Study on soil corrosion monitoring of substation in Zhejiang province
1
2020
... 腐蚀问题是全球普遍存在的问题[1].根据NACE发布的研究表明，全球腐蚀总成本约为2.5万亿美元，相当于全球GDP的3.4%[2]；而中国的腐蚀成本约为21278亿人民币 (约3100亿美元)，约占国内生产总值的3.34%[3]；由此可见由腐蚀导致的经济损失是巨大的，而因腐蚀产生的间接损失更是无法估量[4].因此开展腐蚀的研究具有十分重要的现实意义. ...
浙江省变电站土壤腐蚀监测研究
1
2020
... 腐蚀问题是全球普遍存在的问题[1].根据NACE发布的研究表明，全球腐蚀总成本约为2.5万亿美元，相当于全球GDP的3.4%[2]；而中国的腐蚀成本约为21278亿人民币 (约3100亿美元)，约占国内生产总值的3.34%[3]；由此可见由腐蚀导致的经济损失是巨大的，而因腐蚀产生的间接损失更是无法估量[4].因此开展腐蚀的研究具有十分重要的现实意义. ...
International measures of prevention
1
... 腐蚀问题是全球普遍存在的问题[1].根据NACE发布的研究表明，全球腐蚀总成本约为2.5万亿美元，相当于全球GDP的3.4%[2]；而中国的腐蚀成本约为21278亿人民币 (约3100亿美元)，约占国内生产总值的3.34%[3]；由此可见由腐蚀导致的经济损失是巨大的，而因腐蚀产生的间接损失更是无法估量[4].因此开展腐蚀的研究具有十分重要的现实意义. ...
Corrosion cost and preventive strategies in China
1
2018
... 腐蚀问题是全球普遍存在的问题[1].根据NACE发布的研究表明，全球腐蚀总成本约为2.5万亿美元，相当于全球GDP的3.4%[2]；而中国的腐蚀成本约为21278亿人民币 (约3100亿美元)，约占国内生产总值的3.34%[3]；由此可见由腐蚀导致的经济损失是巨大的，而因腐蚀产生的间接损失更是无法估量[4].因此开展腐蚀的研究具有十分重要的现实意义. ...
我国腐蚀成本及其防控策略
1
2018
... 腐蚀问题是全球普遍存在的问题[1].根据NACE发布的研究表明，全球腐蚀总成本约为2.5万亿美元，相当于全球GDP的3.4%[2]；而中国的腐蚀成本约为21278亿人民币 (约3100亿美元)，约占国内生产总值的3.34%[3]；由此可见由腐蚀导致的经济损失是巨大的，而因腐蚀产生的间接损失更是无法估量[4].因此开展腐蚀的研究具有十分重要的现实意义. ...
Evaluation of soil corrosivity for ground grid of substations in an area by factor analysis
1
2014
... 腐蚀问题是全球普遍存在的问题[1].根据NACE发布的研究表明，全球腐蚀总成本约为2.5万亿美元，相当于全球GDP的3.4%[2]；而中国的腐蚀成本约为21278亿人民币 (约3100亿美元)，约占国内生产总值的3.34%[3]；由此可见由腐蚀导致的经济损失是巨大的，而因腐蚀产生的间接损失更是无法估量[4].因此开展腐蚀的研究具有十分重要的现实意义. ...
因子分析法在变电站土壤腐蚀性评价中的应用
1
2014
... 腐蚀问题是全球普遍存在的问题[1].根据NACE发布的研究表明，全球腐蚀总成本约为2.5万亿美元，相当于全球GDP的3.4%[2]；而中国的腐蚀成本约为21278亿人民币 (约3100亿美元)，约占国内生产总值的3.34%[3]；由此可见由腐蚀导致的经济损失是巨大的，而因腐蚀产生的间接损失更是无法估量[4].因此开展腐蚀的研究具有十分重要的现实意义. ...
Editorial-Future frontiers in corrosion science and engineering, Part II: Managing the many stages of corrosion
2
2019
... 腐蚀是由材料与环境交互作用所引起的材料损失或失效，腐蚀过程往往包含电化学、化学或物理等多种作用[5,6]，由于腐蚀过程受材料、环境以及时间等多种因素影响，如何识别腐蚀过程的影响因素，并对腐蚀发展进行准确预测一直是腐蚀研究的重要方向.实际生产中的腐蚀往往影响因素较多，难以系统地分析各影响因素间复杂的关系[7].多年来，研究人员主要依赖实验或测试方法来积累腐蚀数据，开展腐蚀研究[8].其中对于庞大的腐蚀数据，仅人为的分析处理不仅耗时久而且正确性也难以保证.机器学习技术由于具有成本低、计算效率高、周期短、尺度广等特点[9]，可以克服传统腐蚀研究的弊端，为腐蚀数据的分析与腐蚀预测模型的建立提供有力的工具[10]；同时机器学习模型还具备灵活性，可以反映腐蚀数据的动态变化特征[5].近年来，机器学习方法已经在材料成分优化、新材料研发等领域得到了较多的应用，利用机器学习对不同自然环境下的腐蚀预测展开了大量的研究，极大地加快了材料腐蚀研究的进程. ...
... [5].近年来，机器学习方法已经在材料成分优化、新材料研发等领域得到了较多的应用，利用机器学习对不同自然环境下的腐蚀预测展开了大量的研究，极大地加快了材料腐蚀研究的进程. ...
1
2005
... 腐蚀是由材料与环境交互作用所引起的材料损失或失效，腐蚀过程往往包含电化学、化学或物理等多种作用[5,6]，由于腐蚀过程受材料、环境以及时间等多种因素影响，如何识别腐蚀过程的影响因素，并对腐蚀发展进行准确预测一直是腐蚀研究的重要方向.实际生产中的腐蚀往往影响因素较多，难以系统地分析各影响因素间复杂的关系[7].多年来，研究人员主要依赖实验或测试方法来积累腐蚀数据，开展腐蚀研究[8].其中对于庞大的腐蚀数据，仅人为的分析处理不仅耗时久而且正确性也难以保证.机器学习技术由于具有成本低、计算效率高、周期短、尺度广等特点[9]，可以克服传统腐蚀研究的弊端，为腐蚀数据的分析与腐蚀预测模型的建立提供有力的工具[10]；同时机器学习模型还具备灵活性，可以反映腐蚀数据的动态变化特征[5].近年来，机器学习方法已经在材料成分优化、新材料研发等领域得到了较多的应用，利用机器学习对不同自然环境下的腐蚀预测展开了大量的研究，极大地加快了材料腐蚀研究的进程. ...
1
2005
... 腐蚀是由材料与环境交互作用所引起的材料损失或失效，腐蚀过程往往包含电化学、化学或物理等多种作用[5,6]，由于腐蚀过程受材料、环境以及时间等多种因素影响，如何识别腐蚀过程的影响因素，并对腐蚀发展进行准确预测一直是腐蚀研究的重要方向.实际生产中的腐蚀往往影响因素较多，难以系统地分析各影响因素间复杂的关系[7].多年来，研究人员主要依赖实验或测试方法来积累腐蚀数据，开展腐蚀研究[8].其中对于庞大的腐蚀数据，仅人为的分析处理不仅耗时久而且正确性也难以保证.机器学习技术由于具有成本低、计算效率高、周期短、尺度广等特点[9]，可以克服传统腐蚀研究的弊端，为腐蚀数据的分析与腐蚀预测模型的建立提供有力的工具[10]；同时机器学习模型还具备灵活性，可以反映腐蚀数据的动态变化特征[5].近年来，机器学习方法已经在材料成分优化、新材料研发等领域得到了较多的应用，利用机器学习对不同自然环境下的腐蚀预测展开了大量的研究，极大地加快了材料腐蚀研究的进程. ...
Machine learning for materials research and development
1
2021
... 腐蚀是由材料与环境交互作用所引起的材料损失或失效，腐蚀过程往往包含电化学、化学或物理等多种作用[5,6]，由于腐蚀过程受材料、环境以及时间等多种因素影响，如何识别腐蚀过程的影响因素，并对腐蚀发展进行准确预测一直是腐蚀研究的重要方向.实际生产中的腐蚀往往影响因素较多，难以系统地分析各影响因素间复杂的关系[7].多年来，研究人员主要依赖实验或测试方法来积累腐蚀数据，开展腐蚀研究[8].其中对于庞大的腐蚀数据，仅人为的分析处理不仅耗时久而且正确性也难以保证.机器学习技术由于具有成本低、计算效率高、周期短、尺度广等特点[9]，可以克服传统腐蚀研究的弊端，为腐蚀数据的分析与腐蚀预测模型的建立提供有力的工具[10]；同时机器学习模型还具备灵活性，可以反映腐蚀数据的动态变化特征[5].近年来，机器学习方法已经在材料成分优化、新材料研发等领域得到了较多的应用，利用机器学习对不同自然环境下的腐蚀预测展开了大量的研究，极大地加快了材料腐蚀研究的进程. ...
机器学习在材料研发中的应用
1
2021
... 腐蚀是由材料与环境交互作用所引起的材料损失或失效，腐蚀过程往往包含电化学、化学或物理等多种作用[5,6]，由于腐蚀过程受材料、环境以及时间等多种因素影响，如何识别腐蚀过程的影响因素，并对腐蚀发展进行准确预测一直是腐蚀研究的重要方向.实际生产中的腐蚀往往影响因素较多，难以系统地分析各影响因素间复杂的关系[7].多年来，研究人员主要依赖实验或测试方法来积累腐蚀数据，开展腐蚀研究[8].其中对于庞大的腐蚀数据，仅人为的分析处理不仅耗时久而且正确性也难以保证.机器学习技术由于具有成本低、计算效率高、周期短、尺度广等特点[9]，可以克服传统腐蚀研究的弊端，为腐蚀数据的分析与腐蚀预测模型的建立提供有力的工具[10]；同时机器学习模型还具备灵活性，可以反映腐蚀数据的动态变化特征[5].近年来，机器学习方法已经在材料成分优化、新材料研发等领域得到了较多的应用，利用机器学习对不同自然环境下的腐蚀预测展开了大量的研究，极大地加快了材料腐蚀研究的进程. ...
Machine learning-based image processing in materials science and engineering: A review
1
2022
... 腐蚀是由材料与环境交互作用所引起的材料损失或失效，腐蚀过程往往包含电化学、化学或物理等多种作用[5,6]，由于腐蚀过程受材料、环境以及时间等多种因素影响，如何识别腐蚀过程的影响因素，并对腐蚀发展进行准确预测一直是腐蚀研究的重要方向.实际生产中的腐蚀往往影响因素较多，难以系统地分析各影响因素间复杂的关系[7].多年来，研究人员主要依赖实验或测试方法来积累腐蚀数据，开展腐蚀研究[8].其中对于庞大的腐蚀数据，仅人为的分析处理不仅耗时久而且正确性也难以保证.机器学习技术由于具有成本低、计算效率高、周期短、尺度广等特点[9]，可以克服传统腐蚀研究的弊端，为腐蚀数据的分析与腐蚀预测模型的建立提供有力的工具[10]；同时机器学习模型还具备灵活性，可以反映腐蚀数据的动态变化特征[5].近年来，机器学习方法已经在材料成分优化、新材料研发等领域得到了较多的应用，利用机器学习对不同自然环境下的腐蚀预测展开了大量的研究，极大地加快了材料腐蚀研究的进程. ...
Research progress of machine learning in material science
1
2021
... 腐蚀是由材料与环境交互作用所引起的材料损失或失效，腐蚀过程往往包含电化学、化学或物理等多种作用[5,6]，由于腐蚀过程受材料、环境以及时间等多种因素影响，如何识别腐蚀过程的影响因素，并对腐蚀发展进行准确预测一直是腐蚀研究的重要方向.实际生产中的腐蚀往往影响因素较多，难以系统地分析各影响因素间复杂的关系[7].多年来，研究人员主要依赖实验或测试方法来积累腐蚀数据，开展腐蚀研究[8].其中对于庞大的腐蚀数据，仅人为的分析处理不仅耗时久而且正确性也难以保证.机器学习技术由于具有成本低、计算效率高、周期短、尺度广等特点[9]，可以克服传统腐蚀研究的弊端，为腐蚀数据的分析与腐蚀预测模型的建立提供有力的工具[10]；同时机器学习模型还具备灵活性，可以反映腐蚀数据的动态变化特征[5].近年来，机器学习方法已经在材料成分优化、新材料研发等领域得到了较多的应用，利用机器学习对不同自然环境下的腐蚀预测展开了大量的研究，极大地加快了材料腐蚀研究的进程. ...
机器学习技术在材料科学领域中的应用进展
1
2021
... 腐蚀是由材料与环境交互作用所引起的材料损失或失效，腐蚀过程往往包含电化学、化学或物理等多种作用[5,6]，由于腐蚀过程受材料、环境以及时间等多种因素影响，如何识别腐蚀过程的影响因素，并对腐蚀发展进行准确预测一直是腐蚀研究的重要方向.实际生产中的腐蚀往往影响因素较多，难以系统地分析各影响因素间复杂的关系[7].多年来，研究人员主要依赖实验或测试方法来积累腐蚀数据，开展腐蚀研究[8].其中对于庞大的腐蚀数据，仅人为的分析处理不仅耗时久而且正确性也难以保证.机器学习技术由于具有成本低、计算效率高、周期短、尺度广等特点[9]，可以克服传统腐蚀研究的弊端，为腐蚀数据的分析与腐蚀预测模型的建立提供有力的工具[10]；同时机器学习模型还具备灵活性，可以反映腐蚀数据的动态变化特征[5].近年来，机器学习方法已经在材料成分优化、新材料研发等领域得到了较多的应用，利用机器学习对不同自然环境下的腐蚀预测展开了大量的研究，极大地加快了材料腐蚀研究的进程. ...
Catalyze materials science with machine learning
1
2021
... 腐蚀是由材料与环境交互作用所引起的材料损失或失效，腐蚀过程往往包含电化学、化学或物理等多种作用[5,6]，由于腐蚀过程受材料、环境以及时间等多种因素影响，如何识别腐蚀过程的影响因素，并对腐蚀发展进行准确预测一直是腐蚀研究的重要方向.实际生产中的腐蚀往往影响因素较多，难以系统地分析各影响因素间复杂的关系[7].多年来，研究人员主要依赖实验或测试方法来积累腐蚀数据，开展腐蚀研究[8].其中对于庞大的腐蚀数据，仅人为的分析处理不仅耗时久而且正确性也难以保证.机器学习技术由于具有成本低、计算效率高、周期短、尺度广等特点[9]，可以克服传统腐蚀研究的弊端，为腐蚀数据的分析与腐蚀预测模型的建立提供有力的工具[10]；同时机器学习模型还具备灵活性，可以反映腐蚀数据的动态变化特征[5].近年来，机器学习方法已经在材料成分优化、新材料研发等领域得到了较多的应用，利用机器学习对不同自然环境下的腐蚀预测展开了大量的研究，极大地加快了材料腐蚀研究的进程. ...
