本发明涉及地图绘制技术领域，具体涉及一种基于knn智能算法的金属腐蚀分布图绘制方法。
背景技术：
据统计，全世界每年因腐蚀而报废的金属约1亿吨，占金属年产量10％以上。随着工业化的不断推进，硫化物、氮氧化物等工业气体排入大气环境，更加剧了金属的腐蚀速率。在我国南方沿海地区，常年高温高辐照、降水量大，空气潮湿，空气中的侵蚀性海盐粒子含量高，长期服役在该环境中，各类金属设备容易发生严重的腐蚀失效，造成非常严重的损失。因此有必要研究金属腐蚀分布式的绘制方法，可针对不同腐蚀等级的地区，采用不同防腐蚀技术要求的金属和防护措施，进而提高金属设备抗腐蚀能力，减小金属腐蚀带来的损失。
金属腐蚀的机理复杂，影响因素多。金属腐蚀大部分属于微电化学腐蚀，需要有溶解液、导电介质；部分地区存在酸雨，腐蚀溶液中如存在酸性物质时会加大腐蚀速度；大气中污染物溶解与金属表面的溶液中，充当电解质，也会加速金属腐蚀。同时金属的腐蚀速率数据也较难获取，采集时间跨度长，在腐蚀分布图绘制过程中容易造成模型过拟合，导致计算效果准确性低。因此，本发明采用人工智能算法建立金属腐蚀模型。
本发明提出一种基于knn智能算法的金属腐蚀分布图绘制方法，能够精细化绘制多种典型金属的腐蚀分布图，较好地拟合金属实际腐蚀情况，为金属防腐提供有效的指导。
技术实现要素：
本发明的目的在于提供一种基于knn智能算法的金属腐蚀分布图绘制方法，可针对不同腐蚀等级的地区，采用不同防腐蚀技术要求的金属和防护措施，进而提高金属设备抗腐蚀能力，减小金属腐蚀带来的损失。
本发明提出一种基于knn智能算法的金属腐蚀分布图绘制方法，包括以下步骤：
步骤s1：获取多个地点的金属腐蚀速率数据，并将多个地点的金属腐蚀速率数据划分为训练样本集和测试样本集；
步骤s2：基于knn算法对训练样本集和测试样本进行处理，建立金属腐蚀模型；
步骤s3：基于拟合优度测试和评估所述金属腐蚀模型的预测效果，根据预测效果对模型参数进行优化调整，直至拟合优度数值＞0.8，计算金属腐蚀预测结果，绘制金属腐蚀预测分布图；
步骤s4：提取多个地点的腐蚀介质数据，根据腐蚀介质数据绘制腐蚀介质分布图；
步骤s5：将所述金属腐蚀预测分布图与所述腐蚀介质分布图叠加合成得到金属腐蚀分布图。
优选的，步骤s2中，基于knn算法对训练样本集和测试样本进行处理，建立金属腐蚀模型，包括：
步骤s2.1：计算测试样本集中的每个测试样本与训练样本集中的所有训练样本的距离，所述距离的计算公式为：
其中，
步骤s2.2：按每个测试样本与训练样本集中的所有训练样本的距离由小至大的优先级，从训练样本集中选取前k个训练样本；
步骤s2.3：判断k个训练样本的金属腐蚀等级，选取k个训练样本中数量最多的金属腐蚀等级类别记为cmax，并将其作为第i个测试样本的金属腐蚀预测结果。
优选的，所述的拟合优度计算公式为：
其中，z为金属腐蚀数据真值，
优选的，步骤s4：提取多个地点的腐蚀介质数据，所述的腐蚀介质数据包括大气中的盐雾浓度、硫化氢浓度、二氧化硫浓度、二氧化氮浓度。
优选的，根据腐蚀介质数据绘制腐蚀介质分布图，包括:
步骤s5.1：将所述金属腐蚀预测分布图与腐蚀介质分布图合成矩阵，然后进行叠加；
步骤s5.2：以叠加后的灰度值进行绘图；
步骤s5.3：按照灰度值中的亮度值进行配色进而形成金属腐蚀分布图。
与现有技术相比，本发明的有益效果在于：
