随着人口的增长和城市化的加快，城市固体废物（MSW）的产生量正在迅速增加[1]。过去五年中，中国每年收集的MSW超过了2.2×10^8吨，这不仅破坏了生态系统和人类健康，还阻碍了经济和社会的发展[1,2]。为了应对减少废物、无害处理和资源回收的迫切需求，并受到国家政策的支持，废物转化为能源（WtE）技术在中国得到了快速发展，已成为MSW管理的主要方法[3,4]。目前，WtE技术正在朝着两个方向发展：一是由于产能过剩而导致的不同类型废物的共焚烧，二是改善用于发电的蒸汽条件[5],[6],[7]。然而，锅炉管的严重腐蚀限制了蒸汽温度的进一步升高[5,8]。
WtE锅炉的工作环境极其恶劣，包括高温氧化、氯化物腐蚀、硫化作用、磨损和电化学腐蚀。氯引起的活性氧化和硫化是主要的腐蚀机制[[9],[10],[11]]。在高温下，HCl、Cl2和SO2与金属和飞灰反应，形成低熔点共晶盐，如碱金属氯化物、硫化物和硫酸盐[9]。沉积在表面的污染物会破坏氧化层，腐蚀性离子与基底接触，从而加速腐蚀速率[[9],[10],[11]]。碱金属盐的挥发受相应金属氯化物的平衡蒸气压控制[[12],[13],[14]]。表S1列出了各种金属氯化物的蒸气压。大多数金属氯化物在600℃以上会显著挥发。据报道，在一个工作温度为500℃、压力为10MPa的废物焚烧炉中，高耐腐蚀性的Inconel 625合金过热器的最大腐蚀速率为1.21毫米/年。在受积灰器影响的区域，这一速率增加到了1.90毫米/年[8]。低熔点共晶盐对保护性氧化层的破坏以及金属氯化物的挥发是导致高腐蚀速率的关键因素。因此，修改商业合金以提高其在这种恶劣环境中的耐腐蚀性至关重要。
传统的研究方法通常依赖实验和经验模型，这些方法耗时、成本高昂且容易受到人为错误的影响。近年来，由于机器学习（ML）技术的快速发展，腐蚀研究发生了革命性的变化[15]。通过数据集，可以确定腐蚀速率、元素和腐蚀性离子之间的关联性和规律性，从而指导新合金的设计[15]。许多研究人员使用ML算法，如随机森林（RF）、K-最近邻（KNN）、支持向量回归（SVR）、AdaBoost、极端梯度提升（XGBoost）和梯度提升决策树（GBDT）来研究和预测材料在不同腐蚀环境中的腐蚀情况[[16],[17],[18]]。Rezaei等人[19]使用XGBoost开发了一种适用于熔盐中Inconel 617合金的腐蚀模型。他们选择合金元素、时间、温度以及Na2SO4、NaCl和V2O5的质量比作为输入，质量增量为输出。该模型在训练集上的准确率为0.98，测试集的准确率未予报告。Wang等人[15]使用多种算法预测了由CO2引起的混凝土腐蚀，并使用四个指标评估了模型准确性：决定系数（R2）、平均绝对误差（MAE）、均方误差（MSE）和均方根误差（RMSE）。DT、KNN和XGBoost算法的R2值接近1，但测试集的准确率分别为0.84、0.92和0.79，表明存在明显的过拟合现象。同时，作者使用Shapley加性解释（SHAP）和部分依赖图（PDP）分析了不同特征对混凝土腐蚀的影响。Wang等人[17,18]结合高通量实验和ML技术，深入研究了高熵合金在熔盐中的腐蚀行为。RF模型在训练集上的准确率为0.92，在5折交叉验证中的平均绝对百分比误差（MAPE）为74.3%，在测试集中的MAPE为56%，表明该模型具有良好的泛化性能。根据SHAP分析，作者观察到Ni的扩散系数对腐蚀速率有显著影响。
锅炉管的高温腐蚀测试通常持续数百小时，材料制备、测试和表征也需要相当长的时间[17]。ML可以大幅缩短这些时间，并识别元素、腐蚀介质、温度和腐蚀速率之间的关系，从而指导新合金的设计。
共使用了六种ML算法，即RF、GBDT、KNN、AdaBoost、XGBoost和CatBoost来预测高温腐蚀行为。通过比较性能指标并将回归结果与Inconel 625合金的高温腐蚀实验数据进行基准测试，选出了最优算法。基于最优算法，使用SHAP和PDP分析解释了单个变量和多个变量对目标变量的影响[15]。结合ML的实验研究探讨了合金元素和环境因素之间的潜在协同效应，从而加深了对熔盐系统中材料腐蚀行为的理解，并为开发适用于高蒸汽参数工作条件的耐腐蚀合金奠定了理论基础。
