腐蝕學科目前尚處于實驗學科范疇，腐蝕理論僅起說明和解釋作用，大量問題靠實驗解決，基于實驗數據的解析來取得規律、建立腐蝕預測模型是腐蝕計量學的重要任務。

    腐蝕現象起源材料表面微電池作用，含微觀體系固有的隨機特性，即：在完全相同條件也不一定得到相同結果。腐蝕數據解析需要有重復（平行）數據，依據數據信息量的完整程度，選擇合理的解析方法是取得成功的關鍵。本文探討其一般規律。

    1、腐蝕數據波動性和分布特性函數

    1.1  二類腐蝕數據

    有二類腐蝕數據。一類在本質上屬于大量隨機量的統計結果，如腐蝕失重、腐蝕電位、電偶電流等。它們的波動性主要來自測量誤差，屬于正態分布。這類數據用以平均值為中心的置信范圍表示，可用常規解析分析和誤差理論來處理。傳統腐蝕研究主要針對這類數據。

    另一類數據波動性來自腐蝕現象自身隨機性，服從物理學的測不準定律。由于來源不同，其隨機波動的分布特征差別很大，但都不屬正態分布。如，材料表面點蝕發生數量常屬泊松分布、海水中鋼的點蝕及縫隙腐蝕誘導期屬指數分布、SCC破裂壽命屬對數分布等等。它們平均值沒有確切意義，也不能按常規誤差理論處理，需要具體問題具體分析。

    1.2正態分布數據

    由大量、分散獨立因素造成的隨機體系往往服從正態分析。如以測量誤差為主的腐蝕數據。這類數據的二種基本特征參數一是真值（期望值），可近似用多次測量平均值代替；二是波動指標，如數據精度、標準偏差、方差等等。其平均值在某些情況下可按確定值處理，但在數據比較、相關分析等方面還須考慮其波動性。例如，按配對對比試驗或者隨機對比試驗獲得的腐蝕數據需要根據其t值檢驗來判斷兩者是否存在差異。又例如，兩個隨機量之間的相關分析須考慮擬合公式置信度并進行誤差分析等等。詳細方法可參見相關書籍。

    1.3非正態分布的數據

    非正態腐蝕數據的處理要復雜得多，一般需首先確定其分布特性，再根據相應分布函數確定其特征參數。其參數數量可能超過二種。判斷有限次數數據的隨機分布類型有許多方法，如：χ2適度檢驗、K.S檢驗、線性無偏估計法、最大似然估計法，大多涉及復雜運算。有一種簡便直觀方法稱為概率紙檢驗法。其原理是通過設置標準化變量，使分布函數轉化為線性形式，然后在以標準化變量為坐標的紙（概率紙）上作圖，如數據呈線性則表示符合這種分布，并估計其特征參數值。下表為幾種常見腐蝕數據分布的標準化變量形式以及分布參數估計方法。

    這種方法也為非正態隨機數提供了簡便解析方法。但切記非正態隨機數的平均值是沒有意義的，兩個隨機量的比較需要采用更復雜方法處理，如：概率密度函數聯合積分法或強度與應力差的概率密度函數積分法。

    2、依據數據信息完整程度選擇解析方法

    2.1 信息完整體系采用分布函數方法解析

    全部波動特性已知的腐蝕數據稱為信息完整體系，可其相應分布函數和特征參數來處理并描述其規律。此時先要區分正態分布和非正態分布，兩類數據的解析方法不同，后者往往要復雜得多。

    2.2 特定部分信息已知的體系

    得到信息完整體系需做大量重復（平行）試驗，有時很難做到。取特定的部分信息進行解析是一種好的途徑。成熟的是極值分析，即根據波動的極大值或極小值信息進行分析。盡管信息完整的腐蝕數據分布類型很多，最常見有正態分布、泊松分布、指數分布、對數正態分布四大類，但無論基本分布形式如何，其極值分布類型要簡單得多，常見的是：第一類的最大值分布（Gumbel分布）和第三類的最小值分布（Weibull分布）。前者有二個特征參數λ（位置參數）和α（尺度參數）；后者有三個特征參數γ（位置參數）、η（尺度參數）和m（形狀參數）。

    極值分析方法較復雜，可借助計算機編程，或采用表1的變量轉換及概率紙方法計算。

    2.3 貧信息體系和模式識別方法

    全部或局部特征信息未知的數據屬于信息學“灰箱”或“黑箱”，統稱貧信息體系。精確數學方法對這類體系無能為力。模式識別（PR, Patten Recognition）是化學計量學里為這類體系提供的常用方法。目前計算機模式識別能做到的只限于對客觀事物按其特征進行分類，離“理解”還有相當距離，模式識別不只是對人能力的簡單替代，許多情況下還可完成人能力無法勝任的工作，如對高維信息的處理。用模式識別解析時需要以下基本條件：