Machine learning and data mining in manufacturing
1
2021
... 常用的机器学习算法主要包括线性回归、神经网络、随机森林、支持向量机、K最近邻算法、遗传算法、灰关联分析法、模糊聚类等，每一类算法都有独特的特点和应用场景.线性回归 (LR) 可以解决简单的回归问题，具有计算简单、训练速度快的特点，但不能拟合非线性的数据[11,12].神经网络不仅具有大规模处理信息、分布储存、自组织及自学习、良好的容错性以及推广能力的优势，尽管神经网络并不依赖于精确的数学模型[13~16]，但神经网络模型往往缺乏统一的数学理论，容易陷入局部最小化，影响全局优化；并且对小样本数据集泛化能力较弱；在结构设计 (隐藏节点数量的选择) 方面也很大程度上取决于设计者的先验知识和经验，容易过拟合[17].随机森林 (RF) 不仅可以实现小样本下的非线性建模过程，而且具有易于实现、抗过拟合、性能优良、鲁棒性、可解释性等优点，且模型层数较深，可以很好地反映输入量微小的变化对输出量的影响，对于处理陡峭流形结构数据具有一定的优势[18].支持向量机 (SVM) 可以实现腐蚀数据量较小情形下的非线性建模过程且具有较好的泛化能力，但属于浅层模型，难以解决陡峭流形结构数据的问题[18].K最近邻算法可用于处理回归问题和分类问题，但该算法计算量较大，而且当数据不均衡时，预测偏差较大[19~21].遗传算法是一种类似自然进化过程来寻找最优解的算法；通过模拟自然界的优胜劣汰、适者生存现象，最终获得最优解[22~24]；遗传算法的优点之一就是全局寻优[13]，该算法不仅可以优化BP神经网络模型的权阈值，还可以优化网络的拓扑结构[25].灰关联分析法不仅样本数据需求量相对较少，还可以对有限的以及表面无规律的数据进行相关分析处理，从而找到系统自身存在的潜在规律特征[26,27].模糊聚类的分析对象多是未分类的群体，将事物间的特征、相似性及亲疏关系作为依据，建立模糊相似关系，从而对客观事物进行分类[27,28]. ...
Accelerating the discovery of hidden two-dimensional magnets using machine learning and first principle calculations
1
2018
... 常用的机器学习算法主要包括线性回归、神经网络、随机森林、支持向量机、K最近邻算法、遗传算法、灰关联分析法、模糊聚类等，每一类算法都有独特的特点和应用场景.线性回归 (LR) 可以解决简单的回归问题，具有计算简单、训练速度快的特点，但不能拟合非线性的数据[11,12].神经网络不仅具有大规模处理信息、分布储存、自组织及自学习、良好的容错性以及推广能力的优势，尽管神经网络并不依赖于精确的数学模型[13~16]，但神经网络模型往往缺乏统一的数学理论，容易陷入局部最小化，影响全局优化；并且对小样本数据集泛化能力较弱；在结构设计 (隐藏节点数量的选择) 方面也很大程度上取决于设计者的先验知识和经验，容易过拟合[17].随机森林 (RF) 不仅可以实现小样本下的非线性建模过程，而且具有易于实现、抗过拟合、性能优良、鲁棒性、可解释性等优点，且模型层数较深，可以很好地反映输入量微小的变化对输出量的影响，对于处理陡峭流形结构数据具有一定的优势[18].支持向量机 (SVM) 可以实现腐蚀数据量较小情形下的非线性建模过程且具有较好的泛化能力，但属于浅层模型，难以解决陡峭流形结构数据的问题[18].K最近邻算法可用于处理回归问题和分类问题，但该算法计算量较大，而且当数据不均衡时，预测偏差较大[19~21].遗传算法是一种类似自然进化过程来寻找最优解的算法；通过模拟自然界的优胜劣汰、适者生存现象，最终获得最优解[22~24]；遗传算法的优点之一就是全局寻优[13]，该算法不仅可以优化BP神经网络模型的权阈值，还可以优化网络的拓扑结构[25].灰关联分析法不仅样本数据需求量相对较少，还可以对有限的以及表面无规律的数据进行相关分析处理，从而找到系统自身存在的潜在规律特征[26,27].模糊聚类的分析对象多是未分类的群体，将事物间的特征、相似性及亲疏关系作为依据，建立模糊相似关系，从而对客观事物进行分类[27,28]. ...
2
2010
... 常用的机器学习算法主要包括线性回归、神经网络、随机森林、支持向量机、K最近邻算法、遗传算法、灰关联分析法、模糊聚类等，每一类算法都有独特的特点和应用场景.线性回归 (LR) 可以解决简单的回归问题，具有计算简单、训练速度快的特点，但不能拟合非线性的数据[11,12].神经网络不仅具有大规模处理信息、分布储存、自组织及自学习、良好的容错性以及推广能力的优势，尽管神经网络并不依赖于精确的数学模型[13~16]，但神经网络模型往往缺乏统一的数学理论，容易陷入局部最小化，影响全局优化；并且对小样本数据集泛化能力较弱；在结构设计 (隐藏节点数量的选择) 方面也很大程度上取决于设计者的先验知识和经验，容易过拟合[17].随机森林 (RF) 不仅可以实现小样本下的非线性建模过程，而且具有易于实现、抗过拟合、性能优良、鲁棒性、可解释性等优点，且模型层数较深，可以很好地反映输入量微小的变化对输出量的影响，对于处理陡峭流形结构数据具有一定的优势[18].支持向量机 (SVM) 可以实现腐蚀数据量较小情形下的非线性建模过程且具有较好的泛化能力，但属于浅层模型，难以解决陡峭流形结构数据的问题[18].K最近邻算法可用于处理回归问题和分类问题，但该算法计算量较大，而且当数据不均衡时，预测偏差较大[19~21].遗传算法是一种类似自然进化过程来寻找最优解的算法；通过模拟自然界的优胜劣汰、适者生存现象，最终获得最优解[22~24]；遗传算法的优点之一就是全局寻优[13]，该算法不仅可以优化BP神经网络模型的权阈值，还可以优化网络的拓扑结构[25].灰关联分析法不仅样本数据需求量相对较少，还可以对有限的以及表面无规律的数据进行相关分析处理，从而找到系统自身存在的潜在规律特征[26,27].模糊聚类的分析对象多是未分类的群体，将事物间的特征、相似性及亲疏关系作为依据，建立模糊相似关系，从而对客观事物进行分类[27,28]. ...
... [13]，该算法不仅可以优化BP神经网络模型的权阈值，还可以优化网络的拓扑结构[25].灰关联分析法不仅样本数据需求量相对较少，还可以对有限的以及表面无规律的数据进行相关分析处理，从而找到系统自身存在的潜在规律特征[26,27].模糊聚类的分析对象多是未分类的群体，将事物间的特征、相似性及亲疏关系作为依据，建立模糊相似关系，从而对客观事物进行分类[27,28]. ...
2
2010
... 常用的机器学习算法主要包括线性回归、神经网络、随机森林、支持向量机、K最近邻算法、遗传算法、灰关联分析法、模糊聚类等，每一类算法都有独特的特点和应用场景.线性回归 (LR) 可以解决简单的回归问题，具有计算简单、训练速度快的特点，但不能拟合非线性的数据[11,12].神经网络不仅具有大规模处理信息、分布储存、自组织及自学习、良好的容错性以及推广能力的优势，尽管神经网络并不依赖于精确的数学模型[13~16]，但神经网络模型往往缺乏统一的数学理论，容易陷入局部最小化，影响全局优化；并且对小样本数据集泛化能力较弱；在结构设计 (隐藏节点数量的选择) 方面也很大程度上取决于设计者的先验知识和经验，容易过拟合[17].随机森林 (RF) 不仅可以实现小样本下的非线性建模过程，而且具有易于实现、抗过拟合、性能优良、鲁棒性、可解释性等优点，且模型层数较深，可以很好地反映输入量微小的变化对输出量的影响，对于处理陡峭流形结构数据具有一定的优势[18].支持向量机 (SVM) 可以实现腐蚀数据量较小情形下的非线性建模过程且具有较好的泛化能力，但属于浅层模型，难以解决陡峭流形结构数据的问题[18].K最近邻算法可用于处理回归问题和分类问题，但该算法计算量较大，而且当数据不均衡时，预测偏差较大[19~21].遗传算法是一种类似自然进化过程来寻找最优解的算法；通过模拟自然界的优胜劣汰、适者生存现象，最终获得最优解[22~24]；遗传算法的优点之一就是全局寻优[13]，该算法不仅可以优化BP神经网络模型的权阈值，还可以优化网络的拓扑结构[25].灰关联分析法不仅样本数据需求量相对较少，还可以对有限的以及表面无规律的数据进行相关分析处理，从而找到系统自身存在的潜在规律特征[26,27].模糊聚类的分析对象多是未分类的群体，将事物间的特征、相似性及亲疏关系作为依据，建立模糊相似关系，从而对客观事物进行分类[27,28]. ...
... [13]，该算法不仅可以优化BP神经网络模型的权阈值，还可以优化网络的拓扑结构[25].灰关联分析法不仅样本数据需求量相对较少，还可以对有限的以及表面无规律的数据进行相关分析处理，从而找到系统自身存在的潜在规律特征[26,27].模糊聚类的分析对象多是未分类的群体，将事物间的特征、相似性及亲疏关系作为依据，建立模糊相似关系，从而对客观事物进行分类[27,28]. ...
Forecast combining with neural networks
0
1996
Research on urban air quality based on a BP neural network prediction model
0
2009
城市区域空气质量的BP神经网络预测研究
0
2009
GDP prediction based on principal component analysis and Bayesian regularization BP neural network
1
2011
... 常用的机器学习算法主要包括线性回归、神经网络、随机森林、支持向量机、K最近邻算法、遗传算法、灰关联分析法、模糊聚类等，每一类算法都有独特的特点和应用场景.线性回归 (LR) 可以解决简单的回归问题，具有计算简单、训练速度快的特点，但不能拟合非线性的数据[11,12].神经网络不仅具有大规模处理信息、分布储存、自组织及自学习、良好的容错性以及推广能力的优势，尽管神经网络并不依赖于精确的数学模型[13~16]，但神经网络模型往往缺乏统一的数学理论，容易陷入局部最小化，影响全局优化；并且对小样本数据集泛化能力较弱；在结构设计 (隐藏节点数量的选择) 方面也很大程度上取决于设计者的先验知识和经验，容易过拟合[17].随机森林 (RF) 不仅可以实现小样本下的非线性建模过程，而且具有易于实现、抗过拟合、性能优良、鲁棒性、可解释性等优点，且模型层数较深，可以很好地反映输入量微小的变化对输出量的影响，对于处理陡峭流形结构数据具有一定的优势[18].支持向量机 (SVM) 可以实现腐蚀数据量较小情形下的非线性建模过程且具有较好的泛化能力，但属于浅层模型，难以解决陡峭流形结构数据的问题[18].K最近邻算法可用于处理回归问题和分类问题，但该算法计算量较大，而且当数据不均衡时，预测偏差较大[19~21].遗传算法是一种类似自然进化过程来寻找最优解的算法；通过模拟自然界的优胜劣汰、适者生存现象，最终获得最优解[22~24]；遗传算法的优点之一就是全局寻优[13]，该算法不仅可以优化BP神经网络模型的权阈值，还可以优化网络的拓扑结构[25].灰关联分析法不仅样本数据需求量相对较少，还可以对有限的以及表面无规律的数据进行相关分析处理，从而找到系统自身存在的潜在规律特征[26,27].模糊聚类的分析对象多是未分类的群体，将事物间的特征、相似性及亲疏关系作为依据，建立模糊相似关系，从而对客观事物进行分类[27,28]. ...
基于主成分分析和贝叶斯正则化BP神经网络的GDP预测
1
2011
... 常用的机器学习算法主要包括线性回归、神经网络、随机森林、支持向量机、K最近邻算法、遗传算法、灰关联分析法、模糊聚类等，每一类算法都有独特的特点和应用场景.线性回归 (LR) 可以解决简单的回归问题，具有计算简单、训练速度快的特点，但不能拟合非线性的数据[11,12].神经网络不仅具有大规模处理信息、分布储存、自组织及自学习、良好的容错性以及推广能力的优势，尽管神经网络并不依赖于精确的数学模型[13~16]，但神经网络模型往往缺乏统一的数学理论，容易陷入局部最小化，影响全局优化；并且对小样本数据集泛化能力较弱；在结构设计 (隐藏节点数量的选择) 方面也很大程度上取决于设计者的先验知识和经验，容易过拟合[17].随机森林 (RF) 不仅可以实现小样本下的非线性建模过程，而且具有易于实现、抗过拟合、性能优良、鲁棒性、可解释性等优点，且模型层数较深，可以很好地反映输入量微小的变化对输出量的影响，对于处理陡峭流形结构数据具有一定的优势[18].支持向量机 (SVM) 可以实现腐蚀数据量较小情形下的非线性建模过程且具有较好的泛化能力，但属于浅层模型，难以解决陡峭流形结构数据的问题[18].K最近邻算法可用于处理回归问题和分类问题，但该算法计算量较大，而且当数据不均衡时，预测偏差较大[19~21].遗传算法是一种类似自然进化过程来寻找最优解的算法；通过模拟自然界的优胜劣汰、适者生存现象，最终获得最优解[22~24]；遗传算法的优点之一就是全局寻优[13]，该算法不仅可以优化BP神经网络模型的权阈值，还可以优化网络的拓扑结构[25].灰关联分析法不仅样本数据需求量相对较少，还可以对有限的以及表面无规律的数据进行相关分析处理，从而找到系统自身存在的潜在规律特征[26,27].模糊聚类的分析对象多是未分类的群体，将事物间的特征、相似性及亲疏关系作为依据，建立模糊相似关系，从而对客观事物进行分类[27,28]. ...
Research progress on corrosion of shipboard steel in marine environment
1
2019
... 常用的机器学习算法主要包括线性回归、神经网络、随机森林、支持向量机、K最近邻算法、遗传算法、灰关联分析法、模糊聚类等，每一类算法都有独特的特点和应用场景.线性回归 (LR) 可以解决简单的回归问题，具有计算简单、训练速度快的特点，但不能拟合非线性的数据[11,12].神经网络不仅具有大规模处理信息、分布储存、自组织及自学习、良好的容错性以及推广能力的优势，尽管神经网络并不依赖于精确的数学模型[13~16]，但神经网络模型往往缺乏统一的数学理论，容易陷入局部最小化，影响全局优化；并且对小样本数据集泛化能力较弱；在结构设计 (隐藏节点数量的选择) 方面也很大程度上取决于设计者的先验知识和经验，容易过拟合[17].随机森林 (RF) 不仅可以实现小样本下的非线性建模过程，而且具有易于实现、抗过拟合、性能优良、鲁棒性、可解释性等优点，且模型层数较深，可以很好地反映输入量微小的变化对输出量的影响，对于处理陡峭流形结构数据具有一定的优势[18].支持向量机 (SVM) 可以实现腐蚀数据量较小情形下的非线性建模过程且具有较好的泛化能力，但属于浅层模型，难以解决陡峭流形结构数据的问题[18].K最近邻算法可用于处理回归问题和分类问题，但该算法计算量较大，而且当数据不均衡时，预测偏差较大[19~21].遗传算法是一种类似自然进化过程来寻找最优解的算法；通过模拟自然界的优胜劣汰、适者生存现象，最终获得最优解[22~24]；遗传算法的优点之一就是全局寻优[13]，该算法不仅可以优化BP神经网络模型的权阈值，还可以优化网络的拓扑结构[25].灰关联分析法不仅样本数据需求量相对较少，还可以对有限的以及表面无规律的数据进行相关分析处理，从而找到系统自身存在的潜在规律特征[26,27].模糊聚类的分析对象多是未分类的群体，将事物间的特征、相似性及亲疏关系作为依据，建立模糊相似关系，从而对客观事物进行分类[27,28]. ...
