。用于描述Xi和Yj之間關系的函數(shù)式，由一組“k”人工智能模型及其相互關系、所用模型要求而定義的人工智能解決程序提供，例如規(guī)則組。匯集的模型、支持的關系和屬性統(tǒng)稱為“知識庫”（如圖3 所示）。合適的人工智能解決程序被安裝在圖3所示的推理模塊中以執(zhí)行運算，包含模型、規(guī)則、相互關系和屬性的知識庫，組合了來自分析模型、測試結果、故障數(shù)據(jù)、課程學習設計規(guī)則和現(xiàn)場專家意見等信息和觀測結果。按照腐蝕和涂層失效機理分析，有多種與這些“k”模型關聯(lián)的人工智能解決方案被采用，解決方案的方法包括：基于規(guī)則的“專家系統(tǒng)”、適合于模糊規(guī)則的模糊邏輯、貝葉斯網絡、馬爾可夫鏈和神經網絡等。

1）數(shù)據(jù)Xi分類。影響腐蝕的關鍵因素分為7類。

（1）幾何結構與設計。在幾何結構與設計范疇，確定了12 個因素作為輸入到腐蝕模型的數(shù)據(jù)：搭接、焊接、緊固件、縫隙、泥漿包埋區(qū)、浸水、排水區(qū)、防護層、密封（特別是保護電子設備）、電耦合（面積比）、取向、屏蔽（電解質、碎渣和磨蝕）。

（2）環(huán)境。在環(huán)境方面，確定了16 個因素：濕度、鹽霧、泥漿、涉渡、干燥、溫度、紫外線暴露（陽光）、振動、沖擊、石頭啄擊、行駛里程、行駛地形、流體（油、冷卻劑、制動液、蓄電池酸液、燃料）、酸沉積（雨、雪、霧、凝露、干沉積物）、磨蝕（沙塵暴）、相對運動（微振磨損、振動和沖擊）等。

（3）維護活動。在維護活動方面，確定了8個因素：清洗、干燥、潤滑（當需要維護操作系統(tǒng)時）、連接、去污、噴涂、修飾、液體更換。

（4）材料種類。材料種類分為5 大類：金屬、合金、金屬陶瓷（陶瓷基金屬復合物，例如金屬陶瓷聯(lián)接和密封、剎車、離合器、電子設備）、非金屬（塑料、橡膠、玻璃、復合材料）、涂層系統(tǒng)（有機、無機、陶瓷、金屬）。

（5）材料的常規(guī)性能。材料的常規(guī)性能提供了在預測模型中使用的另一套數(shù)據(jù)輸入，確定的相關要素包括：厚度、硬度、強度、延展性、耐磨性、耐溫性、電阻、電化學性能（鈍態(tài)、腐蝕電位）等。

（6）金屬和合金材料的附加性能。金屬和合金材料的附加性能可提供其特有的補充輸入參數(shù)，包括：制造方法（鑄造、輥軋、鍛造、鍛制、燒結等）、熱處理工藝等。

（7）涂覆層系統(tǒng)材料的附加性能。涂覆層系統(tǒng)材料的附加性能可提供其特有的補充輸入參數(shù)，因此可測量的涂覆層性能對為ACES 預測的涂覆層體系老化建模至關重要?？蓽y量的涂覆層性能見表1。

2）腐蝕/失效模式。圖5 的方法提出了分析腐蝕類型數(shù)，或者腐蝕/失效模式的解決方案算法。這些腐蝕/失效模式被分成5 組，以利于材料和下述相關腐蝕模式間的匹配。

（1）金屬和合金（按照ISO 和ASTM 標準進行大氣暴露）：全面/均勻腐蝕、電偶腐蝕、點蝕、縫隙腐蝕、脫合金成分腐蝕、應力開裂（SCC、疲勞）、侵蝕（氣蝕、磨蝕）、晶間腐蝕（剝落）、微生物誘發(fā)腐蝕、氫脆。

表1 可測量的涂覆層性能Table 1 Measurable coating properties

圖5 人工智能分析方法Fig.5 AI analysis approach

（2）涂層系統(tǒng)：銹穿（針尖、不規(guī)則表面）、分層（凹陷/涂層下腐蝕、滲透起泡、剝落）、裝飾性缺陷（顏色變化、失光、嵌入污垢或污點）、侵蝕或磨蝕（厚度損失、結構變化）。

（3）緊固件和五金零件：電偶腐蝕、縫隙腐蝕、鍍層/涂層變薄/損壞、絕緣墊圈或密封膠失效、材料冶金、與強度有關的失效（螺紋破損）、頂托、磨損、應力（增加腐蝕敏感性）、微振磨損。

（4）電子零件：外部插接件腐蝕或失效、電子儀器腐蝕或失效（如果在密閉地密封則可大大減緩）。

（5）電氣零件：暴露的插接件腐蝕或失效（通過涂覆潤滑油可減緩）。

ACES 包括隨時間變化的涂層系統(tǒng)失效的單獨模型。該模型模擬涂層老化和出現(xiàn)的腐蝕分2個階段，如圖6所示。

上述方法提供了在材料和可用腐蝕模型或失效模式之間的局部映射。表2為金屬和合金以及涂層系統(tǒng)提供了腐蝕模型或失效模式的具體清單，也考慮了其他材料和腐蝕模型/失效模式。表2中緊固件和五金件腐蝕模型/失效模式可用于金屬和合金、金屬陶瓷、陶瓷、橡膠和塑料。金屬陶瓷還映射到電子元器件，因為它們被用作電阻器、電容器和其他電子元件，可能受到高溫的影響。金屬基復合材料、玻璃和復合材料的腐蝕模型/失效模式尚未確定。

