{首页主词},&

湖南大學(xué)利用機(jī)器學(xué)習(xí)方法預(yù)測(cè)鎂合金電化學(xué)腐蝕行為

2024-02-05 14:39:01 作者：腐蝕與防護(hù) 來(lái)源：腐蝕與防護(hù) 分享至：

鎂合金的腐蝕是許多工業(yè)應(yīng)用中的一個(gè)主要挑戰(zhàn)，因?yàn)樗鼈兊臉O端反應(yīng)性極大地限制了它們的適用性。傳統(tǒng)的腐蝕速率預(yù)測(cè)方法依賴于實(shí)驗(yàn)或經(jīng)驗(yàn)?zāi)Ｐ停群臅r(shí)又昂貴。近年來(lái)，機(jī)器學(xué)習(xí)（ML）算法已經(jīng)證明并有望更好地預(yù)測(cè)鎂腐蝕。在本研究中，湖南大學(xué)和烏干達(dá)科西嘉大學(xué)（Kabale University）的科研人員引入了一種機(jī)器學(xué)習(xí)模型來(lái)預(yù)測(cè)鎂合金的腐蝕電位和腐蝕電流。采用線性回歸（LR）、決策樹(shù)（DT）、額外樹(shù)（ET）、隨機(jī)森林（RF）、K近鄰（KNN）、極端梯度增強(qiáng)（XGBoost）和人工神經(jīng)網(wǎng)絡(luò)（ANN）等不同的訓(xùn)練算法，以鎂合金化學(xué)成分為獨(dú)立輸入變量，開(kāi)發(fā)和預(yù)測(cè)鎂合金的腐蝕速率。

特征選擇方法用于識(shí)別鎂合金最重要和最具影響力的輸入?yún)?shù)，因此采用SHAP（Shapley Additive Explanations）可解釋性技術(shù)來(lái)可視化地分析模型的輸出。研究結(jié)果表明，隨機(jī)森林（RF）算法比其他機(jī)器學(xué)習(xí)算法具有最好的預(yù)測(cè)效果。鎂合金腐蝕預(yù)測(cè)模型為鎂合金的腐蝕預(yù)測(cè)提供了較好的能力。該研究證明了ML模型在預(yù)測(cè)鎂合金腐蝕行為方面的潛力，這些模型可用于優(yōu)化合金成分，以設(shè)計(jì)提高新型鎂合金的耐腐蝕性。相關(guān)研究成果已發(fā)表在Materials Today Communications上。

成果展示：

圖1(a)展示了鋁對(duì)腐蝕電流的影響最大。其次是銅，重要性排名第二。而Zn，Ni和Cl離子特征的重要性相對(duì)較低。此外，Mn，Si，F(xiàn)e，Ca，Sn和Sr特征表現(xiàn)出更低的重要性，這意味著對(duì)目標(biāo)變量的影響很小。

圖1(b)展示了鋅對(duì)腐蝕電位的影響最大，Ca和Mn的重要性緊隨其后，Al，Si，Cl離子和Fe的重要性中等，Cu，Sr，Ni和Sn的重要性相對(duì)較低。

圖1 (a) 不同特征對(duì)腐蝕電流的影響；(b) 不同特征對(duì)腐蝕電位的影響

圖2(a)展示了較高濃度的鋁有助于降低腐蝕電位。鋅濃度越高，對(duì)降低腐蝕電位的影響越顯著，錳具有降低腐蝕的作用。硅的濃度越高，腐蝕電位越低。SHAP值表明，較高濃度的鐵與腐蝕電位的降低有關(guān)。同樣，氯離子濃度的增加與腐蝕電位的降低有關(guān)。這些發(fā)現(xiàn)表明，鐵離子和氯離子在減少腐蝕方面起著重要作用。

值得注意的是，與鋁和鋅相比，其他特征如錳、硅、鐵、銅、鎳、鈣、鍶、錫和氯離子的貢獻(xiàn)不應(yīng)被忽視，在降低腐蝕電位方面也起著重要作用，但程度相對(duì)較小。