船板钢在海洋环境下腐蚀研究进展
1
2019
... 常用的机器学习算法主要包括线性回归、神经网络、随机森林、支持向量机、K最近邻算法、遗传算法、灰关联分析法、模糊聚类等，每一类算法都有独特的特点和应用场景.线性回归 (LR) 可以解决简单的回归问题，具有计算简单、训练速度快的特点，但不能拟合非线性的数据[11,12].神经网络不仅具有大规模处理信息、分布储存、自组织及自学习、良好的容错性以及推广能力的优势，尽管神经网络并不依赖于精确的数学模型[13~16]，但神经网络模型往往缺乏统一的数学理论，容易陷入局部最小化，影响全局优化；并且对小样本数据集泛化能力较弱；在结构设计 (隐藏节点数量的选择) 方面也很大程度上取决于设计者的先验知识和经验，容易过拟合[17].随机森林 (RF) 不仅可以实现小样本下的非线性建模过程，而且具有易于实现、抗过拟合、性能优良、鲁棒性、可解释性等优点，且模型层数较深，可以很好地反映输入量微小的变化对输出量的影响，对于处理陡峭流形结构数据具有一定的优势[18].支持向量机 (SVM) 可以实现腐蚀数据量较小情形下的非线性建模过程且具有较好的泛化能力，但属于浅层模型，难以解决陡峭流形结构数据的问题[18].K最近邻算法可用于处理回归问题和分类问题，但该算法计算量较大，而且当数据不均衡时，预测偏差较大[19~21].遗传算法是一种类似自然进化过程来寻找最优解的算法；通过模拟自然界的优胜劣汰、适者生存现象，最终获得最优解[22~24]；遗传算法的优点之一就是全局寻优[13]，该算法不仅可以优化BP神经网络模型的权阈值，还可以优化网络的拓扑结构[25].灰关联分析法不仅样本数据需求量相对较少，还可以对有限的以及表面无规律的数据进行相关分析处理，从而找到系统自身存在的潜在规律特征[26,27].模糊聚类的分析对象多是未分类的群体，将事物间的特征、相似性及亲疏关系作为依据，建立模糊相似关系，从而对客观事物进行分类[27,28]. ...
Data-driven prediction model for small sample data of metal materials atmospheric corrosion
8
2019
... 常用的机器学习算法主要包括线性回归、神经网络、随机森林、支持向量机、K最近邻算法、遗传算法、灰关联分析法、模糊聚类等，每一类算法都有独特的特点和应用场景.线性回归 (LR) 可以解决简单的回归问题，具有计算简单、训练速度快的特点，但不能拟合非线性的数据[11,12].神经网络不仅具有大规模处理信息、分布储存、自组织及自学习、良好的容错性以及推广能力的优势，尽管神经网络并不依赖于精确的数学模型[13~16]，但神经网络模型往往缺乏统一的数学理论，容易陷入局部最小化，影响全局优化；并且对小样本数据集泛化能力较弱；在结构设计 (隐藏节点数量的选择) 方面也很大程度上取决于设计者的先验知识和经验，容易过拟合[17].随机森林 (RF) 不仅可以实现小样本下的非线性建模过程，而且具有易于实现、抗过拟合、性能优良、鲁棒性、可解释性等优点，且模型层数较深，可以很好地反映输入量微小的变化对输出量的影响，对于处理陡峭流形结构数据具有一定的优势[18].支持向量机 (SVM) 可以实现腐蚀数据量较小情形下的非线性建模过程且具有较好的泛化能力，但属于浅层模型，难以解决陡峭流形结构数据的问题[18].K最近邻算法可用于处理回归问题和分类问题，但该算法计算量较大，而且当数据不均衡时，预测偏差较大[19~21].遗传算法是一种类似自然进化过程来寻找最优解的算法；通过模拟自然界的优胜劣汰、适者生存现象，最终获得最优解[22~24]；遗传算法的优点之一就是全局寻优[13]，该算法不仅可以优化BP神经网络模型的权阈值，还可以优化网络的拓扑结构[25].灰关联分析法不仅样本数据需求量相对较少，还可以对有限的以及表面无规律的数据进行相关分析处理，从而找到系统自身存在的潜在规律特征[26,27].模糊聚类的分析对象多是未分类的群体，将事物间的特征、相似性及亲疏关系作为依据，建立模糊相似关系，从而对客观事物进行分类[27,28]. ...
... [18].K最近邻算法可用于处理回归问题和分类问题，但该算法计算量较大，而且当数据不均衡时，预测偏差较大[19~21].遗传算法是一种类似自然进化过程来寻找最优解的算法；通过模拟自然界的优胜劣汰、适者生存现象，最终获得最优解[22~24]；遗传算法的优点之一就是全局寻优[13]，该算法不仅可以优化BP神经网络模型的权阈值，还可以优化网络的拓扑结构[25].灰关联分析法不仅样本数据需求量相对较少，还可以对有限的以及表面无规律的数据进行相关分析处理，从而找到系统自身存在的潜在规律特征[26,27].模糊聚类的分析对象多是未分类的群体，将事物间的特征、相似性及亲疏关系作为依据，建立模糊相似关系，从而对客观事物进行分类[27,28]. ...
... 大气腐蚀是材料与其周围大气环境之间发生的化学、电化学或物理作用的结果[48].在该过程中，暴露在大气环境中的材料会因吸附了大气环境中的水分子及颗粒物而在材料表面形成薄液膜[49]，薄液膜的存在为材料腐蚀的发生提供了必须的反应场所[18].大气腐蚀主要受材料成分、环境因素以及腐蚀时间等因素的影响，其中环境因素主要包括：风速、降雨量、相对湿度、氯化物沉降、温度、SO2、NO2、PM2.5和PM10的浓度、锈层、以及pH等[18].近年来，随着机器学习在大气腐蚀领域的应用，极大的加快了大气腐蚀的研究进程，目前在大气腐蚀领域的研究侧重在分析材料成分、环境因素以及时间因素对大气腐蚀的影响和预测大气腐蚀速率两个方面. ...
... [18].近年来，随着机器学习在大气腐蚀领域的应用，极大的加快了大气腐蚀的研究进程，目前在大气腐蚀领域的研究侧重在分析材料成分、环境因素以及时间因素对大气腐蚀的影响和预测大气腐蚀速率两个方面. ...
... 也有部分学者利用机器学习综合分析了材料成分、环境因素、时间因素对大气腐蚀的影响.韩德胜等[55]以铝合金外场大气腐蚀数据为研究样本，以合金元素含量、主要合金元素含量、大气温度、大气相对湿度、大气中Cl-沉降量、HCl浓度、SO3沉降量、SO2浓度、时间等9个参量为输入量，以年腐蚀增重为输出量，将获得的217组数据选取前200组为训练集，后17组为测试集，构建了RBF类型的铝合金腐蚀预测模型.结果表明：该预测模型具有良好的预测精度，并且该预测模型可以随着外场腐蚀数据的增加不断地做更深入的改进.支元杰等[18]以国内6个大气站点的17种低合金钢的409组户外大气腐蚀数据为研究样本，其中17种低合金钢的成分差异由8种化学元素 (Mn、S、P、Si、Cr、Cu、Ni和Fe) 组成，将腐蚀数据按照4:1:2的比例分为训练集、验证集和测试集，并以材料成分、环境因素 (平均相对湿度、平均温度、降雨量、SO2浓度、降雨pH值和氯化物浓度)、暴露时间 (1、2、4、8和16 a) 为输入量，腐蚀速率为输出量，通过基于加权Ｋ近邻的随机森林动态集成选择算法 (RF-WKNNs) 分析了材料成分、环境因素、时间因素对大气腐蚀的影响；又以D36材料在北京试验站户外试验1 a的腐蚀数据为研究样本，深入分析了单个环境变量对腐蚀的影响，从408组腐蚀数据随机选取306组作为训练集，102组作为验证集，绘制了单个环境变量值变化时的腐蚀速率预测曲线；最后综合对比分析了人工神经网络 (ANN)、支持向量回归 (SVR)、线性回归 (LR)、RF、RF-KNNs、RF-KWNNs、cForest (基于随机森林的多粒度级联森林模型)、DCGF (全连接级联森林模型)、DCCF-WKNNs (全连接级联动态集成选择森林算法) 等不同算法的拟合结果和泛化结果.研究发现：在大气腐蚀的初期阶段，环境因素对大气腐蚀的影响较大，但随着时间的增长，环境因素对大气腐蚀的影响的逐渐降低，材料自身对大气腐蚀的影响则逐渐增大；又深入分析了各环境因素对大气腐蚀的影响程度，结果表明：pH在所有时间段内都是最重要的；在大气腐蚀初期阶段，大气污染物 (SO2和Cl-) 对腐蚀的影响程度比气象因素 (温度和湿度) 更强烈，尤其是SO2的作用；在大气腐蚀稳定阶段，pH对腐蚀的影响高于气象因素 (温度、湿度) 和Cl-，SO2的作用相对较小；由绘制的单个环境变量值变化时的腐蚀速率预测曲线可知每个变量的阈值，并在该阈值上腐蚀速率急剧变化；综合考虑ANN、SVR、LR、RF、RF-KNNs、RF-KWNNs、cForest、DCGF、DCCF-WKNNs等算法的拟合结果和泛化结果，DCCF-WKNNs模型在预测腐蚀速率方面均要优于其他模型，该模型不仅可以在所有时间段上取得最优的预测效果，而且在预测长期腐蚀领域具有十分优异的性能. ...
... 近年来，国内外学者在研究大气腐蚀方面开展了大量的工作，所采用的机器学习算法也较为广泛.目前对大气腐蚀影响因素权重分析主要采用的机器学习算法是灰关联分析法和基于神经网络的优化算法[18,51,52]，也有部分学者采用基于随机森林的优化算法进行预测分析[53]，并且动态监测各因素对大气腐蚀的影响也是未来的一个研究趋势[54]；研究表明，相对湿度、温度以及腐蚀时间等因素在大气腐蚀中发挥着至关重要的作用[18,50~55]；而对于大气腐蚀速率预测的研究目前还没有统一的机器学习算法，有部分学者采用基于人工神经网络的优化算法、基于随机森林的优化算法、支持向量回归、灰色模型GM (1，1) 等算法对大气腐蚀速率进行研究[18,50~55]. ...
... [18,50~55]；而对于大气腐蚀速率预测的研究目前还没有统一的机器学习算法，有部分学者采用基于人工神经网络的优化算法、基于随机森林的优化算法、支持向量回归、灰色模型GM (1，1) 等算法对大气腐蚀速率进行研究[18,50~55]. ...
... [18,50~55]. ...
大气环境下小样本金属材料腐蚀的数据驱动预测模型
8
2019
... 常用的机器学习算法主要包括线性回归、神经网络、随机森林、支持向量机、K最近邻算法、遗传算法、灰关联分析法、模糊聚类等，每一类算法都有独特的特点和应用场景.线性回归 (LR) 可以解决简单的回归问题，具有计算简单、训练速度快的特点，但不能拟合非线性的数据[11,12].神经网络不仅具有大规模处理信息、分布储存、自组织及自学习、良好的容错性以及推广能力的优势，尽管神经网络并不依赖于精确的数学模型[13~16]，但神经网络模型往往缺乏统一的数学理论，容易陷入局部最小化，影响全局优化；并且对小样本数据集泛化能力较弱；在结构设计 (隐藏节点数量的选择) 方面也很大程度上取决于设计者的先验知识和经验，容易过拟合[17].随机森林 (RF) 不仅可以实现小样本下的非线性建模过程，而且具有易于实现、抗过拟合、性能优良、鲁棒性、可解释性等优点，且模型层数较深，可以很好地反映输入量微小的变化对输出量的影响，对于处理陡峭流形结构数据具有一定的优势[18].支持向量机 (SVM) 可以实现腐蚀数据量较小情形下的非线性建模过程且具有较好的泛化能力，但属于浅层模型，难以解决陡峭流形结构数据的问题[18].K最近邻算法可用于处理回归问题和分类问题，但该算法计算量较大，而且当数据不均衡时，预测偏差较大[19~21].遗传算法是一种类似自然进化过程来寻找最优解的算法；通过模拟自然界的优胜劣汰、适者生存现象，最终获得最优解[22~24]；遗传算法的优点之一就是全局寻优[13]，该算法不仅可以优化BP神经网络模型的权阈值，还可以优化网络的拓扑结构[25].灰关联分析法不仅样本数据需求量相对较少，还可以对有限的以及表面无规律的数据进行相关分析处理，从而找到系统自身存在的潜在规律特征[26,27].模糊聚类的分析对象多是未分类的群体，将事物间的特征、相似性及亲疏关系作为依据，建立模糊相似关系，从而对客观事物进行分类[27,28]. ...
... [18].K最近邻算法可用于处理回归问题和分类问题，但该算法计算量较大，而且当数据不均衡时，预测偏差较大[19~21].遗传算法是一种类似自然进化过程来寻找最优解的算法；通过模拟自然界的优胜劣汰、适者生存现象，最终获得最优解[22~24]；遗传算法的优点之一就是全局寻优[13]，该算法不仅可以优化BP神经网络模型的权阈值，还可以优化网络的拓扑结构[25].灰关联分析法不仅样本数据需求量相对较少，还可以对有限的以及表面无规律的数据进行相关分析处理，从而找到系统自身存在的潜在规律特征[26,27].模糊聚类的分析对象多是未分类的群体，将事物间的特征、相似性及亲疏关系作为依据，建立模糊相似关系，从而对客观事物进行分类[27,28]. ...
... 大气腐蚀是材料与其周围大气环境之间发生的化学、电化学或物理作用的结果[48].在该过程中，暴露在大气环境中的材料会因吸附了大气环境中的水分子及颗粒物而在材料表面形成薄液膜[49]，薄液膜的存在为材料腐蚀的发生提供了必须的反应场所[18].大气腐蚀主要受材料成分、环境因素以及腐蚀时间等因素的影响，其中环境因素主要包括：风速、降雨量、相对湿度、氯化物沉降、温度、SO2、NO2、PM2.5和PM10的浓度、锈层、以及pH等[18].近年来，随着机器学习在大气腐蚀领域的应用，极大的加快了大气腐蚀的研究进程，目前在大气腐蚀领域的研究侧重在分析材料成分、环境因素以及时间因素对大气腐蚀的影响和预测大气腐蚀速率两个方面. ...
