{首页主词},&

湖南大學利用機器學習方法預測鎂合金電化學腐蝕行為

2024-02-05 14:39:01 作者：腐蝕與防護來源：腐蝕與防護分享至：

鎂合金的腐蝕是許多工業應用中的一個主要挑戰，因為它們的極端反應性極大地限制了它們的適用性。傳統的腐蝕速率預測方法依賴于實驗或經驗模型，既耗時又昂貴。近年來，機器學習（ML）算法已經證明并有望更好地預測鎂腐蝕。在本研究中，湖南大學和烏干達科西嘉大學（Kabale University）的科研人員引入了一種機器學習模型來預測鎂合金的腐蝕電位和腐蝕電流。采用線性回歸（LR）、決策樹（DT）、額外樹（ET）、隨機森林（RF）、K近鄰（KNN）、極端梯度增強（XGBoost）和人工神經網絡（ANN）等不同的訓練算法，以鎂合金化學成分為獨立輸入變量，開發和預測鎂合金的腐蝕速率。

特征選擇方法用于識別鎂合金最重要和最具影響力的輸入參數，因此采用SHAP（Shapley Additive Explanations）可解釋性技術來可視化地分析模型的輸出。研究結果表明，隨機森林（RF）算法比其他機器學習算法具有最好的預測效果。鎂合金腐蝕預測模型為鎂合金的腐蝕預測提供了較好的能力。該研究證明了ML模型在預測鎂合金腐蝕行為方面的潛力，這些模型可用于優化合金成分，以設計提高新型鎂合金的耐腐蝕性。相關研究成果已發表在Materials Today Communications上。

成果展示：

圖1(a)展示了鋁對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較低。此外，Mn，Si，Fe，Ca，Sn和Sr特征表現出更低的重要性，這意味著對目標變量的影響很小。

圖1(b)展示了鋅對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的重要性相對較低。

圖1 (a) 不同特征對腐蝕電流的影響；(b) 不同特征對腐蝕電位的影響

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。同樣，氯離子濃度的增加與腐蝕電位的降低有關。這些發現表明，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、錫和氯離子的貢獻不應被忽視，在降低腐蝕電位方面也起著重要作用，但程度相對較小。

圖2(a) 不同特征的濃度與目標變量腐蝕電位之間的關系

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

圖2(b) 不同特征的濃度與目標變量腐蝕電流之間的關系

圖3展示了不同算法對應的預測結果性能，其中藍點代表訓練集，紅點代表測試集。結果表明該模型對鎂合金的腐蝕電位和腐蝕電流具有良好的預測性能。

圖3(a)展示了隨機森林（RF）和額外樹（ET）模型在預測腐蝕電位值方面表現得非常好。這些模型在訓練集和測試集上都表現出預測值和真實值之間的緊密排列。可以有效地捕獲與腐蝕電位相關的數據中的復雜關系和模式，從而得出準確的預測。

XGBoost和決策樹（DT）模型也表現出良好的性能，略低于隨機森林和額外樹。這些模型在預測值和真實值之間顯示出相當接近的一致性，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模型在預測腐蝕電位方面表現出中等的性能。雖然它們顯示了預測值和真實值之間的一些一致性，但數據點中的分散程度略高，表明與腐蝕電位數據的擬合相對較差。

圖3(a) 不同機器學習模型預測Ecorr (V)的訓練和測試數據上的比較

圖3(b)展示了隨機森林（RF）模型最擅長捕獲數據中復雜的關系。隨機森林的預測分布良好，具有較高的通用性和準確性。這表明隨機森林有效地利用了多棵樹的集體決策來捕捉復雜的關系并提供可靠的預測。

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

綜上所述，隨機森林（RF）模型是捕捉復雜關系并在這種特定情況下做出準確預測的最合適選擇。其次是額外樹、XGBoost、線性回歸、KNN和決策樹（按性能降序排列）。