机器学习融合电化学分析预测碳钢海洋环境应力腐蚀行为研究

《Journal of Industrial and Engineering Chemistry》：Machine learning models for predicting the corrosion behavior of a plain carbon steel in simulated marine environment

本文系统评估六种机器学习模型（LR、RFR、DTR、MLPR、KNR、XGBoost）对碳钢在模拟海洋环境中的腐蚀速率预测性能。研究表明，经超参数优化后XGBoost模型预测精度最高（R2 = 0.97），并通过SHAP分析和电化学验证（LPR、EIS）明确腐蚀因子影响排序：浸泡时长 > pH > Cl-浓度 > 应力 > 温度，为海洋工程材料耐久性评估提供创新技术方案。

　　

Highlight

机器学习模型在预测碳钢腐蚀行为方面表现出色，特别是XGBoost模型通过网格搜索优化后达到最优性能（R² = 0.97）。SHAP分析进一步验证了腐蚀因子的重要性排序，与电化学测试结果高度一致，为理解海洋环境中碳钢的腐蚀机制提供了可靠的数据驱动视角。

Section snippets

Experimental materials

实验所用化学品包括固体氢氧化钠（NaOH，纯度98%）、氯化钠（NaCl）、无水乙醇、环氧树脂、普通碳钢、浓盐酸（HCl）和去离子水。所有化学品均未经进一步纯化直接使用。

Analysis of model prediction accuracy

图3展示了6种机器学习模型在测试数据集上的预测拟合结果。横轴表示实验测得的极化电阻（R_p）值，纵轴表示各模型的预测R_p值。图中红线代表实验值等于预测值的标准线，预测点越接近该线表明模型精度越高。如图3(a)所示，XGBoost模型的预测点紧密分布在标准线两侧，显示出最佳的拟合效果。

Conclusion

通过机器学习对海洋环境下承受应力载荷的碳钢腐蚀行为进行预测，得出以下结论：

（1）在六种模型中，XGBoost经过超参数优化后表现最优（R² = 0.97）；

（2）腐蚀因子重要性排序为浸泡时长 > pH > Cl^-浓度 > 应力 > 温度；

（3）电化学验证（LPR/EIS）与机器学习结果相互印证，建立了可靠的双模态腐蚀预测系统。