... [18].近年来，随着机器学习在大气腐蚀领域的应用，极大的加快了大气腐蚀的研究进程，目前在大气腐蚀领域的研究侧重在分析材料成分、环境因素以及时间因素对大气腐蚀的影响和预测大气腐蚀速率两个方面. ...
... 也有部分学者利用机器学习综合分析了材料成分、环境因素、时间因素对大气腐蚀的影响.韩德胜等[55]以铝合金外场大气腐蚀数据为研究样本，以合金元素含量、主要合金元素含量、大气温度、大气相对湿度、大气中Cl-沉降量、HCl浓度、SO3沉降量、SO2浓度、时间等9个参量为输入量，以年腐蚀增重为输出量，将获得的217组数据选取前200组为训练集，后17组为测试集，构建了RBF类型的铝合金腐蚀预测模型.结果表明：该预测模型具有良好的预测精度，并且该预测模型可以随着外场腐蚀数据的增加不断地做更深入的改进.支元杰等[18]以国内6个大气站点的17种低合金钢的409组户外大气腐蚀数据为研究样本，其中17种低合金钢的成分差异由8种化学元素 (Mn、S、P、Si、Cr、Cu、Ni和Fe) 组成，将腐蚀数据按照4:1:2的比例分为训练集、验证集和测试集，并以材料成分、环境因素 (平均相对湿度、平均温度、降雨量、SO2浓度、降雨pH值和氯化物浓度)、暴露时间 (1、2、4、8和16 a) 为输入量，腐蚀速率为输出量，通过基于加权Ｋ近邻的随机森林动态集成选择算法 (RF-WKNNs) 分析了材料成分、环境因素、时间因素对大气腐蚀的影响；又以D36材料在北京试验站户外试验1 a的腐蚀数据为研究样本，深入分析了单个环境变量对腐蚀的影响，从408组腐蚀数据随机选取306组作为训练集，102组作为验证集，绘制了单个环境变量值变化时的腐蚀速率预测曲线；最后综合对比分析了人工神经网络 (ANN)、支持向量回归 (SVR)、线性回归 (LR)、RF、RF-KNNs、RF-KWNNs、cForest (基于随机森林的多粒度级联森林模型)、DCGF (全连接级联森林模型)、DCCF-WKNNs (全连接级联动态集成选择森林算法) 等不同算法的拟合结果和泛化结果.研究发现：在大气腐蚀的初期阶段，环境因素对大气腐蚀的影响较大，但随着时间的增长，环境因素对大气腐蚀的影响的逐渐降低，材料自身对大气腐蚀的影响则逐渐增大；又深入分析了各环境因素对大气腐蚀的影响程度，结果表明：pH在所有时间段内都是最重要的；在大气腐蚀初期阶段，大气污染物 (SO2和Cl-) 对腐蚀的影响程度比气象因素 (温度和湿度) 更强烈，尤其是SO2的作用；在大气腐蚀稳定阶段，pH对腐蚀的影响高于气象因素 (温度、湿度) 和Cl-，SO2的作用相对较小；由绘制的单个环境变量值变化时的腐蚀速率预测曲线可知每个变量的阈值，并在该阈值上腐蚀速率急剧变化；综合考虑ANN、SVR、LR、RF、RF-KNNs、RF-KWNNs、cForest、DCGF、DCCF-WKNNs等算法的拟合结果和泛化结果，DCCF-WKNNs模型在预测腐蚀速率方面均要优于其他模型，该模型不仅可以在所有时间段上取得最优的预测效果，而且在预测长期腐蚀领域具有十分优异的性能. ...
... 近年来，国内外学者在研究大气腐蚀方面开展了大量的工作，所采用的机器学习算法也较为广泛.目前对大气腐蚀影响因素权重分析主要采用的机器学习算法是灰关联分析法和基于神经网络的优化算法[18,51,52]，也有部分学者采用基于随机森林的优化算法进行预测分析[53]，并且动态监测各因素对大气腐蚀的影响也是未来的一个研究趋势[54]；研究表明，相对湿度、温度以及腐蚀时间等因素在大气腐蚀中发挥着至关重要的作用[18,50~55]；而对于大气腐蚀速率预测的研究目前还没有统一的机器学习算法，有部分学者采用基于人工神经网络的优化算法、基于随机森林的优化算法、支持向量回归、灰色模型GM (1，1) 等算法对大气腐蚀速率进行研究[18,50~55]. ...
... [18,50~55]；而对于大气腐蚀速率预测的研究目前还没有统一的机器学习算法，有部分学者采用基于人工神经网络的优化算法、基于随机森林的优化算法、支持向量回归、灰色模型GM (1，1) 等算法对大气腐蚀速率进行研究[18,50~55]. ...
... [18,50~55]. ...
Overview of KNN algorithm
1
2018
... 常用的机器学习算法主要包括线性回归、神经网络、随机森林、支持向量机、K最近邻算法、遗传算法、灰关联分析法、模糊聚类等，每一类算法都有独特的特点和应用场景.线性回归 (LR) 可以解决简单的回归问题，具有计算简单、训练速度快的特点，但不能拟合非线性的数据[11,12].神经网络不仅具有大规模处理信息、分布储存、自组织及自学习、良好的容错性以及推广能力的优势，尽管神经网络并不依赖于精确的数学模型[13~16]，但神经网络模型往往缺乏统一的数学理论，容易陷入局部最小化，影响全局优化；并且对小样本数据集泛化能力较弱；在结构设计 (隐藏节点数量的选择) 方面也很大程度上取决于设计者的先验知识和经验，容易过拟合[17].随机森林 (RF) 不仅可以实现小样本下的非线性建模过程，而且具有易于实现、抗过拟合、性能优良、鲁棒性、可解释性等优点，且模型层数较深，可以很好地反映输入量微小的变化对输出量的影响，对于处理陡峭流形结构数据具有一定的优势[18].支持向量机 (SVM) 可以实现腐蚀数据量较小情形下的非线性建模过程且具有较好的泛化能力，但属于浅层模型，难以解决陡峭流形结构数据的问题[18].K最近邻算法可用于处理回归问题和分类问题，但该算法计算量较大，而且当数据不均衡时，预测偏差较大[19~21].遗传算法是一种类似自然进化过程来寻找最优解的算法；通过模拟自然界的优胜劣汰、适者生存现象，最终获得最优解[22~24]；遗传算法的优点之一就是全局寻优[13]，该算法不仅可以优化BP神经网络模型的权阈值，还可以优化网络的拓扑结构[25].灰关联分析法不仅样本数据需求量相对较少，还可以对有限的以及表面无规律的数据进行相关分析处理，从而找到系统自身存在的潜在规律特征[26,27].模糊聚类的分析对象多是未分类的群体，将事物间的特征、相似性及亲疏关系作为依据，建立模糊相似关系，从而对客观事物进行分类[27,28]. ...
KNN算法综述
1
2018
... 常用的机器学习算法主要包括线性回归、神经网络、随机森林、支持向量机、K最近邻算法、遗传算法、灰关联分析法、模糊聚类等，每一类算法都有独特的特点和应用场景.线性回归 (LR) 可以解决简单的回归问题，具有计算简单、训练速度快的特点，但不能拟合非线性的数据[11,12].神经网络不仅具有大规模处理信息、分布储存、自组织及自学习、良好的容错性以及推广能力的优势，尽管神经网络并不依赖于精确的数学模型[13~16]，但神经网络模型往往缺乏统一的数学理论，容易陷入局部最小化，影响全局优化；并且对小样本数据集泛化能力较弱；在结构设计 (隐藏节点数量的选择) 方面也很大程度上取决于设计者的先验知识和经验，容易过拟合[17].随机森林 (RF) 不仅可以实现小样本下的非线性建模过程，而且具有易于实现、抗过拟合、性能优良、鲁棒性、可解释性等优点，且模型层数较深，可以很好地反映输入量微小的变化对输出量的影响，对于处理陡峭流形结构数据具有一定的优势[18].支持向量机 (SVM) 可以实现腐蚀数据量较小情形下的非线性建模过程且具有较好的泛化能力，但属于浅层模型，难以解决陡峭流形结构数据的问题[18].K最近邻算法可用于处理回归问题和分类问题，但该算法计算量较大，而且当数据不均衡时，预测偏差较大[19~21].遗传算法是一种类似自然进化过程来寻找最优解的算法；通过模拟自然界的优胜劣汰、适者生存现象，最终获得最优解[22~24]；遗传算法的优点之一就是全局寻优[13]，该算法不仅可以优化BP神经网络模型的权阈值，还可以优化网络的拓扑结构[25].灰关联分析法不仅样本数据需求量相对较少，还可以对有限的以及表面无规律的数据进行相关分析处理，从而找到系统自身存在的潜在规律特征[26,27].模糊聚类的分析对象多是未分类的群体，将事物间的特征、相似性及亲疏关系作为依据，建立模糊相似关系，从而对客观事物进行分类[27,28]. ...
Distance metric learning for large margin nearest neighbor classification
0
2009
The non-excavation corrosion prediction model of grounding grid based on particle swarm optimization extreme learning machine
1
2021
... 常用的机器学习算法主要包括线性回归、神经网络、随机森林、支持向量机、K最近邻算法、遗传算法、灰关联分析法、模糊聚类等，每一类算法都有独特的特点和应用场景.线性回归 (LR) 可以解决简单的回归问题，具有计算简单、训练速度快的特点，但不能拟合非线性的数据[11,12].神经网络不仅具有大规模处理信息、分布储存、自组织及自学习、良好的容错性以及推广能力的优势，尽管神经网络并不依赖于精确的数学模型[13~16]，但神经网络模型往往缺乏统一的数学理论，容易陷入局部最小化，影响全局优化；并且对小样本数据集泛化能力较弱；在结构设计 (隐藏节点数量的选择) 方面也很大程度上取决于设计者的先验知识和经验，容易过拟合[17].随机森林 (RF) 不仅可以实现小样本下的非线性建模过程，而且具有易于实现、抗过拟合、性能优良、鲁棒性、可解释性等优点，且模型层数较深，可以很好地反映输入量微小的变化对输出量的影响，对于处理陡峭流形结构数据具有一定的优势[18].支持向量机 (SVM) 可以实现腐蚀数据量较小情形下的非线性建模过程且具有较好的泛化能力，但属于浅层模型，难以解决陡峭流形结构数据的问题[18].K最近邻算法可用于处理回归问题和分类问题，但该算法计算量较大，而且当数据不均衡时，预测偏差较大[19~21].遗传算法是一种类似自然进化过程来寻找最优解的算法；通过模拟自然界的优胜劣汰、适者生存现象，最终获得最优解[22~24]；遗传算法的优点之一就是全局寻优[13]，该算法不仅可以优化BP神经网络模型的权阈值，还可以优化网络的拓扑结构[25].灰关联分析法不仅样本数据需求量相对较少，还可以对有限的以及表面无规律的数据进行相关分析处理，从而找到系统自身存在的潜在规律特征[26,27].模糊聚类的分析对象多是未分类的群体，将事物间的特征、相似性及亲疏关系作为依据，建立模糊相似关系，从而对客观事物进行分类[27,28]. ...
Corrosion prediction of marine engineering materials based on genetic algorithm and BP neural network
5
2020
... 常用的机器学习算法主要包括线性回归、神经网络、随机森林、支持向量机、K最近邻算法、遗传算法、灰关联分析法、模糊聚类等，每一类算法都有独特的特点和应用场景.线性回归 (LR) 可以解决简单的回归问题，具有计算简单、训练速度快的特点，但不能拟合非线性的数据[11,12].神经网络不仅具有大规模处理信息、分布储存、自组织及自学习、良好的容错性以及推广能力的优势，尽管神经网络并不依赖于精确的数学模型[13~16]，但神经网络模型往往缺乏统一的数学理论，容易陷入局部最小化，影响全局优化；并且对小样本数据集泛化能力较弱；在结构设计 (隐藏节点数量的选择) 方面也很大程度上取决于设计者的先验知识和经验，容易过拟合[17].随机森林 (RF) 不仅可以实现小样本下的非线性建模过程，而且具有易于实现、抗过拟合、性能优良、鲁棒性、可解释性等优点，且模型层数较深，可以很好地反映输入量微小的变化对输出量的影响，对于处理陡峭流形结构数据具有一定的优势[18].支持向量机 (SVM) 可以实现腐蚀数据量较小情形下的非线性建模过程且具有较好的泛化能力，但属于浅层模型，难以解决陡峭流形结构数据的问题[18].K最近邻算法可用于处理回归问题和分类问题，但该算法计算量较大，而且当数据不均衡时，预测偏差较大[19~21].遗传算法是一种类似自然进化过程来寻找最优解的算法；通过模拟自然界的优胜劣汰、适者生存现象，最终获得最优解[22~24]；遗传算法的优点之一就是全局寻优[13]，该算法不仅可以优化BP神经网络模型的权阈值，还可以优化网络的拓扑结构[25].灰关联分析法不仅样本数据需求量相对较少，还可以对有限的以及表面无规律的数据进行相关分析处理，从而找到系统自身存在的潜在规律特征[26,27].模糊聚类的分析对象多是未分类的群体，将事物间的特征、相似性及亲疏关系作为依据，建立模糊相似关系，从而对客观事物进行分类[27,28]. ...
