湖南大学利用机器学习方法预测镁合金电化学腐蚀行为

2024-02-05 14:39:01 作者：腐蚀与防护来源：腐蚀与防护分享至：

镁合金的腐蚀是许多工业应用中的一个主要挑战，因为它们的极端反应性极大地限制了它们的适用性。传统的腐蚀速率预测方法依赖于实验或经验模型，既耗时又昂贵。近年来，机器学习（ML）算法已经证明并有望更好地预测镁腐蚀。在本研究中，湖南大学和乌干达科西嘉大学（Kabale University）的科研人员引入了一种机器学习模型来预测镁合金的腐蚀电位和腐蚀电流。采用线性回归（LR）、决策树（DT）、额外树（ET）、随机森林（RF）、K近邻（KNN）、极端梯度增强（XGBoost）和人工神经网络（ANN）等不同的训练算法，以镁合金化学成分为独立输入变量，开发和预测镁合金的腐蚀速率。

特征选择方法用于识别镁合金最重要和最具影响力的输入参数，因此采用SHAP（Shapley Additive Explanations）可解释性技术来可视化地分析模型的输出。研究结果表明，随机森林（RF）算法比其他机器学习算法具有最好的预测效果。镁合金腐蚀预测模型为镁合金的腐蚀预测提供了较好的能力。该研究证明了ML模型在预测镁合金腐蚀行为方面的潜力，这些模型可用于优化合金成分，以设计提高新型镁合金的耐腐蚀性。相关研究成果已发表在Materials Today Communications上。

成果展示：

图1(a)展示了铝对腐蚀电流的影响最大。其次是铜，重要性排名第二。而Zn，Ni和Cl离子特征的重要性相对较低。此外，Mn，Si，Fe，Ca，Sn和Sr特征表现出更低的重要性，这意味着对目标变量的影响很小。

图1(b)展示了锌对腐蚀电位的影响最大，Ca和Mn的重要性紧随其后，Al，Si，Cl离子和Fe的重要性中等，Cu，Sr，Ni和Sn的重要性相对较低。

图1 (a) 不同特征对腐蚀电流的影响；(b) 不同特征对腐蚀电位的影响

图2(a)展示了较高浓度的铝有助于降低腐蚀电位。锌浓度越高，对降低腐蚀电位的影响越显著，锰具有降低腐蚀的作用。硅的浓度越高，腐蚀电位越低。SHAP值表明，较高浓度的铁与腐蚀电位的降低有关。同样，氯离子浓度的增加与腐蚀电位的降低有关。这些发现表明，铁离子和氯离子在减少腐蚀方面起着重要作用。

值得注意的是，与铝和锌相比，其他特征如锰、硅、铁、铜、镍、钙、锶、锡和氯离子的贡献不应被忽视，在降低腐蚀电位方面也起着重要作用，但程度相对较小。

图2(a) 不同特征的浓度与目标变量腐蚀电位之间的关系

图2(b)展示了铝对目标变量有适度的积极影响，并有助于增加腐蚀电流。铜表现出较强的正向影响。其余特征包括Zn，Mn，Si，Fe，Ni，Ca，Sr，Sn和Cl离子对目标变量的贡献相对较小。SHAP值越大，表明对目标变量的影响越大，表明这些特征的集体效应导致腐蚀电流的增加。因此，铝和铜是最具影响力的特征，而其他特征的贡献相对较小。

图2(b) 不同特征的浓度与目标变量腐蚀电流之间的关系

图3展示了不同算法对应的预测结果性能，其中蓝点代表训练集，红点代表测试集。结果表明该模型对镁合金的腐蚀电位和腐蚀电流具有良好的预测性能。

图3(a)展示了随机森林（RF）和额外树（ET）模型在预测腐蚀电位值方面表现得非常好。这些模型在训练集和测试集上都表现出预测值和真实值之间的紧密排列。可以有效地捕获与腐蚀电位相关的数据中的复杂关系和模式，从而得出准确的预测。

XGBoost和决策树（DT）模型也表现出良好的性能，略低于随机森林和额外树。这些模型在预测值和真实值之间显示出相当接近的一致性，从而表明它们能够捕捉腐蚀电位的潜在模式。

线性回归（LR）和KNN模型在预测腐蚀电位方面表现出中等的性能。虽然它们显示了预测值和真实值之间的一些一致性，但数据点中的分散程度略高，表明与腐蚀电位数据的拟合相对较差。

图3(a) 不同机器学习模型预测Ecorr (V)的训练和测试数据上的比较

图3(b)展示了随机森林（RF）模型最擅长捕获数据中复杂的关系。随机森林的预测分布良好，具有较高的通用性和准确性。这表明随机森林有效地利用了多棵树的集体决策来捕捉复杂的关系并提供可靠的预测。

继随机森林之后，额外树（ET）模型显示了类似的特征，并有效地捕获了复杂的关系，因此与单一决策树相比，提供了更广义的预测。XGBoost遵循类似的模式，具有定义良好且紧密排列的集群，表明具有强大的预测能力。线性回归（LR）在捕获数据中的关系方面也表现出相对较好的性能。KNN和决策树（DT）模型捕捉复杂关系的能力较差。

综上所述，随机森林（RF）模型是捕捉复杂关系并在这种特定情况下做出准确预测的最合适选择。其次是额外树、XGBoost、线性回归、KNN和决策树（按性能降序排列）。