基于无量纲特征对齐支持向量回归的预腐蚀桥梁钢小样本疲劳寿命预测与可解释性研究

《Coatings》：Interpretable Machine Learning for Corrosion Fatigue Life Prediction of Q345C Steel with Scarce Experimental Data

　　腐蚀桥梁钢的可靠疲劳寿命预测仍然具有挑战性。严重的表面损伤、稀疏的测试以及异构的文献数据模糊了腐蚀形貌、应力状态与疲劳抗力之间的联系。本研究结合电化学加速腐蚀、三维激光扫描、拉伸测试、轴向疲劳测试和扫描电子显微镜技术，以及可解释机器学习框架，对预腐蚀Q345C钢进行了研究。通过将应力幅值与材料强度进行归一化、添加高斯噪声正则化以及整合多源腐蚀疲劳数据，开发了一个无量纲特征对齐的支持向量回归模型。对于27个实验验证样本，该模型的决定系数为0.795，均方根误差为0.146，其中26个样本落在预定义的两倍误差带内。Shapley加性解释方法确定质量损失率为主导预测因子，并表明归一化应力幅值对疲劳寿命具有物理上合理的负效应。这些结果表明，基于物理信息的无量纲特征对齐可以提高小样本腐蚀疲劳预测的准确性，同时保留与损伤机制之间的可解释性联系。