... 国内外学者利用机器学习对海洋腐蚀性影响因素的权重以及腐蚀速率预测领域展开了大量的研究.李海涛等[22]以在中国腐蚀与防护网上面选取2Cr1312不锈钢、Q235B钢和6082铝合金3种海洋工程材料的腐蚀数据为研究样本，从获取的4027条腐蚀数据中选取4024条数据作为模型的训练集，剩余数据作为2Cr1312不锈钢、Q235B钢和6082铝合金的测试集，并利用遗传算法分析了海洋环境中各因素对腐蚀速度的影响率,并以对2Cr1312不锈钢、Q235B钢和6082铝合金等3种材料腐蚀影响较大的水温、溶解氧、盐度、电导率、pH和氧化还原电位作为输入量，以3种材料的腐蚀速率作为输出量，综合对比了经遗传算法优化后的BP模型即GA-BP模型与BP模型的差异.研究表明，海洋环境中各因素对腐蚀速度的影响权重依次为：溶解氧 (28.65)>pH (27.41)>盐度 (25.46)>电导率 (24.91)>氧化还原电位 (23.18)>水温 (21.78)>降雨量 (14.76)>相对湿度 (13.29)>风速 (7.83)>气温 (5.76)；并且GA-BP模型的训练误差以及训练时间都要优于传统的BP神经网络模型.马良涛等[42]以在青岛海洋腐蚀所海水实验站进行周期1 a的实海挂片 (Q235钢) 实验的腐蚀数据为研究样本，在25组腐蚀数据中选择18组数据作为训练集，7组数据作为测试集，并以环境温度、含氧量、pH、盐度及自腐蚀电位作为输入量，其腐蚀速率作为输出量，对比分析了GRNN模型和BP模型的预测精度.研究表明，GRNN模型在选择默认扩散速度值的情况下，其精度高于同等条件下的BP神经网络，其平均预测误差仅为5.75%；并且在最优扩展速度下GRNN模型的平均误差减小为2.38%，具有较高的预测精度.李响等[24]以海洋挂片 (Q235钢) 腐蚀试验数据作为研究样本，由于SVM可以较好地解决海洋腐蚀数据较少情况下的腐蚀规律预测问题，因此李响等建立了遗传算法SVM模型即GA-SVM模型，并从获取的25组腐蚀数据中选取22组作为训练集，3组作为测试集，以温度、含氧量、含盐量、pH值为输入量，腐蚀速率为输出量，对比分析了GA-SVM和BP神经网络模型的预测效果，并将GA-SVM模型的预测值与实际值进行对比.研究发现： GA-SVM模型测试集的预测误差均小于3%，而BP神经网络预测模型测试集的误差绝对值的平均值为7.23%，因此GA-SVM模型的预测误差要优于BP神经网络的预测误差，并且GA-SVM模型的预测值几乎接近实际的腐蚀速率.Wen等[43]以采用电化学技术测量获取的46组不同海水环境下3C钢腐蚀数据为研究样本，建立了基于粒子群优化 (PSO) 参数的支持向量回归 (SVR) 预测模型，进一步地通过留一法交叉验证 (LOOCV) 建立了SVM-LOOCV预测模型，并对比了SVR模型、SVM-LOOCV模型与BPNN模型的预测误差以及不同数量训练集的预测误差，并将预测值与实际值进行对比；SVM模型和BPNN模型的建模方式1为随机选取其中的41组腐蚀数据为训练集，以5组腐蚀数据为测试集，建模方式2为以42组腐蚀数据为训练集，4组为测试集，而SVM-LOOCV预测模型以46组腐蚀数据中的45组为训练集，1组为测试集，上述预测模型均以温度、溶解氧、盐度、pH 值和氧化还原电位为输入量，腐蚀速率为输出量，研究表明：对于相同的训练集和测试集，SVR模型的预测误差小于BPNN模型，并且SVR模型的泛化能力 (平均绝对误差 (MAE)、平均绝对百分比误差 (MAPE) 和相关系数 (R2)) 也优于BPNN模型，以建模方式2建立的SVR模型和BPNN模型预测误差低于以建模方式1建立的SVR模型和BPNN模型的预测误差，并且SVM-LOOCV模型的MAE和MAPE均优于SVR模型和BPNN模型，进一步说明了增加训练样本的数量可以提高模型的预测精度.骆正山等[44]以50组不同海水环境参数下的海洋挂片腐蚀速率数据为研究样本，腐蚀数据包含了海水温度、溶解氧含量、盐度、pH和氧化还原电位、腐蚀速率等参量，利用套索回归模型 (LASSO) 分析出了对海洋腐蚀影响较大的参量，以对海洋腐蚀影响较大的参量为输入量，以腐蚀速率为输出量，并选取腐蚀数据中的42组为训练集，8组为测试集，建立了LASSO -WOA (鲸鱼优化算法) -LSSVM (最小二乘支持向量机) 预测模型，并对比分析了FOA-LSSVM 、LSSVM以及LASSO-WOA-LSSVM等模型的预测效果，并将预测值与实际值进行比较.结果表明：对海洋管线腐蚀影响较大的因素为温度、溶解氧含量和pH值；与FOA-LSSVM 和 LSSVM 两个模型相比，LASSO-WOA-LSSVM的预测值与真实腐蚀速率的差距较小，拟合效果更佳，并且LASSO-WOA-LSSVM的均方根误差 (RMSE) 仅为 0.3248，并且决定系数R2达到了0.9708，远高于其他两个模型.张新生等[45]通过实海挂片试验，获得了海底油气管线在不同海水温度、溶氧量、盐度、pH值以及氧化还原电位条件下的腐蚀速率，利用因子分析 (FA) 对海水腐蚀影响因素进行降维处理，以降维后海水腐蚀影响因素为输入量，腐蚀速率为输出量，从获取到的50组腐蚀数据中选取43组为训练集，7组为测试集，建立了FA-BAS (天牛须搜索算法) -ELM (极限学习机) 预测模型，并综合对比了FA-BAS-ELM模型、FA-ELM模型、FA-FOA (果蝇优化算法)-ELM模型以及FA-BAS-BP模型的预测精度和拟合效果，并将预测值与实际值进行比较.研究表明：海水温度、溶氧量、盐度、pH值等4个参量对海水腐蚀的影响较大，综合考虑MAPE、RMSE、R2以及平均训练时间等因素，FA-BAS-ELM模型的预测精度和拟合效果均要优于FA-ELM模型、FA-FOA-ELM模型、FA-BAS-BP模型等3种模型，并且FA-BAS-ELM模型的MAPE仅为1.92%，R2高达0.9949，预测值与实际值基本吻合.刘学庆等[41]以海洋工程常用钢材3C、Q235、16Mn、10MnPNbRe、10CrMoAl、D36作为研究样本，依据电化学测定的不同海水环境下的腐蚀数据 (溶解氧，氧化还原电位，温度，盐度，pH值以及腐蚀速率) (3C钢26组腐蚀数据、Q235钢25组腐蚀数据、16Mn钢24组腐蚀数据、10MnPNbRe钢23组腐蚀数据、10CrMoAl钢23组腐蚀数据、D36钢24组腐蚀数据)，通过灰关联分析法分析了各环境因素对不同钢材腐蚀速度的影响大小，建立了BP神经网络模型，以溶解氧、氧化还原电位、温度、盐度、pH值为输入量，以腐蚀速率为输出量，并以3C钢腐蚀数据中的5组腐蚀数据、Q235钢腐蚀数据中的4组腐蚀数据、16Mn钢腐蚀数据中的4组腐蚀数据、10MnPNbRe钢腐蚀数据中的3组腐蚀数据、10CrMoAl钢腐蚀数据中的4组腐蚀数据、D36钢腐蚀数据中的4组腐蚀数据为测试集，钢材中的其他数据为训练集.研究表明：各环境参数关联度的平均值大小顺序为：溶解氧、氧化还原电位、温度、盐度、pH值，其中氧化还原电位和温度对腐蚀速度的影响程度几乎没有差别；BP人工神经网络模型的预测值与实际值的相对误差在10%以内，预测精度较高. ...
... 由上述实例可知，应用于海洋腐蚀环境下的机器学习算法类型要明显多于土壤环境，并且与土壤腐蚀预测研究相比，近些年对于海洋腐蚀的研究较多.目前对于海洋腐蚀影响因素权重的分析还没有具体统一的分析方法，有学者采用遗传算法、LASSO、FA (因子分析)、灰关联分析法等算法分析海洋环境因素对海洋腐蚀影响的权重[22,41,44,45]，并且大部分研究发现海水环境中的海水温度、溶氧量、盐度、pH值等因素均对海水腐蚀发挥着重要的作用[22,24,41~45].目前对于海水腐蚀速率预测多采用的机器学习算法是基于神经网络和支持向量机的优化算法[22,24,41~44]，并且预测精确度较高；也有少数学者采用随机森林算法、FA-BAS-ELM模型、FA-ELM 模型、FA-FOA-ELM模型等方法[45,47]. ...
... [22,24,41~45].目前对于海水腐蚀速率预测多采用的机器学习算法是基于神经网络和支持向量机的优化算法[22,24,41~44]，并且预测精确度较高；也有少数学者采用随机森林算法、FA-BAS-ELM模型、FA-ELM 模型、FA-FOA-ELM模型等方法[45,47]. ...
... [22,24,41~44]，并且预测精确度较高；也有少数学者采用随机森林算法、FA-BAS-ELM模型、FA-ELM 模型、FA-FOA-ELM模型等方法[45,47]. ...
基于遗传算法和BP神经网络的海洋工程材料腐蚀预测研究
5
2020
... 常用的机器学习算法主要包括线性回归、神经网络、随机森林、支持向量机、K最近邻算法、遗传算法、灰关联分析法、模糊聚类等，每一类算法都有独特的特点和应用场景.线性回归 (LR) 可以解决简单的回归问题，具有计算简单、训练速度快的特点，但不能拟合非线性的数据[11,12].神经网络不仅具有大规模处理信息、分布储存、自组织及自学习、良好的容错性以及推广能力的优势，尽管神经网络并不依赖于精确的数学模型[13~16]，但神经网络模型往往缺乏统一的数学理论，容易陷入局部最小化，影响全局优化；并且对小样本数据集泛化能力较弱；在结构设计 (隐藏节点数量的选择) 方面也很大程度上取决于设计者的先验知识和经验，容易过拟合[17].随机森林 (RF) 不仅可以实现小样本下的非线性建模过程，而且具有易于实现、抗过拟合、性能优良、鲁棒性、可解释性等优点，且模型层数较深，可以很好地反映输入量微小的变化对输出量的影响，对于处理陡峭流形结构数据具有一定的优势[18].支持向量机 (SVM) 可以实现腐蚀数据量较小情形下的非线性建模过程且具有较好的泛化能力，但属于浅层模型，难以解决陡峭流形结构数据的问题[18].K最近邻算法可用于处理回归问题和分类问题，但该算法计算量较大，而且当数据不均衡时，预测偏差较大[19~21].遗传算法是一种类似自然进化过程来寻找最优解的算法；通过模拟自然界的优胜劣汰、适者生存现象，最终获得最优解[22~24]；遗传算法的优点之一就是全局寻优[13]，该算法不仅可以优化BP神经网络模型的权阈值，还可以优化网络的拓扑结构[25].灰关联分析法不仅样本数据需求量相对较少，还可以对有限的以及表面无规律的数据进行相关分析处理，从而找到系统自身存在的潜在规律特征[26,27].模糊聚类的分析对象多是未分类的群体，将事物间的特征、相似性及亲疏关系作为依据，建立模糊相似关系，从而对客观事物进行分类[27,28]. ...
... 国内外学者利用机器学习对海洋腐蚀性影响因素的权重以及腐蚀速率预测领域展开了大量的研究.李海涛等[22]以在中国腐蚀与防护网上面选取2Cr1312不锈钢、Q235B钢和6082铝合金3种海洋工程材料的腐蚀数据为研究样本，从获取的4027条腐蚀数据中选取4024条数据作为模型的训练集，剩余数据作为2Cr1312不锈钢、Q235B钢和6082铝合金的测试集，并利用遗传算法分析了海洋环境中各因素对腐蚀速度的影响率,并以对2Cr1312不锈钢、Q235B钢和6082铝合金等3种材料腐蚀影响较大的水温、溶解氧、盐度、电导率、pH和氧化还原电位作为输入量，以3种材料的腐蚀速率作为输出量，综合对比了经遗传算法优化后的BP模型即GA-BP模型与BP模型的差异.研究表明，海洋环境中各因素对腐蚀速度的影响权重依次为：溶解氧 (28.65)>pH (27.41)>盐度 (25.46)>电导率 (24.91)>氧化还原电位 (23.18)>水温 (21.78)>降雨量 (14.76)>相对湿度 (13.29)>风速 (7.83)>气温 (5.76)；并且GA-BP模型的训练误差以及训练时间都要优于传统的BP神经网络模型.马良涛等[42]以在青岛海洋腐蚀所海水实验站进行周期1 a的实海挂片 (Q235钢) 实验的腐蚀数据为研究样本，在25组腐蚀数据中选择18组数据作为训练集，7组数据作为测试集，并以环境温度、含氧量、pH、盐度及自腐蚀电位作为输入量，其腐蚀速率作为输出量，对比分析了GRNN模型和BP模型的预测精度.研究表明，GRNN模型在选择默认扩散速度值的情况下，其精度高于同等条件下的BP神经网络，其平均预测误差仅为5.75%；并且在最优扩展速度下GRNN模型的平均误差减小为2.38%，具有较高的预测精度.李响等[24]以海洋挂片 (Q235钢) 腐蚀试验数据作为研究样本，由于SVM可以较好地解决海洋腐蚀数据较少情况下的腐蚀规律预测问题，因此李响等建立了遗传算法SVM模型即GA-SVM模型，并从获取的25组腐蚀数据中选取22组作为训练集，3组作为测试集，以温度、含氧量、含盐量、pH值为输入量，腐蚀速率为输出量，对比分析了GA-SVM和BP神经网络模型的预测效果，并将GA-SVM模型的预测值与实际值进行对比.研究发现： GA-SVM模型测试集的预测误差均小于3%，而BP神经网络预测模型测试集的误差绝对值的平均值为7.23%，因此GA-SVM模型的预测误差要优于BP神经网络的预测误差，并且GA-SVM模型的预测值几乎接近实际的腐蚀速率.Wen等[43]以采用电化学技术测量获取的46组不同海水环境下3C钢腐蚀数据为研究样本，建立了基于粒子群优化 (PSO) 参数的支持向量回归 (SVR) 预测模型，进一步地通过留一法交叉验证 (LOOCV) 建立了SVM-LOOCV预测模型，并对比了SVR模型、SVM-LOOCV模型与BPNN模型的预测误差以及不同数量训练集的预测误差，并将预测值与实际值进行对比；SVM模型和BPNN模型的建模方式1为随机选取其中的41组腐蚀数据为训练集，以5组腐蚀数据为测试集，建模方式2为以42组腐蚀数据为训练集，4组为测试集，而SVM-LOOCV预测模型以46组腐蚀数据中的45组为训练集，1组为测试集，上述预测模型均以温度、溶解氧、盐度、pH 值和氧化还原电位为输入量，腐蚀速率为输出量，研究表明：对于相同的训练集和测试集，SVR模型的预测误差小于BPNN模型，并且SVR模型的泛化能力 (平均绝对误差 (MAE)、平均绝对百分比误差 (MAPE) 和相关系数 (R2)) 也优于BPNN模型，以建模方式2建立的SVR模型和BPNN模型预测误差低于以建模方式1建立的SVR模型和BPNN模型的预测误差，并且SVM-LOOCV模型的MAE和MAPE均优于SVR模型和BPNN模型，进一步说明了增加训练样本的数量可以提高模型的预测精度.骆正山等[44]以50组不同海水环境参数下的海洋挂片腐蚀速率数据为研究样本，腐蚀数据包含了海水温度、溶解氧含量、盐度、pH和氧化还原电位、腐蚀速率等参量，利用套索回归模型 (LASSO) 分析出了对海洋腐蚀影响较大的参量，以对海洋腐蚀影响较大的参量为输入量，以腐蚀速率为输出量，并选取腐蚀数据中的42组为训练集，8组为测试集，建立了LASSO -WOA (鲸鱼优化算法) -LSSVM (最小二乘支持向量机) 预测模型，并对比分析了FOA-LSSVM 、LSSVM以及LASSO-WOA-LSSVM等模型的预测效果，并将预测值与实际值进行比较.结果表明：对海洋管线腐蚀影响较大的因素为温度、溶解氧含量和pH值；与FOA-LSSVM 和 LSSVM 两个模型相比，LASSO-WOA-LSSVM的预测值与真实腐蚀速率的差距较小，拟合效果更佳，并且LASSO-WOA-LSSVM的均方根误差 (RMSE) 仅为 0.3248，并且决定系数R2达到了0.9708，远高于其他两个模型.张新生等[45]通过实海挂片试验，获得了海底油气管线在不同海水温度、溶氧量、盐度、pH值以及氧化还原电位条件下的腐蚀速率，利用因子分析 (FA) 对海水腐蚀影响因素进行降维处理，以降维后海水腐蚀影响因素为输入量，腐蚀速率为输出量，从获取到的50组腐蚀数据中选取43组为训练集，7组为测试集，建立了FA-BAS (天牛须搜索算法) -ELM (极限学习机) 预测模型，并综合对比了FA-BAS-ELM模型、FA-ELM模型、FA-FOA (果蝇优化算法)-ELM模型以及FA-BAS-BP模型的预测精度和拟合效果，并将预测值与实际值进行比较.研究表明：海水温度、溶氧量、盐度、pH值等4个参量对海水腐蚀的影响较大，综合考虑MAPE、RMSE、R2以及平均训练时间等因素，FA-BAS-ELM模型的预测精度和拟合效果均要优于FA-ELM模型、FA-FOA-ELM模型、FA-BAS-BP模型等3种模型，并且FA-BAS-ELM模型的MAPE仅为1.92%，R2高达0.9949，预测值与实际值基本吻合.刘学庆等[41]以海洋工程常用钢材3C、Q235、16Mn、10MnPNbRe、10CrMoAl、D36作为研究样本，依据电化学测定的不同海水环境下的腐蚀数据 (溶解氧，氧化还原电位，温度，盐度，pH值以及腐蚀速率) (3C钢26组腐蚀数据、Q235钢25组腐蚀数据、16Mn钢24组腐蚀数据、10MnPNbRe钢23组腐蚀数据、10CrMoAl钢23组腐蚀数据、D36钢24组腐蚀数据)，通过灰关联分析法分析了各环境因素对不同钢材腐蚀速度的影响大小，建立了BP神经网络模型，以溶解氧、氧化还原电位、温度、盐度、pH值为输入量，以腐蚀速率为输出量，并以3C钢腐蚀数据中的5组腐蚀数据、Q235钢腐蚀数据中的4组腐蚀数据、16Mn钢腐蚀数据中的4组腐蚀数据、10MnPNbRe钢腐蚀数据中的3组腐蚀数据、10CrMoAl钢腐蚀数据中的4组腐蚀数据、D36钢腐蚀数据中的4组腐蚀数据为测试集，钢材中的其他数据为训练集.研究表明：各环境参数关联度的平均值大小顺序为：溶解氧、氧化还原电位、温度、盐度、pH值，其中氧化还原电位和温度对腐蚀速度的影响程度几乎没有差别；BP人工神经网络模型的预测值与实际值的相对误差在10%以内，预测精度较高. ...