通過ACES，表2 中的映射被用來選擇并建立相應的風險評估和預測模型。相互關系取決于正在調查中的材料和所關心的具體腐蝕模型/失效模式。例如在分析金屬緊固件時，將強調電偶腐蝕，從而采用特殊的緊固件和五金件模型，而不是采用對所有金屬和合金都有效的通用模型。

3）輸出度量。圖5 中用Yj表示來自各模型的期望的輸出度量，該系統(tǒng)將運行恰當?shù)? 個或多個腐蝕/失效模式，或按照用戶要求對所調查的組件中感興趣的部件選擇性地分析這些模型。對各個模型的運行和感興趣的部件期望的輸出如下。

（1）對腐蝕或失效可能性的整體風險評估表示為：低風險（優(yōu)良狀況）；可接受的風險（可接受的狀況，但建議改善）；高風險（惡劣狀況，必須進行改善）。

表2 在材料和腐蝕模型/失效模式之間的映射Table 2 Mapping between materials and corrosion models/failure modes

（2）時間函數(shù)，即風險評估如何隨時間演變，或者及時描述其對用戶的價值。

（3）對輸入參量的腐蝕/失效敏感性進行風險評估。

另外，也可以選擇車輛的一個特定部件或者區(qū)域，并顯現(xiàn)其腐蝕風險隨時間的變化，如圖7 所示。上述結果將通過圖形接口顯示，如通過圖8 所示的隨時間變化而改變顏色的全尺寸車輛的影像來識別腐蝕“熱點”。

圖7 選擇的部件腐蝕風險隨時間的變化Fig.7 Progression of corrosion risk of a selected component over time

目前的ACES 只在幾何結構上顯示腐蝕的可能性。通過用ACES 量化計算位置和指標是第1 步。為了將該模式擴展到包括結構完整性的損失，如應力腐蝕開裂和腐蝕疲勞，這些熱點必須按照有限元模型的代碼進行量化以便應用。腐蝕會在2個方面影響結構，首先是明顯減少金屬壁厚。實際上，維護的要求是基于因發(fā)生腐蝕而造成的“損耗”量（金屬損失）。其次是更敏感的影響，即：在材料性質上的變化，或者更恰當?shù)闹v，在疲勞和裂紋萌生位置材料狀態(tài)變化。當在有限元分析中具體表現(xiàn)腐蝕影響時，該項工作通常不考慮。這個擴展可以通過采用目前用來顯示腐蝕傾向發(fā)展的相同的人工智能統(tǒng)計技術來完成。

圖8 在選擇時間點的HMMWV幾何結構模型的腐蝕健康狀況瞬態(tài)圖Fig.8 Snapshot of corrosion health of HMMWV geometric model at a selected time point

腐蝕發(fā)展在金屬失重和裂紋萌生敏感性方面對結構的損害，類似于使用按主題專家提供的物理和電化學條件的模擬。在任何時間點，既定的條件/狀況（金屬厚度和裂紋萌生位置），可以采用有限元分析和/或其他程序性工程分析進行結構評估。隨著結構完整性狀況的確定，其他各種“成效”問題可能得到解決，如腐蝕對任務戰(zhàn)備完好性、人員安全風險和維修/翻新費用等影響。

ACES 預測算法將采用專家知識、課程學習、現(xiàn)場檢查數(shù)據(jù)、實驗室和現(xiàn)場模擬ACDT 數(shù)據(jù)來校準。選定FMTV，MTVR，HMMWV 和LVSR（后勤車輛系統(tǒng)替代型）等4 種陸軍和海軍陸戰(zhàn)隊車輛用作校準和驗證。

6 結論

美軍基于模擬仿真的加速腐蝕系統(tǒng)是基于人工智能技術的統(tǒng)計架構，其中包括采用學習算法使ACES 隨時間的推移而成長并變得更加準確的知識獲取程序，輸出結果則是預計的腐蝕和車輛隨時間而劣化的概率。目前，美軍仍在持續(xù)進行研發(fā)以完善該技術，近期計劃在2010 年底發(fā)布測試第2 版。未來的計劃則包括對評估車輛結構完整性所需的金屬損失和裂紋萌生位置的聯(lián)合預測。美軍期望在10 a之內，將利用較多的知識將ACES發(fā)展進化成為永不退休的專家工具。

美軍開發(fā)的可與車輛實際加速腐蝕耐久性試驗數(shù)據(jù)高度相關的模擬仿真加速腐蝕試驗技術，能夠對車輛耐腐蝕設計提供直接反饋，將取代許多實際的腐蝕試驗，減少對冗長和成本昂貴的車輛腐蝕試驗的要求。該技術在裝備腐蝕控制設計上的廣泛應用，不僅能夠提高裝備的戰(zhàn)備完好性、安全性，而且能夠大幅縮短裝備研制與鑒定試驗時間、節(jié)省試驗經費以及降低裝備全壽命周期費用。

[1]SAVELL C Thomas，HANDSY I Carl，AULT Pete，et al.Accelerated Corrosion Expert Simulator（ACES）[C/OL]//DoD Corrosion Conference 2009[2009-08-14].http：//events.nace.org/conferences/dod2009/index.asp.余不詳