基于数据高效的惰性阳极腐蚀速率预测的人为神经网络建模

《Applied Surface Science》：Data-efficient artificial neural network modeling for corrosion rate prediction of inert anodes in aluminum electrolysis

　　

• •
  通过预训练的ANN模型成功预测了腐蚀速率
• •
  模型综合考虑了阳极组成、熔盐组分及工艺参数。
• •
  熔盐中的CaF₂和阳极中的O对腐蚀速率有显著影响。
• •
  氧含量对腐蚀速率的影响最为显著，影响幅度高达?62.2%。

引言

在铝电解过程中，电极材料长期处于高温、强腐蚀性和高电流密度的环境中。其热稳定性、电化学稳定性和结构完整性直接关系到槽寿命、能耗、电流效率和铝液纯度[1]，[2]。由于碳阳极与高能耗和大量碳排放密切相关，研究人员致力于开发替代阳极材料[3]，[4]，[5]。对于惰性阳极及其候选材料，腐蚀不仅会导致材料持续损耗，还会引起保护层失效、界面反应条件变化和电导率变化，从而影响阳极的使用寿命[6]，[7]，[8]。因此，腐蚀速率是评估惰性阳极在铝电解中服役性能的关键指标。目前，腐蚀速率低于10 mm/a通常被视为铝电解候选惰性阳极的关键目标，而低于5 mm/a则表明具有更有利的长期稳定性[9]。

近年来，针对铝电解惰性阳极的腐蚀行为开展了大量研究[10]，[11]，包括阳极材料设计[12]，[13]、氧化膜形成机理[14]，[15]、腐蚀机理分析[16]以及关键工艺因素[17]。研究对象涵盖了金属基、陶瓷基和金属陶瓷基阳极等广泛候选体系[8]。主要研究方向包括阳极组成[18]，[19]、电流密度[20]、电解质组成[11]、电解时间以及预氧化处理[21]，[22]，[23]对腐蚀行为的影响[24]，[25]。Olsen等[26]研究了电解条件下NiFe₂O₄-NiO-Cu阳极中的元素迁移，发现Ni和Al的迁移速度比Cu和Fe更慢，电解后未检测到明显的铜基钝化层。Lorentsen等[27]研究了17Cu-NiFe₂O₄阳极，表明金属相中的Cu可向阳极表面迁移，Cu-Ni合金中Cu的迁移速率比Ni高2~3个数量级，可能通过CuF或CuF₂物种迁移。这些结果表明，NiFe₂O₄基金属陶瓷的腐蚀不仅受陶瓷尖晶石相稳定性的控制，还受金属相的选择性氧化、氟化和向外迁移的影响。Li[28]进一步比较了具有不同金属相的M/(10NiO-NiFe₂O₄)金属陶瓷，发现Cu/(10NiO-NiFe₂O₄)在Na₃AlF₆-Al₂O₃熔盐中电解后表面相对完整。在这种情况下，腐蚀主要归因于各组分溶解，但含Ni和Cu-Ni的金属陶瓷表现出更强的金属相电化学腐蚀。这一发现直接将腐蚀速率与金属相的类型及含量以及金属/陶瓷界面稳定性联系起来。

从电解质角度来看，Blinov等[29]表明降低电解温度可显著减少阳极消耗：NiFe₂O₄-NiO-Cu阳极在800℃下的腐蚀速率低于10^-3 g?cm^?2?h^?1，而在950℃下则超过8×10^-3 g?cm?²?h?¹，表明温度是控制阳极降解的关键因素。近期研究更加关注表面层的演化过程。Liu等[30]报告称，在电解过程中可以形成致密的NiFe₂O₄层并逐渐增厚，而NiO逐渐消失于新生成的尖晶石层中，且Cu的溶解速度比Fe和Ni更快。这些研究表明，表观腐蚀速率受氧化物/尖晶石溶解、金属相氧化与迁移、电解质渗透以及保护层形成或破坏之间动态平衡的支配。