(1)建立了基于knn智能算法的金属腐蚀模型，基于已有的金属腐蚀数据，采用人工智能算法knn算法建立了金属腐蚀模型，进而实现了未监测地区的腐蚀数据精细化预测；
(2)提出一种基于knn智能算法的金属腐蚀分布图绘制方法，能够精细化绘制多种典型金属的腐蚀分布图，较好地拟合金属实际腐蚀情况，为金属防腐提供有效的指导，进而可减少金属腐蚀造成的损失。
附图说明
图1是基于knn智能算法的金属腐蚀分布图绘制方法的流程示意图。
图2是金属腐蚀速率与二氧化硫浓度变化关系曲线图。
具体实施方式
以下结合附图和实例对本发明的具体实施方式做进一步说明。
图1反映了基于knn智能算法的金属腐蚀分布图绘制方法的具体流程，包括以下步骤：
步骤s1：获取多个地点的金属腐蚀速率数据，并将多个地点的金属腐蚀速率数据划分为训练样本集和测试样本集；
步骤s2：基于knn算法对训练样本集和测试样本进行处理，建立金属腐蚀模型；
步骤s2.1：计算测试样本集中的每个测试样本与训练样本集中的所有训练样本的距离，所述距离的计算公式为：
其中，
步骤s2.2：按每个测试样本与训练样本集中的所有训练样本的距离由小至大的优先级，从训练样本集中选取前k个训练样本；
步骤s2.3：判断k个训练样本的金属腐蚀等级，选取k个训练样本中数量最多的金属腐蚀等级类别记为cmax，并将其作为第i个测试样本的金属腐蚀预测结果，即
c(i)＝cmax
其中，c(i)为第i个测试样本的金属腐蚀等级预测结果，金属腐蚀等级包括六类：c1、c2、c3、c4、c5-1、c5-m，分别表示腐蚀速率非常低、低、中等、高、很高(工业环境)、很高(海洋环境)
步骤s3：基于拟合优度测试和评估所述金属腐蚀模型的预测效果，根据预测效果对模型参数进行优化调整，直至拟合优度数值＞0.8，计算金属腐蚀预测结果，绘制金属腐蚀预测分布图；
所述的拟合优度计算公式为：
其中，z为金属腐蚀数据真值，
拟合优度数值越接近1说明预测效果越好，越接近0效果越差.
根据多个金属腐蚀预测结果，绘制金属腐蚀预测分布图。
步骤s4：提取多个地点的腐蚀介质数据，所述的腐蚀介质数据包括大气中的盐雾浓度、硫化氢浓度、二氧化硫浓度、二氧化氮浓度，根据腐蚀介质数据绘制腐蚀介质分布图；
具体的，其绘制方式包括：绘制方式包括：获取腐蚀速率等值点——绘制等值线——对等值线进行平滑处理——等值线填充——等值线标注。
步骤s5：将所述金属腐蚀预测分布图与所述腐蚀介质分布图叠加合成得到金属腐蚀分布图，其具体步骤包括：
步骤s5.1：将所述金属腐蚀预测分布图与腐蚀介质分布图同个地理位置点的灰度值相叠加；
步骤s5.2：以叠加后的灰度值进行绘图；
步骤s5.3：按照灰度值中的亮度值进行配色进而形成金属腐蚀分布图。
以下是本发明方法的一个实际算例，结合算例说明基于knn智能算法的金属腐蚀分布图绘制方法的具体实施方式。
图1反映了基于knn智能算法的金属腐蚀分布图绘制方法的具体流程，包括以下步骤：
步骤s1：获取多个地点的金属腐蚀速率数据，将所述的多个地点的金属腐蚀速率数据进行预处理，划分为训练样本集和测试样本集；部分地区的部分金属腐蚀速率数据如表1所示，表格以q235钢、纯锌和纯铜作为部分金属的示例。
表1部分地区的部分金属腐蚀速率数据
步骤s2.1：计算测试样本集中的每个测试样本与训练样本集中的所有训练样本的距离，分别选取与每个测试样本距离最小的k个最近邻训练样本，所述距离的计算公式为：
其中，