    （1）有合格數據，如研究環境-腐蝕性的數據必須同時包含腐蝕性指標和環境腐蝕因素等全面的數據；

    （2）確定描述模式的元素（關鍵因素），它們必須是可以被計算機接納和處理的；

    （3）要有足夠量的數據和數據信息量，足以反映腐蝕數據模式的主要特征；

    （4）選擇好方法，目前主要用統計模式識別（Statistical PR）來處理數據；用句法模式識別（Syntactic PR）來處理圖形。

    統計模式識別有很多種，如：主分量分析、聚類分析等。從廣義角度說，灰色理論、神經網絡等都可歸入此類方法。模式識別的解析能力往往超過常規數理統計方法，原因之一是采取以含模糊界線的分類來替代準確的數值計算。上述過程可歸納成下面框圖：

    模式識別方法對腐蝕數據處理的成功應用實例很多，如主分量分析在建立土壤腐蝕性類別和其理化參數之間數學模型、聚類分析在現場土壤失重試驗中的埋點設計、區域土壤腐蝕性預測模型的建立等。更多應用實例還可參見其它資料。

    3、更多新解析方法的嘗試

    3.1分形方法

    分形方法和混沌理論被比作繼經典力學、相對論及量子力學之后的物理學第三個里程碑。之前的物理學可解釋上至宇宙天體，下至微觀粒子，幾乎盡善盡美，但對于位于其間尺度的大量自然現象，尤其是那些不可逆的復雜隨機現象，如：天氣預報、海岸線長度測量等往往無能為力。分形方法在腐蝕數據解析上的成功應用反過來證明腐蝕現象具有某些混沌或分形特征。這種新解析方法優點至少表現在以下幾個方面。

    （1）能夠處理包括腐蝕圖像在內的更多數據類型；

    （2）能夠揭示腐蝕現象的某些本質或機理問題。

    以下用我們的部分工作成果說明。

    3.1.1 揭示腐蝕圖像分維和表面坑深分布的關聯

    分形體系幾何特征之一是具有分數維，可通過數學方法計算出任何復雜腐蝕圖像的分維。另一方面，腐蝕表面坑深和坑數量之間服從分形體系的冪函數關系，即：坑深越大，數量越少，兩者在雙對數坐標成線性，其斜率稱為坑深分布分維。研究發現，圖像分維和坑深分布分維有很好一致性。這為用簡便的圖像分維計算替代費時費力的坑深測量提供了途徑。

    3.1.2 建立腐蝕分形動力學模型

    分形泛指在形體、功能或信息等方面具有自相似性的體系，分形建模就是尋找復雜體系內部的潛在規則，然后通過不斷重復或復制來模擬整體的規律。我們假設存在三種不同腐蝕發生概率的表面形態，即：未腐蝕表面、已腐蝕表面和受腐蝕影響表面，采用單體凝聚Eden建立腐蝕發展的分形動力學模型。這種模型可以解釋表面蝕點數量發展服從泊松分布、累計腐蝕量和時間之間服從冪函數等等一系列已知的腐蝕規律，并用來研究小試片的腐蝕邊界效應。

    3.2大數據應用

    大數據分析是一種全新解析腐蝕數據的方法。大數據泛指數量之多和來源之廣。例如，我們曾以塔里木現場埋片平行數據為基礎，發現平均值和其標準偏差之間存在冪函數關系。這個規律后來也被分形動力學模型證實，揭示了腐蝕現象的分形特性。此外，通過大數據散布圖還可獲得更多信息。如某海上平臺生產管線穿孔記錄含時間，地點以及當時管內介質溫度、壓力、含水量、流速等參數，收集連續多年的數據，可估測其臨界流速及歷年的變化。發現超過臨界流速、且管輸介質含水量超過80%的管線，其壽命均不足2年，而含水量低于30%的管線壽命無一例外超過10年 。同樣方法也曾用于大量數據研究埋地管線實測保護電位（未扣IR降）和實際保護效果的關系。

    綜上所述，腐蝕數據解析需考慮被研究對象本質、數據完整程度及新方法的應用。這個領域尚有大量待研究課題，是大有作為的。

更多關于材料方面、材料腐蝕控制、材料科普等方面的國內外最新動態，我們網站會不斷更新。希望大家一直關注中國腐蝕與防護網http://www.ecorr.org

責任編輯：王元

《中國腐蝕與防護網電子期刊》征訂啟事

投稿聯系：編輯部

電話：010-62313558-806

郵箱：fsfhzy666@163.com

中國腐蝕與防護網官方 QQ群：140808414