... 由上述实例可知，应用于海洋腐蚀环境下的机器学习算法类型要明显多于土壤环境，并且与土壤腐蚀预测研究相比，近些年对于海洋腐蚀的研究较多.目前对于海洋腐蚀影响因素权重的分析还没有具体统一的分析方法，有学者采用遗传算法、LASSO、FA (因子分析)、灰关联分析法等算法分析海洋环境因素对海洋腐蚀影响的权重[22,41,44,45]，并且大部分研究发现海水环境中的海水温度、溶氧量、盐度、pH值等因素均对海水腐蚀发挥着重要的作用[22,24,41~45].目前对于海水腐蚀速率预测多采用的机器学习算法是基于神经网络和支持向量机的优化算法[22,24,41~44]，并且预测精确度较高；也有少数学者采用随机森林算法、FA-BAS-ELM模型、FA-ELM 模型、FA-FOA-ELM模型等方法[45,47]. ...
... [22,24,41~45].目前对于海水腐蚀速率预测多采用的机器学习算法是基于神经网络和支持向量机的优化算法[22,24,41~44]，并且预测精确度较高；也有少数学者采用随机森林算法、FA-BAS-ELM模型、FA-ELM 模型、FA-FOA-ELM模型等方法[45,47]. ...
... [22,24,41~44]，并且预测精确度较高；也有少数学者采用随机森林算法、FA-BAS-ELM模型、FA-ELM 模型、FA-FOA-ELM模型等方法[45,47]. ...
Application of GA-BP artificial neural network in seawater corrosion prediction of copper alloys
0
2021
GA-BP神经网络在铜合金海洋腐蚀预测中的应用
0
2021
Prediction of corrosion rate in marine environment based on support vector machine combining with genetic algorithm
4
2018
... 常用的机器学习算法主要包括线性回归、神经网络、随机森林、支持向量机、K最近邻算法、遗传算法、灰关联分析法、模糊聚类等，每一类算法都有独特的特点和应用场景.线性回归 (LR) 可以解决简单的回归问题，具有计算简单、训练速度快的特点，但不能拟合非线性的数据[11,12].神经网络不仅具有大规模处理信息、分布储存、自组织及自学习、良好的容错性以及推广能力的优势，尽管神经网络并不依赖于精确的数学模型[13~16]，但神经网络模型往往缺乏统一的数学理论，容易陷入局部最小化，影响全局优化；并且对小样本数据集泛化能力较弱；在结构设计 (隐藏节点数量的选择) 方面也很大程度上取决于设计者的先验知识和经验，容易过拟合[17].随机森林 (RF) 不仅可以实现小样本下的非线性建模过程，而且具有易于实现、抗过拟合、性能优良、鲁棒性、可解释性等优点，且模型层数较深，可以很好地反映输入量微小的变化对输出量的影响，对于处理陡峭流形结构数据具有一定的优势[18].支持向量机 (SVM) 可以实现腐蚀数据量较小情形下的非线性建模过程且具有较好的泛化能力，但属于浅层模型，难以解决陡峭流形结构数据的问题[18].K最近邻算法可用于处理回归问题和分类问题，但该算法计算量较大，而且当数据不均衡时，预测偏差较大[19~21].遗传算法是一种类似自然进化过程来寻找最优解的算法；通过模拟自然界的优胜劣汰、适者生存现象，最终获得最优解[22~24]；遗传算法的优点之一就是全局寻优[13]，该算法不仅可以优化BP神经网络模型的权阈值，还可以优化网络的拓扑结构[25].灰关联分析法不仅样本数据需求量相对较少，还可以对有限的以及表面无规律的数据进行相关分析处理，从而找到系统自身存在的潜在规律特征[26,27].模糊聚类的分析对象多是未分类的群体，将事物间的特征、相似性及亲疏关系作为依据，建立模糊相似关系，从而对客观事物进行分类[27,28]. ...
... 国内外学者利用机器学习对海洋腐蚀性影响因素的权重以及腐蚀速率预测领域展开了大量的研究.李海涛等[22]以在中国腐蚀与防护网上面选取2Cr1312不锈钢、Q235B钢和6082铝合金3种海洋工程材料的腐蚀数据为研究样本，从获取的4027条腐蚀数据中选取4024条数据作为模型的训练集，剩余数据作为2Cr1312不锈钢、Q235B钢和6082铝合金的测试集，并利用遗传算法分析了海洋环境中各因素对腐蚀速度的影响率,并以对2Cr1312不锈钢、Q235B钢和6082铝合金等3种材料腐蚀影响较大的水温、溶解氧、盐度、电导率、pH和氧化还原电位作为输入量，以3种材料的腐蚀速率作为输出量，综合对比了经遗传算法优化后的BP模型即GA-BP模型与BP模型的差异.研究表明，海洋环境中各因素对腐蚀速度的影响权重依次为：溶解氧 (28.65)>pH (27.41)>盐度 (25.46)>电导率 (24.91)>氧化还原电位 (23.18)>水温 (21.78)>降雨量 (14.76)>相对湿度 (13.29)>风速 (7.83)>气温 (5.76)；并且GA-BP模型的训练误差以及训练时间都要优于传统的BP神经网络模型.马良涛等[42]以在青岛海洋腐蚀所海水实验站进行周期1 a的实海挂片 (Q235钢) 实验的腐蚀数据为研究样本，在25组腐蚀数据中选择18组数据作为训练集，7组数据作为测试集，并以环境温度、含氧量、pH、盐度及自腐蚀电位作为输入量，其腐蚀速率作为输出量，对比分析了GRNN模型和BP模型的预测精度.研究表明，GRNN模型在选择默认扩散速度值的情况下，其精度高于同等条件下的BP神经网络，其平均预测误差仅为5.75%；并且在最优扩展速度下GRNN模型的平均误差减小为2.38%，具有较高的预测精度.李响等[24]以海洋挂片 (Q235钢) 腐蚀试验数据作为研究样本，由于SVM可以较好地解决海洋腐蚀数据较少情况下的腐蚀规律预测问题，因此李响等建立了遗传算法SVM模型即GA-SVM模型，并从获取的25组腐蚀数据中选取22组作为训练集，3组作为测试集，以温度、含氧量、含盐量、pH值为输入量，腐蚀速率为输出量，对比分析了GA-SVM和BP神经网络模型的预测效果，并将GA-SVM模型的预测值与实际值进行对比.研究发现： GA-SVM模型测试集的预测误差均小于3%，而BP神经网络预测模型测试集的误差绝对值的平均值为7.23%，因此GA-SVM模型的预测误差要优于BP神经网络的预测误差，并且GA-SVM模型的预测值几乎接近实际的腐蚀速率.Wen等[43]以采用电化学技术测量获取的46组不同海水环境下3C钢腐蚀数据为研究样本，建立了基于粒子群优化 (PSO) 参数的支持向量回归 (SVR) 预测模型，进一步地通过留一法交叉验证 (LOOCV) 建立了SVM-LOOCV预测模型，并对比了SVR模型、SVM-LOOCV模型与BPNN模型的预测误差以及不同数量训练集的预测误差，并将预测值与实际值进行对比；SVM模型和BPNN模型的建模方式1为随机选取其中的41组腐蚀数据为训练集，以5组腐蚀数据为测试集，建模方式2为以42组腐蚀数据为训练集，4组为测试集，而SVM-LOOCV预测模型以46组腐蚀数据中的45组为训练集，1组为测试集，上述预测模型均以温度、溶解氧、盐度、pH 值和氧化还原电位为输入量，腐蚀速率为输出量，研究表明：对于相同的训练集和测试集，SVR模型的预测误差小于BPNN模型，并且SVR模型的泛化能力 (平均绝对误差 (MAE)、平均绝对百分比误差 (MAPE) 和相关系数 (R2)) 也优于BPNN模型，以建模方式2建立的SVR模型和BPNN模型预测误差低于以建模方式1建立的SVR模型和BPNN模型的预测误差，并且SVM-LOOCV模型的MAE和MAPE均优于SVR模型和BPNN模型，进一步说明了增加训练样本的数量可以提高模型的预测精度.骆正山等[44]以50组不同海水环境参数下的海洋挂片腐蚀速率数据为研究样本，腐蚀数据包含了海水温度、溶解氧含量、盐度、pH和氧化还原电位、腐蚀速率等参量，利用套索回归模型 (LASSO) 分析出了对海洋腐蚀影响较大的参量，以对海洋腐蚀影响较大的参量为输入量，以腐蚀速率为输出量，并选取腐蚀数据中的42组为训练集，8组为测试集，建立了LASSO -WOA (鲸鱼优化算法) -LSSVM (最小二乘支持向量机) 预测模型，并对比分析了FOA-LSSVM 、LSSVM以及LASSO-WOA-LSSVM等模型的预测效果，并将预测值与实际值进行比较.结果表明：对海洋管线腐蚀影响较大的因素为温度、溶解氧含量和pH值；与FOA-LSSVM 和 LSSVM 两个模型相比，LASSO-WOA-LSSVM的预测值与真实腐蚀速率的差距较小，拟合效果更佳，并且LASSO-WOA-LSSVM的均方根误差 (RMSE) 仅为 0.3248，并且决定系数R2达到了0.9708，远高于其他两个模型.张新生等[45]通过实海挂片试验，获得了海底油气管线在不同海水温度、溶氧量、盐度、pH值以及氧化还原电位条件下的腐蚀速率，利用因子分析 (FA) 对海水腐蚀影响因素进行降维处理，以降维后海水腐蚀影响因素为输入量，腐蚀速率为输出量，从获取到的50组腐蚀数据中选取43组为训练集，7组为测试集，建立了FA-BAS (天牛须搜索算法) -ELM (极限学习机) 预测模型，并综合对比了FA-BAS-ELM模型、FA-ELM模型、FA-FOA (果蝇优化算法)-ELM模型以及FA-BAS-BP模型的预测精度和拟合效果，并将预测值与实际值进行比较.研究表明：海水温度、溶氧量、盐度、pH值等4个参量对海水腐蚀的影响较大，综合考虑MAPE、RMSE、R2以及平均训练时间等因素，FA-BAS-ELM模型的预测精度和拟合效果均要优于FA-ELM模型、FA-FOA-ELM模型、FA-BAS-BP模型等3种模型，并且FA-BAS-ELM模型的MAPE仅为1.92%，R2高达0.9949，预测值与实际值基本吻合.刘学庆等[41]以海洋工程常用钢材3C、Q235、16Mn、10MnPNbRe、10CrMoAl、D36作为研究样本，依据电化学测定的不同海水环境下的腐蚀数据 (溶解氧，氧化还原电位，温度，盐度，pH值以及腐蚀速率) (3C钢26组腐蚀数据、Q235钢25组腐蚀数据、16Mn钢24组腐蚀数据、10MnPNbRe钢23组腐蚀数据、10CrMoAl钢23组腐蚀数据、D36钢24组腐蚀数据)，通过灰关联分析法分析了各环境因素对不同钢材腐蚀速度的影响大小，建立了BP神经网络模型，以溶解氧、氧化还原电位、温度、盐度、pH值为输入量，以腐蚀速率为输出量，并以3C钢腐蚀数据中的5组腐蚀数据、Q235钢腐蚀数据中的4组腐蚀数据、16Mn钢腐蚀数据中的4组腐蚀数据、10MnPNbRe钢腐蚀数据中的3组腐蚀数据、10CrMoAl钢腐蚀数据中的4组腐蚀数据、D36钢腐蚀数据中的4组腐蚀数据为测试集，钢材中的其他数据为训练集.研究表明：各环境参数关联度的平均值大小顺序为：溶解氧、氧化还原电位、温度、盐度、pH值，其中氧化还原电位和温度对腐蚀速度的影响程度几乎没有差别；BP人工神经网络模型的预测值与实际值的相对误差在10%以内，预测精度较高. ...