步骤s2.2：计算每个测试样本的k个最近邻训练样本中数量最多的类别，并将其作为测试样本的类别；
步骤s3：基于拟合优度测试和评估所述金属腐蚀模型的预测效果，根据预测效果对模型参数进行优化调整，直至拟合优度数值＞0.8，拟合优度数值越接近1说明预测效果越好，越接近0效果越差；计算金属腐蚀预测结果，绘制金属腐蚀预测分布图。
所述的拟合优度计算公式为：
其中，z为金属腐蚀数据真值，
步骤s4：提取多个地点的腐蚀介质数据，所述的腐蚀介质数据包括大气中的盐雾浓度、硫化氢浓度、二氧化硫浓度、二氧化氮浓度，根据腐蚀介质数据绘制腐蚀介质分布图，以二氧化硫腐蚀介质为例，不同二氧化硫浓度下金属腐蚀速率的变化曲线如图2所示，图中tow表示金属表面的润湿时间。
步骤s5.1：将所述金属腐蚀预测分布图与腐蚀介质分布图合成矩阵，然后进行叠加；
步骤s5.2：以叠加后的灰度值进行绘图；
步骤s5.3：按照灰度值中的亮度值进行配色进而形成金属腐蚀分布图。
本发明不局限于上述具体实施方式，根据上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本发明上述基本技术思想前提下，本发明还可以做出其它多种形式的等效修改、替换或变更，均落在本发明的保护范围之中。
1.一种基于knn智能算法的金属腐蚀分布图绘制方法，其特征在于包括以下步骤：
步骤s1：获取多个地点的金属腐蚀速率数据，并将多个地点的金属腐蚀速率数据划分为训练样本集和测试样本集；
步骤s2：基于knn算法对训练样本集和测试样本进行处理，建立金属腐蚀模型；
步骤s3：基于拟合优度测试和评估所述金属腐蚀模型的预测效果，根据预测效果对模型参数进行优化调整，直至拟合优度数值＞0.8，计算金属腐蚀预测结果，绘制金属腐蚀预测分布图；
步骤s4：提取多个地点的腐蚀介质数据，根据腐蚀介质数据绘制腐蚀介质分布图；
步骤s5：将所述金属腐蚀预测分布图与所述腐蚀介质分布图叠加合成得到金属腐蚀分布图。
2.根据权利要求1所述的基于knn智能算法的金属腐蚀分布图绘制方法，其特征在于：步骤s2中，基于knn算法对训练样本集和测试样本进行处理，建立金属腐蚀模型，包括：
步骤s2.1：计算测试样本集中的每个测试样本与训练样本集中的所有训练样本的距离，所述距离的计算公式为：
其中，
步骤s2.2：按每个测试样本与训练样本集中的所有训练样本的距离由小至大的优先级，从训练样本集中选取前k个训练样本；
步骤s2.3：判断k个训练样本的金属腐蚀等级，选取k个训练样本中数量最多的金属腐蚀等级类别记为cmax，并将其作为第i个测试样本的金属腐蚀预测结果。
3.根据权利要求1所述的基于knn智能算法的金属腐蚀分布图绘制方法，其特征在于：步骤s3所述的拟合优度计算公式为：
其中，z为金属腐蚀数据真值，
4.根据权利要求1所述的基于knn智能算法的金属腐蚀分布图绘制方法，其特征在于：步骤s4所述的腐蚀介质数据包括大气中的盐雾浓度、硫化氢浓度、二氧化硫浓度、二氧化氮浓度。
5.根据权利要求1所述的基于knn智能算法的金属腐蚀分布图绘制方法，其特征在于：步骤s5所述的金属腐蚀分布图叠加合成方法包括以下步骤：
步骤s5.1：将所述金属腐蚀预测分布图与腐蚀介质分布图合成矩阵，然后进行叠加；
步骤s5.2：以叠加后的灰度值进行绘图；
步骤s5.3：按照灰度值中的亮度值进行配色进而形成金属腐蚀分布图。
技术总结