圖2(a) 不同特征的濃度與目標(biāo)變量腐蝕電位之間的關(guān)系

圖2(b)展示了鋁對(duì)目標(biāo)變量有適度的積極影響，并有助于增加腐蝕電流。銅表現(xiàn)出較強(qiáng)的正向影響。其余特征包括Zn，Mn，Si，F(xiàn)e，Ni，Ca，Sr，Sn和Cl離子對(duì)目標(biāo)變量的貢獻(xiàn)相對(duì)較小。SHAP值越大，表明對(duì)目標(biāo)變量的影響越大，表明這些特征的集體效應(yīng)導(dǎo)致腐蝕電流的增加。因此，鋁和銅是最具影響力的特征，而其他特征的貢獻(xiàn)相對(duì)較小。

圖2(b) 不同特征的濃度與目標(biāo)變量腐蝕電流之間的關(guān)系

圖3展示了不同算法對(duì)應(yīng)的預(yù)測(cè)結(jié)果性能，其中藍(lán)點(diǎn)代表訓(xùn)練集，紅點(diǎn)代表測(cè)試集。結(jié)果表明該模型對(duì)鎂合金的腐蝕電位和腐蝕電流具有良好的預(yù)測(cè)性能。

圖3(a)展示了隨機(jī)森林（RF）和額外樹(shù)（ET）模型在預(yù)測(cè)腐蝕電位值方面表現(xiàn)得非常好。這些模型在訓(xùn)練集和測(cè)試集上都表現(xiàn)出預(yù)測(cè)值和真實(shí)值之間的緊密排列。可以有效地捕獲與腐蝕電位相關(guān)的數(shù)據(jù)中的復(fù)雜關(guān)系和模式，從而得出準(zhǔn)確的預(yù)測(cè)。

XGBoost和決策樹(shù)（DT）模型也表現(xiàn)出良好的性能，略低于隨機(jī)森林和額外樹(shù)。這些模型在預(yù)測(cè)值和真實(shí)值之間顯示出相當(dāng)接近的一致性，從而表明它們能夠捕捉腐蝕電位的潛在模式。

線性回歸（LR）和KNN模型在預(yù)測(cè)腐蝕電位方面表現(xiàn)出中等的性能。雖然它們顯示了預(yù)測(cè)值和真實(shí)值之間的一些一致性，但數(shù)據(jù)點(diǎn)中的分散程度略高，表明與腐蝕電位數(shù)據(jù)的擬合相對(duì)較差。

圖3(a) 不同機(jī)器學(xué)習(xí)模型預(yù)測(cè)Ecorr (V)的訓(xùn)練和測(cè)試數(shù)據(jù)上的比較

圖3(b)展示了隨機(jī)森林（RF）模型最擅長(zhǎng)捕獲數(shù)據(jù)中復(fù)雜的關(guān)系。隨機(jī)森林的預(yù)測(cè)分布良好，具有較高的通用性和準(zhǔn)確性。這表明隨機(jī)森林有效地利用了多棵樹(shù)的集體決策來(lái)捕捉復(fù)雜的關(guān)系并提供可靠的預(yù)測(cè)。

繼隨機(jī)森林之后，額外樹(shù)（ET）模型顯示了類似的特征，并有效地捕獲了復(fù)雜的關(guān)系，因此與單一決策樹(shù)相比，提供了更廣義的預(yù)測(cè)。XGBoost遵循類似的模式，具有定義良好且緊密排列的集群，表明具有強(qiáng)大的預(yù)測(cè)能力。線性回歸（LR）在捕獲數(shù)據(jù)中的關(guān)系方面也表現(xiàn)出相對(duì)較好的性能。KNN和決策樹(shù)（DT）模型捕捉復(fù)雜關(guān)系的能力較差。

綜上所述，隨機(jī)森林（RF）模型是捕捉復(fù)雜關(guān)系并在這種特定情況下做出準(zhǔn)確預(yù)測(cè)的最合適選擇。其次是額外樹(shù)、XGBoost、線性回歸、KNN和決策樹(shù)（按性能降序排列）。

圖3(b) 不同機(jī)器學(xué)習(xí)模型預(yù)測(cè)Icorr的訓(xùn)練和測(cè)試數(shù)據(jù)上的比較

圖4展示了鎂合金腐蝕預(yù)測(cè)模型的性能。黑線和紅線分別表示驗(yàn)證數(shù)據(jù)中鎂的試驗(yàn)數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù)。模型的預(yù)測(cè)與試驗(yàn)數(shù)據(jù)的比較表明該預(yù)測(cè)模型具有較高的精度。