... 由上述实例可知，应用于海洋腐蚀环境下的机器学习算法类型要明显多于土壤环境，并且与土壤腐蚀预测研究相比，近些年对于海洋腐蚀的研究较多.目前对于海洋腐蚀影响因素权重的分析还没有具体统一的分析方法，有学者采用遗传算法、LASSO、FA (因子分析)、灰关联分析法等算法分析海洋环境因素对海洋腐蚀影响的权重[22,41,44,45]，并且大部分研究发现海水环境中的海水温度、溶氧量、盐度、pH值等因素均对海水腐蚀发挥着重要的作用[22,24,41~45].目前对于海水腐蚀速率预测多采用的机器学习算法是基于神经网络和支持向量机的优化算法[22,24,41~44]，并且预测精确度较高；也有少数学者采用随机森林算法、FA-BAS-ELM模型、FA-ELM 模型、FA-FOA-ELM模型等方法[45,47]. ...
... ,24,41~44]，并且预测精确度较高；也有少数学者采用随机森林算法、FA-BAS-ELM模型、FA-ELM 模型、FA-FOA-ELM模型等方法[45,47]. ...
基于遗传算法SVM的海洋环境腐蚀速率预测
4
2018
... 常用的机器学习算法主要包括线性回归、神经网络、随机森林、支持向量机、K最近邻算法、遗传算法、灰关联分析法、模糊聚类等，每一类算法都有独特的特点和应用场景.线性回归 (LR) 可以解决简单的回归问题，具有计算简单、训练速度快的特点，但不能拟合非线性的数据[11,12].神经网络不仅具有大规模处理信息、分布储存、自组织及自学习、良好的容错性以及推广能力的优势，尽管神经网络并不依赖于精确的数学模型[13~16]，但神经网络模型往往缺乏统一的数学理论，容易陷入局部最小化，影响全局优化；并且对小样本数据集泛化能力较弱；在结构设计 (隐藏节点数量的选择) 方面也很大程度上取决于设计者的先验知识和经验，容易过拟合[17].随机森林 (RF) 不仅可以实现小样本下的非线性建模过程，而且具有易于实现、抗过拟合、性能优良、鲁棒性、可解释性等优点，且模型层数较深，可以很好地反映输入量微小的变化对输出量的影响，对于处理陡峭流形结构数据具有一定的优势[18].支持向量机 (SVM) 可以实现腐蚀数据量较小情形下的非线性建模过程且具有较好的泛化能力，但属于浅层模型，难以解决陡峭流形结构数据的问题[18].K最近邻算法可用于处理回归问题和分类问题，但该算法计算量较大，而且当数据不均衡时，预测偏差较大[19~21].遗传算法是一种类似自然进化过程来寻找最优解的算法；通过模拟自然界的优胜劣汰、适者生存现象，最终获得最优解[22~24]；遗传算法的优点之一就是全局寻优[13]，该算法不仅可以优化BP神经网络模型的权阈值，还可以优化网络的拓扑结构[25].灰关联分析法不仅样本数据需求量相对较少，还可以对有限的以及表面无规律的数据进行相关分析处理，从而找到系统自身存在的潜在规律特征[26,27].模糊聚类的分析对象多是未分类的群体，将事物间的特征、相似性及亲疏关系作为依据，建立模糊相似关系，从而对客观事物进行分类[27,28]. ...
... 国内外学者利用机器学习对海洋腐蚀性影响因素的权重以及腐蚀速率预测领域展开了大量的研究.李海涛等[22]以在中国腐蚀与防护网上面选取2Cr1312不锈钢、Q235B钢和6082铝合金3种海洋工程材料的腐蚀数据为研究样本，从获取的4027条腐蚀数据中选取4024条数据作为模型的训练集，剩余数据作为2Cr1312不锈钢、Q235B钢和6082铝合金的测试集，并利用遗传算法分析了海洋环境中各因素对腐蚀速度的影响率,并以对2Cr1312不锈钢、Q235B钢和6082铝合金等3种材料腐蚀影响较大的水温、溶解氧、盐度、电导率、pH和氧化还原电位作为输入量，以3种材料的腐蚀速率作为输出量，综合对比了经遗传算法优化后的BP模型即GA-BP模型与BP模型的差异.研究表明，海洋环境中各因素对腐蚀速度的影响权重依次为：溶解氧 (28.65)>pH (27.41)>盐度 (25.46)>电导率 (24.91)>氧化还原电位 (23.18)>水温 (21.78)>降雨量 (14.76)>相对湿度 (13.29)>风速 (7.83)>气温 (5.76)；并且GA-BP模型的训练误差以及训练时间都要优于传统的BP神经网络模型.马良涛等[42]以在青岛海洋腐蚀所海水实验站进行周期1 a的实海挂片 (Q235钢) 实验的腐蚀数据为研究样本，在25组腐蚀数据中选择18组数据作为训练集，7组数据作为测试集，并以环境温度、含氧量、pH、盐度及自腐蚀电位作为输入量，其腐蚀速率作为输出量，对比分析了GRNN模型和BP模型的预测精度.研究表明，GRNN模型在选择默认扩散速度值的情况下，其精度高于同等条件下的BP神经网络，其平均预测误差仅为5.75%；并且在最优扩展速度下GRNN模型的平均误差减小为2.38%，具有较高的预测精度.李响等[24]以海洋挂片 (Q235钢) 腐蚀试验数据作为研究样本，由于SVM可以较好地解决海洋腐蚀数据较少情况下的腐蚀规律预测问题，因此李响等建立了遗传算法SVM模型即GA-SVM模型，并从获取的25组腐蚀数据中选取22组作为训练集，3组作为测试集，以温度、含氧量、含盐量、pH值为输入量，腐蚀速率为输出量，对比分析了GA-SVM和BP神经网络模型的预测效果，并将GA-SVM模型的预测值与实际值进行对比.研究发现： GA-SVM模型测试集的预测误差均小于3%，而BP神经网络预测模型测试集的误差绝对值的平均值为7.23%，因此GA-SVM模型的预测误差要优于BP神经网络的预测误差，并且GA-SVM模型的预测值几乎接近实际的腐蚀速率.Wen等[43]以采用电化学技术测量获取的46组不同海水环境下3C钢腐蚀数据为研究样本，建立了基于粒子群优化 (PSO) 参数的支持向量回归 (SVR) 预测模型，进一步地通过留一法交叉验证 (LOOCV) 建立了SVM-LOOCV预测模型，并对比了SVR模型、SVM-LOOCV模型与BPNN模型的预测误差以及不同数量训练集的预测误差，并将预测值与实际值进行对比；SVM模型和BPNN模型的建模方式1为随机选取其中的41组腐蚀数据为训练集，以5组腐蚀数据为测试集，建模方式2为以42组腐蚀数据为训练集，4组为测试集，而SVM-LOOCV预测模型以46组腐蚀数据中的45组为训练集，1组为测试集，上述预测模型均以温度、溶解氧、盐度、pH 值和氧化还原电位为输入量，腐蚀速率为输出量，研究表明：对于相同的训练集和测试集，SVR模型的预测误差小于BPNN模型，并且SVR模型的泛化能力 (平均绝对误差 (MAE)、平均绝对百分比误差 (MAPE) 和相关系数 (R2)) 也优于BPNN模型，以建模方式2建立的SVR模型和BPNN模型预测误差低于以建模方式1建立的SVR模型和BPNN模型的预测误差，并且SVM-LOOCV模型的MAE和MAPE均优于SVR模型和BPNN模型，进一步说明了增加训练样本的数量可以提高模型的预测精度.骆正山等[44]以50组不同海水环境参数下的海洋挂片腐蚀速率数据为研究样本，腐蚀数据包含了海水温度、溶解氧含量、盐度、pH和氧化还原电位、腐蚀速率等参量，利用套索回归模型 (LASSO) 分析出了对海洋腐蚀影响较大的参量，以对海洋腐蚀影响较大的参量为输入量，以腐蚀速率为输出量，并选取腐蚀数据中的42组为训练集，8组为测试集，建立了LASSO -WOA (鲸鱼优化算法) -LSSVM (最小二乘支持向量机) 预测模型，并对比分析了FOA-LSSVM 、LSSVM以及LASSO-WOA-LSSVM等模型的预测效果，并将预测值与实际值进行比较.结果表明：对海洋管线腐蚀影响较大的因素为温度、溶解氧含量和pH值；与FOA-LSSVM 和 LSSVM 两个模型相比，LASSO-WOA-LSSVM的预测值与真实腐蚀速率的差距较小，拟合效果更佳，并且LASSO-WOA-LSSVM的均方根误差 (RMSE) 仅为 0.3248，并且决定系数R2达到了0.9708，远高于其他两个模型.张新生等[45]通过实海挂片试验，获得了海底油气管线在不同海水温度、溶氧量、盐度、pH值以及氧化还原电位条件下的腐蚀速率，利用因子分析 (FA) 对海水腐蚀影响因素进行降维处理，以降维后海水腐蚀影响因素为输入量，腐蚀速率为输出量，从获取到的50组腐蚀数据中选取43组为训练集，7组为测试集，建立了FA-BAS (天牛须搜索算法) -ELM (极限学习机) 预测模型，并综合对比了FA-BAS-ELM模型、FA-ELM模型、FA-FOA (果蝇优化算法)-ELM模型以及FA-BAS-BP模型的预测精度和拟合效果，并将预测值与实际值进行比较.研究表明：海水温度、溶氧量、盐度、pH值等4个参量对海水腐蚀的影响较大，综合考虑MAPE、RMSE、R2以及平均训练时间等因素，FA-BAS-ELM模型的预测精度和拟合效果均要优于FA-ELM模型、FA-FOA-ELM模型、FA-BAS-BP模型等3种模型，并且FA-BAS-ELM模型的MAPE仅为1.92%，R2高达0.9949，预测值与实际值基本吻合.刘学庆等[41]以海洋工程常用钢材3C、Q235、16Mn、10MnPNbRe、10CrMoAl、D36作为研究样本，依据电化学测定的不同海水环境下的腐蚀数据 (溶解氧，氧化还原电位，温度，盐度，pH值以及腐蚀速率) (3C钢26组腐蚀数据、Q235钢25组腐蚀数据、16Mn钢24组腐蚀数据、10MnPNbRe钢23组腐蚀数据、10CrMoAl钢23组腐蚀数据、D36钢24组腐蚀数据)，通过灰关联分析法分析了各环境因素对不同钢材腐蚀速度的影响大小，建立了BP神经网络模型，以溶解氧、氧化还原电位、温度、盐度、pH值为输入量，以腐蚀速率为输出量，并以3C钢腐蚀数据中的5组腐蚀数据、Q235钢腐蚀数据中的4组腐蚀数据、16Mn钢腐蚀数据中的4组腐蚀数据、10MnPNbRe钢腐蚀数据中的3组腐蚀数据、10CrMoAl钢腐蚀数据中的4组腐蚀数据、D36钢腐蚀数据中的4组腐蚀数据为测试集，钢材中的其他数据为训练集.研究表明：各环境参数关联度的平均值大小顺序为：溶解氧、氧化还原电位、温度、盐度、pH值，其中氧化还原电位和温度对腐蚀速度的影响程度几乎没有差别；BP人工神经网络模型的预测值与实际值的相对误差在10%以内，预测精度较高. ...
... 由上述实例可知，应用于海洋腐蚀环境下的机器学习算法类型要明显多于土壤环境，并且与土壤腐蚀预测研究相比，近些年对于海洋腐蚀的研究较多.目前对于海洋腐蚀影响因素权重的分析还没有具体统一的分析方法，有学者采用遗传算法、LASSO、FA (因子分析)、灰关联分析法等算法分析海洋环境因素对海洋腐蚀影响的权重[22,41,44,45]，并且大部分研究发现海水环境中的海水温度、溶氧量、盐度、pH值等因素均对海水腐蚀发挥着重要的作用[22,24,41~45].目前对于海水腐蚀速率预测多采用的机器学习算法是基于神经网络和支持向量机的优化算法[22,24,41~44]，并且预测精确度较高；也有少数学者采用随机森林算法、FA-BAS-ELM模型、FA-ELM 模型、FA-FOA-ELM模型等方法[45,47]. ...
... ,24,41~44]，并且预测精确度较高；也有少数学者采用随机森林算法、FA-BAS-ELM模型、FA-ELM 模型、FA-FOA-ELM模型等方法[45,47]. ...
Prediction of metal corrosion rate based on GA-BP neural network
1
2018
... 常用的机器学习算法主要包括线性回归、神经网络、随机森林、支持向量机、K最近邻算法、遗传算法、灰关联分析法、模糊聚类等，每一类算法都有独特的特点和应用场景.线性回归 (LR) 可以解决简单的回归问题，具有计算简单、训练速度快的特点，但不能拟合非线性的数据[11,12].神经网络不仅具有大规模处理信息、分布储存、自组织及自学习、良好的容错性以及推广能力的优势，尽管神经网络并不依赖于精确的数学模型[13~16]，但神经网络模型往往缺乏统一的数学理论，容易陷入局部最小化，影响全局优化；并且对小样本数据集泛化能力较弱；在结构设计 (隐藏节点数量的选择) 方面也很大程度上取决于设计者的先验知识和经验，容易过拟合[17].随机森林 (RF) 不仅可以实现小样本下的非线性建模过程，而且具有易于实现、抗过拟合、性能优良、鲁棒性、可解释性等优点，且模型层数较深，可以很好地反映输入量微小的变化对输出量的影响，对于处理陡峭流形结构数据具有一定的优势[18].支持向量机 (SVM) 可以实现腐蚀数据量较小情形下的非线性建模过程且具有较好的泛化能力，但属于浅层模型，难以解决陡峭流形结构数据的问题[18].K最近邻算法可用于处理回归问题和分类问题，但该算法计算量较大，而且当数据不均衡时，预测偏差较大[19~21].遗传算法是一种类似自然进化过程来寻找最优解的算法；通过模拟自然界的优胜劣汰、适者生存现象，最终获得最优解[22~24]；遗传算法的优点之一就是全局寻优[13]，该算法不仅可以优化BP神经网络模型的权阈值，还可以优化网络的拓扑结构[25].灰关联分析法不仅样本数据需求量相对较少，还可以对有限的以及表面无规律的数据进行相关分析处理，从而找到系统自身存在的潜在规律特征[26,27].模糊聚类的分析对象多是未分类的群体，将事物间的特征、相似性及亲疏关系作为依据，建立模糊相似关系，从而对客观事物进行分类[27,28]. ...