然而，仅凭单一的机理方程无法完全解决腐蚀速率预测问题。电解质组成决定了氧化物的溶解度和氟化物活度[31]，[32]。温度加速了氧化物溶解、扩散和界面反应速率[15]。电流密度改变了阳极极化和表面层生长[33]。电解时间影响腐蚀层是保持保护性还是变得多孔和脱落。材料组成控制了陶瓷相、金属相和金属/陶瓷界面的稳定性[34]。即使是同一种材料体系，在工况变化时，主导的退化途径也可能从氧化膜溶解转变为金属相消耗、电解质渗透或尖晶石层重构。这种复杂性解释了为什么基于机理的模型可以有效解释特定的腐蚀现象，但仍难以在不同的阳极组成、电解质体系和电解条件下进行泛化。

为了解决这一局限，数据辅助的智能建模被引入腐蚀速率预测领域。Li等[35]采用GA-BP优化方法，在遗传算法的迭代过程中使用BP神经网络对个体进行评估。他们以Al₂O₃质量浓度、电解温度、冰晶石比、面积比和电流密度为输入变量，以腐蚀速率为输出变量，建立了网络模型来预测NiFe₂O₄基金属陶瓷阳极的腐蚀速率。该工作展示了利用基于神经网络的方法捕捉电解条件与腐蚀响应之间非线性关系的可行性。

基于上述考虑，本研究针对铝电解中的惰性阳极开发了基于ANN的腐蚀速率预测模型[36]，[37]，[38]。该模型利用实验收集的数据建立阳极组成、电解质化学性质、电解参数与腐蚀速率之间的关系[39]，[40]，[41]。此外，还对模型进行了进一步分析，将预测结果与已知的腐蚀机理联系起来，包括氧化膜稳定性、熔盐腐蚀、金属相选择性溶解、电解质渗透和界面传质。通过这种方式，所提出的建模策略在机理腐蚀分析和智能预测之间架起了一座桥梁，为复杂铝电解条件下惰性阳极材料的筛选和优化提供了一种数据驱动的工具。

章节摘要

简要说明

采用ANN来捕捉从实验变量到惰性阳极腐蚀速率的非线性输入-输出映射关系。在每个神经元中，来自前一层的输入信号经过加权、与偏置项求和后，再由激活函数进行变换[42]，[43]。在ANN模型中，典型神经元如图1(a)所示，其数学公式如式(1)所示。$$y=f\left(\sum _{i=1}^m{p}_i·w_i+b\right)$$

对于该神经元，将输入元素（x_i）与权重（w_i）的乘积加上偏置项（b）作为

模型验证

在本研究中，腐蚀速率由预训练的ANN模型进行预测，该模型是描述惰性阳极腐蚀速率的一个重要核函数。ANN模型的主要结构通过上述过程建立，输入参数也已确定。在确定结构和参数后，需要对ANN模型进行验证工作。所有实验结果被随机分为三个子集，即训练集、验证集，

结论

本研究开发了一种基于文献的ANN框架，用于在小样本条件下预测铝电解惰性阳极的腐蚀速率。共收集和标准化了234个文献来源的样本。输入变量被组织为七个类别，并进一步向量化为28个数值描述符，包括阳极组成、熔盐组成、预氧化条件、电解温度、电解时间和电流密度。两种

CRediT作者贡献声明

Yu Wang：撰写——审阅与编辑，撰写——初稿，方法论，概念构思。Luodan Xiang：调查研究，资金获取，数据整理。Bo Wang：撰写——初稿，方法论，调查研究，资金获取，概念构思。Yan Liu：指导，资源提供，方法论，资金获取。Ting-an Zhang：指导，资源提供。

利益冲突声明

作者声明不存在任何已知的可能影响本文所述工作的竞争性经济利益或个人关系。

致谢

我们衷心感谢国家重点研发计划（编号：2023YFC2908001）、中央高校基础研究基金（编号：N25LPY053）以及东北大学人才引进支持基金对本项目的支持，Bo Wang（编号：01270021920501*239）。

Yu Wang|Luodan Xiang|Bo Wang|Yan Liu|Ting-an Zhang