耐候钢是一种通过在普通钢中添加Cu、P、Cr和Ni等合金元素而生产的低合金钢。与普通钢相比，耐候钢能在早期阶段形成保护性锈层，从而降低后续的腐蚀速率[1], [2]。因此，它可以免涂装处理或无需稳定锈层即可使用，广泛应用于桥梁、管道、船舶和输电塔等领域[3], [4], [5]。
腐蚀对钢结构剩余使用寿命的影响显著[6], [7], [8]。因此，腐蚀损失已被广泛用于评估钢的腐蚀程度并预测其长期腐蚀行为。值得注意的是，钢的腐蚀损失通常由均匀腐蚀和点蚀的共同贡献所表征，如图1所示。在早期阶段，许多学者基于长期大气腐蚀数据集进行了数据分析并建立了相应的模型[9], [10], [11], [12]，用于预测耐候钢的厚度损失。然而，传统分析方法难以解释多种环境因素对腐蚀的耦合效应，导致在较宽时空范围内基于定量关系预测的腐蚀数据存在显著偏差[13]。随着计算机技术和人工智能的发展，机器学习算法能够满足多种形式的腐蚀数据需求，并显著提高厚度损失预测的精度[14], [15], [16], [17]。
然而，仅通过厚度损失来表征腐蚀行为仍然不足。一方面，在许多国家的耐候钢设计规范中通常需要考虑一定的腐蚀裕量[18], [19], [20]。另一方面，厚度损失无法充分捕捉点蚀的局部效应，点蚀会在钢表面引起局部应力集中，显著降低结构的疲劳寿命。近年来，基于数学统计的概率模型得到了越来越多的发展和应用，用于预测金属的腐蚀演化。这些模型通常可分为基于随机变量的模型和基于随机过程的模型[21], [22], [23]。尽管这些模型建立了关键腐蚀变量与腐蚀特征参数之间的映射关系，但它们通常依赖大量的实验参数，且难以再现表面形貌。
元胞自动机（CA）凭借其模拟复杂物理化学系统的强大能力，为腐蚀演化建模提供了一种有效方法[24]。它可以模拟钢表面的点蚀形貌并获得相应的厚度损失。Zhou等人[25]对服役中的桥梁拉索进行了加速腐蚀试验，并利用CA模型研究了桥梁钢丝的腐蚀损伤演化。Liu等人[26]对桥梁耐候钢螺栓连接进行了加速腐蚀试验，并采用三维元胞自动机模型模拟了螺栓的腐蚀过程。Guo等人[27]开发了一种多状态元胞自动机模型来模拟焊接试样的多相特性。这些模型的开发依赖于加速腐蚀试验结果来确定关键参数并模拟腐蚀形貌。尽管加速腐蚀试验能在一定程度上反映材料的腐蚀行为，但由于实际环境的复杂性，目前尚无加速试验方法能够准确再现材料在实际大气条件下的腐蚀过程。
为了模拟真实大气条件下耐候钢的腐蚀演化，本团队[28]提出了一种基于三维CA的方法，并利用厚度损失确定了关键模型参数，从而实现了实际应用。类似地，Ma Yan等人[29]实现了耐候钢焊接接头的大气腐蚀时间演化预测。然而，该方法在实际应用中仍存在一定的局限性。首先，现有的耐候钢大气腐蚀数据在数量和暴露时长方面仍然有限，难以模拟特定大气条件下不同牌号耐候钢的长期腐蚀演化。其次，传统CA参数选择方法的计算效率和精度有限。这些局限性制约了CA在真实工程结构中的应用。
本研究提出了一种由环境和材料数据驱动的CA方法，可视为一种混合数据驱动和机理建模方法，用于模拟耐候钢在目标服役环境下的大气腐蚀演化。首先，利用可用的环境和材料信息建立了机器学习（ML）模型，用于预测目标环境中的厚度损失。然后将预测的损失作为约束来构建目标函数，并采用粒子群优化（PSO）对关键CA参数进行反演校准。最后，使用优化后的参数进行CA模拟以获得腐蚀演化。通过将模拟结果与捷克和斯洛伐克获得的ATMOFIX 52 A耐候钢10年大气暴露数据进行比较，验证了该方法的准确性和力学性能分析的适用性。结果表明，所提出的方法能够准确再现目标服役环境下耐候钢的大气腐蚀演化，为腐蚀数据库不完善的地区耐候钢结构的服役寿命评估和设计应用提供了一种新方法。