GA-BP神经网络预测金属腐蚀速率
1
2018
... 常用的机器学习算法主要包括线性回归、神经网络、随机森林、支持向量机、K最近邻算法、遗传算法、灰关联分析法、模糊聚类等，每一类算法都有独特的特点和应用场景.线性回归 (LR) 可以解决简单的回归问题，具有计算简单、训练速度快的特点，但不能拟合非线性的数据[11,12].神经网络不仅具有大规模处理信息、分布储存、自组织及自学习、良好的容错性以及推广能力的优势，尽管神经网络并不依赖于精确的数学模型[13~16]，但神经网络模型往往缺乏统一的数学理论，容易陷入局部最小化，影响全局优化；并且对小样本数据集泛化能力较弱；在结构设计 (隐藏节点数量的选择) 方面也很大程度上取决于设计者的先验知识和经验，容易过拟合[17].随机森林 (RF) 不仅可以实现小样本下的非线性建模过程，而且具有易于实现、抗过拟合、性能优良、鲁棒性、可解释性等优点，且模型层数较深，可以很好地反映输入量微小的变化对输出量的影响，对于处理陡峭流形结构数据具有一定的优势[18].支持向量机 (SVM) 可以实现腐蚀数据量较小情形下的非线性建模过程且具有较好的泛化能力，但属于浅层模型，难以解决陡峭流形结构数据的问题[18].K最近邻算法可用于处理回归问题和分类问题，但该算法计算量较大，而且当数据不均衡时，预测偏差较大[19~21].遗传算法是一种类似自然进化过程来寻找最优解的算法；通过模拟自然界的优胜劣汰、适者生存现象，最终获得最优解[22~24]；遗传算法的优点之一就是全局寻优[13]，该算法不仅可以优化BP神经网络模型的权阈值，还可以优化网络的拓扑结构[25].灰关联分析法不仅样本数据需求量相对较少，还可以对有限的以及表面无规律的数据进行相关分析处理，从而找到系统自身存在的潜在规律特征[26,27].模糊聚类的分析对象多是未分类的群体，将事物间的特征、相似性及亲疏关系作为依据，建立模糊相似关系，从而对客观事物进行分类[27,28]. ...
Research on soil corrosion and protection of pipeline
6
2009
... 常用的机器学习算法主要包括线性回归、神经网络、随机森林、支持向量机、K最近邻算法、遗传算法、灰关联分析法、模糊聚类等，每一类算法都有独特的特点和应用场景.线性回归 (LR) 可以解决简单的回归问题，具有计算简单、训练速度快的特点，但不能拟合非线性的数据[11,12].神经网络不仅具有大规模处理信息、分布储存、自组织及自学习、良好的容错性以及推广能力的优势，尽管神经网络并不依赖于精确的数学模型[13~16]，但神经网络模型往往缺乏统一的数学理论，容易陷入局部最小化，影响全局优化；并且对小样本数据集泛化能力较弱；在结构设计 (隐藏节点数量的选择) 方面也很大程度上取决于设计者的先验知识和经验，容易过拟合[17].随机森林 (RF) 不仅可以实现小样本下的非线性建模过程，而且具有易于实现、抗过拟合、性能优良、鲁棒性、可解释性等优点，且模型层数较深，可以很好地反映输入量微小的变化对输出量的影响，对于处理陡峭流形结构数据具有一定的优势[18].支持向量机 (SVM) 可以实现腐蚀数据量较小情形下的非线性建模过程且具有较好的泛化能力，但属于浅层模型，难以解决陡峭流形结构数据的问题[18].K最近邻算法可用于处理回归问题和分类问题，但该算法计算量较大，而且当数据不均衡时，预测偏差较大[19~21].遗传算法是一种类似自然进化过程来寻找最优解的算法；通过模拟自然界的优胜劣汰、适者生存现象，最终获得最优解[22~24]；遗传算法的优点之一就是全局寻优[13]，该算法不仅可以优化BP神经网络模型的权阈值，还可以优化网络的拓扑结构[25].灰关联分析法不仅样本数据需求量相对较少，还可以对有限的以及表面无规律的数据进行相关分析处理，从而找到系统自身存在的潜在规律特征[26,27].模糊聚类的分析对象多是未分类的群体，将事物间的特征、相似性及亲疏关系作为依据，建立模糊相似关系，从而对客观事物进行分类[27,28]. ...
... 土壤环境十分复杂，一般认为是由气、液、固三相物质构成，并且还存在着若干种微生物，其中土壤微生物的代谢产物、土壤电阻率、氧化还原电位、pH、离子含量、土壤质地、含盐量以及含水率等都是影响土壤腐蚀的可能因素[26,31].土壤的构成和性质主要受水文、地理条件因素的限制，且土壤腐蚀的过程往往是复杂且多变的[32].近年来，地下金属结构物逐渐增多，土壤腐蚀问题也日益突出[28]，不少学者利用机器学习对土壤腐蚀性展开了研究，目前机器学习在土壤腐蚀领域的研究主要集中在土壤腐蚀影响因素权重分析以及腐蚀速率预测两个方面. ...
... 许多学者利用机器学习对土壤腐蚀影响因素权重大小展开了研究.秦晓霞等[26]对川气东送沿线的18组土壤样品进行了测试，由于灰关联分析法在样本数据相对较少的前提下，可以使有限的以及表面无规律的数据得到一个相对清晰的结论，因此利用灰关联分析法分析了土壤各理化性质对土壤腐蚀影响权重，依次是：Cl-含量>pH＞SO42-含量>含水量>氧化还原电位>HCO3-含量>土壤电阻率.梁平等[27]以Q235钢在库尔勒土壤站埋设不同年份的腐蚀速率和相对应的土壤理化性质为研究样本，由于模糊聚类可以较好的将未分类的对象按照事物间的特征、相似性以及亲疏关系等建立相应的模糊相似关系，梁平等人则通过模糊聚类分析了土壤影响因素 (含水量、全盐、电导率、Ca2+、Na+、Mg2+、K+、Cl-、pH、SO42-、HCO3-、NO3-) 中哪些是影响土壤腐蚀的主要因素，并进一步利用灰关联分析法以及改进层次分析法研究了影响该地区土壤腐蚀性主要因素的权重大小，研究表明，全盐、电导率、含水量、Cl-、pH、SO42-、HCO3-、NO3-等是影响土壤腐蚀的主要因素，各因素对土壤腐蚀性影响权重大小依次为全盐 (0.4050)>电导率 (0.2517)>含水量 (0.1493)>Cl- (0.0868)>pH (0.0501)>SO42- (0.0291)>HCO3- (0.0173)>NO3- (0.0107).罗小虎等[33]对青海油田花土沟地区土壤进行采样，在实验室对土壤的电阻率、自然腐蚀电位、氧化还原电位、pH、含水率、含盐率、Cl-含量、土壤腐蚀速率等参数进行了测试，共获得了15组腐蚀数据，利用灰关联分析法对该地土壤腐蚀影响因素权重进行了分析，结果表明：土壤腐蚀性影响因素权重依次为Cl-含量 (1.014)>含水率 (1.013)>含盐率 (1.011)>pH (0.99)>电阻率 (0.844)>氧化还原电位 (0.376)>自然腐蚀电位 (0.313).李丽等[28]通过已积累的我国14个土壤自然环境腐蚀站点的含水量、pH、Cl-、NO3-、SO42-、HCO3-、Na+、Ca2+、Mg2+、K+、全盐量、电导率等腐蚀数据，结合模糊聚类以及现有的研究得出含水量、pH、Cl-含量、SO42-含量、电导率、含盐量是影响土壤腐蚀的重要参量.骆正山等[34]以中俄管道典型监测点中的35组腐蚀数据为研究样本，共包含了土壤含水量、含盐量、pH、电位梯度、氧化还原电位、管地电位、杂散电位、电阻率、SO42-含量、Cl-含量、年均腐蚀壁厚等10项参数，依据粗糙集 (RS) 理论中的属性约简原理，得出影响管道土壤腐蚀性的主要因素是含水量、pH值、氧化还原电位、电阻率和硫酸根含量.梁昌晶等[35]对某油田集输管道附近进行埋片 (X65管线钢) 实验，以具有代表性的40组腐蚀数据为研究样本，通过法核主成分分析法 (KPCA) 对埋地管道土壤腐蚀影响因素 (土壤电阻率、土壤氧化还原电位、含盐量、Cl-含量、SO42-含量、含水量、电位梯度、pH值) 进行了数据降维，结果表明：土壤电阻率、氧化还原电位、含盐量、Cl-含量及含水量等参量是影响埋地管道土壤腐蚀性能的主要因素. ...
... 由上述实例可知，目前对于土壤腐蚀影响因素权重大小的分析方法主要以灰关联分析法、模糊聚类以及改进层次分析法为主[26~28,33]，也有部分学者采用KPCA法和RS理论中的属性约简原理对土壤腐蚀性影响因素权重进行分析[34,35]；大部分学者主要考察了土壤电阻率、氧化还原电位、pH值、SO42-、含盐量、Cl-含量及含水量对土壤腐蚀性的影响[26,33~35]，也有学者研究了NO3-、SO42-、HCO3-、Na+、Ca2+、Mg2+、K+以及自腐蚀电位等因素对土壤腐蚀性的影响[27,28]，基于上述研究表明含水率在不同地区的土壤腐蚀中均发挥了重要的作用[26~28,33~35].实际上，不同地区影响土壤腐蚀的关键参量不尽相同，可能是不同地域条件具有差异性导致的，并且影响土壤腐蚀的各因素间并不是单独发挥作用，而是相互影响，交互作用. ...
... [26,33~35]，也有学者研究了NO3-、SO42-、HCO3-、Na+、Ca2+、Mg2+、K+以及自腐蚀电位等因素对土壤腐蚀性的影响[27,28]，基于上述研究表明含水率在不同地区的土壤腐蚀中均发挥了重要的作用[26~28,33~35].实际上，不同地区影响土壤腐蚀的关键参量不尽相同，可能是不同地域条件具有差异性导致的，并且影响土壤腐蚀的各因素间并不是单独发挥作用，而是相互影响，交互作用. ...
... [26~28,33~35].实际上，不同地区影响土壤腐蚀的关键参量不尽相同，可能是不同地域条件具有差异性导致的，并且影响土壤腐蚀的各因素间并不是单独发挥作用，而是相互影响，交互作用. ...
埋地管道土壤腐蚀性与防护研究
6
2009
... 常用的机器学习算法主要包括线性回归、神经网络、随机森林、支持向量机、K最近邻算法、遗传算法、灰关联分析法、模糊聚类等，每一类算法都有独特的特点和应用场景.线性回归 (LR) 可以解决简单的回归问题，具有计算简单、训练速度快的特点，但不能拟合非线性的数据[11,12].神经网络不仅具有大规模处理信息、分布储存、自组织及自学习、良好的容错性以及推广能力的优势，尽管神经网络并不依赖于精确的数学模型[13~16]，但神经网络模型往往缺乏统一的数学理论，容易陷入局部最小化，影响全局优化；并且对小样本数据集泛化能力较弱；在结构设计 (隐藏节点数量的选择) 方面也很大程度上取决于设计者的先验知识和经验，容易过拟合[17].随机森林 (RF) 不仅可以实现小样本下的非线性建模过程，而且具有易于实现、抗过拟合、性能优良、鲁棒性、可解释性等优点，且模型层数较深，可以很好地反映输入量微小的变化对输出量的影响，对于处理陡峭流形结构数据具有一定的优势[18].支持向量机 (SVM) 可以实现腐蚀数据量较小情形下的非线性建模过程且具有较好的泛化能力，但属于浅层模型，难以解决陡峭流形结构数据的问题[18].K最近邻算法可用于处理回归问题和分类问题，但该算法计算量较大，而且当数据不均衡时，预测偏差较大[19~21].遗传算法是一种类似自然进化过程来寻找最优解的算法；通过模拟自然界的优胜劣汰、适者生存现象，最终获得最优解[22~24]；遗传算法的优点之一就是全局寻优[13]，该算法不仅可以优化BP神经网络模型的权阈值，还可以优化网络的拓扑结构[25].灰关联分析法不仅样本数据需求量相对较少，还可以对有限的以及表面无规律的数据进行相关分析处理，从而找到系统自身存在的潜在规律特征[26,27].模糊聚类的分析对象多是未分类的群体，将事物间的特征、相似性及亲疏关系作为依据，建立模糊相似关系，从而对客观事物进行分类[27,28]. ...
... 土壤环境十分复杂，一般认为是由气、液、固三相物质构成，并且还存在着若干种微生物，其中土壤微生物的代谢产物、土壤电阻率、氧化还原电位、pH、离子含量、土壤质地、含盐量以及含水率等都是影响土壤腐蚀的可能因素[26,31].土壤的构成和性质主要受水文、地理条件因素的限制，且土壤腐蚀的过程往往是复杂且多变的[32].近年来，地下金属结构物逐渐增多，土壤腐蚀问题也日益突出[28]，不少学者利用机器学习对土壤腐蚀性展开了研究，目前机器学习在土壤腐蚀领域的研究主要集中在土壤腐蚀影响因素权重分析以及腐蚀速率预测两个方面. ...
... 许多学者利用机器学习对土壤腐蚀影响因素权重大小展开了研究.秦晓霞等[26]对川气东送沿线的18组土壤样品进行了测试，由于灰关联分析法在样本数据相对较少的前提下，可以使有限的以及表面无规律的数据得到一个相对清晰的结论，因此利用灰关联分析法分析了土壤各理化性质对土壤腐蚀影响权重，依次是：Cl-含量>pH＞SO42-含量>含水量>氧化还原电位>HCO3-含量>土壤电阻率.梁平等[27]以Q235钢在库尔勒土壤站埋设不同年份的腐蚀速率和相对应的土壤理化性质为研究样本，由于模糊聚类可以较好的将未分类的对象按照事物间的特征、相似性以及亲疏关系等建立相应的模糊相似关系，梁平等人则通过模糊聚类分析了土壤影响因素 (含水量、全盐、电导率、Ca2+、Na+、Mg2+、K+、Cl-、pH、SO42-、HCO3-、NO3-) 中哪些是影响土壤腐蚀的主要因素，并进一步利用灰关联分析法以及改进层次分析法研究了影响该地区土壤腐蚀性主要因素的权重大小，研究表明，全盐、电导率、含水量、Cl-、pH、SO42-、HCO3-、NO3-等是影响土壤腐蚀的主要因素，各因素对土壤腐蚀性影响权重大小依次为全盐 (0.4050)>电导率 (0.2517)>含水量 (0.1493)>Cl- (0.0868)>pH (0.0501)>SO42- (0.0291)>HCO3- (0.0173)>NO3- (0.0107).罗小虎等[33]对青海油田花土沟地区土壤进行采样，在实验室对土壤的电阻率、自然腐蚀电位、氧化还原电位、pH、含水率、含盐率、Cl-含量、土壤腐蚀速率等参数进行了测试，共获得了15组腐蚀数据，利用灰关联分析法对该地土壤腐蚀影响因素权重进行了分析，结果表明：土壤腐蚀性影响因素权重依次为Cl-含量 (1.014)>含水率 (1.013)>含盐率 (1.011)>pH (0.99)>电阻率 (0.844)>氧化还原电位 (0.376)>自然腐蚀电位 (0.313).李丽等[28]通过已积累的我国14个土壤自然环境腐蚀站点的含水量、pH、Cl-、NO3-、SO42-、HCO3-、Na+、Ca2+、Mg2+、K+、全盐量、电导率等腐蚀数据，结合模糊聚类以及现有的研究得出含水量、pH、Cl-含量、SO42-含量、电导率、含盐量是影响土壤腐蚀的重要参量.骆正山等[34]以中俄管道典型监测点中的35组腐蚀数据为研究样本，共包含了土壤含水量、含盐量、pH、电位梯度、氧化还原电位、管地电位、杂散电位、电阻率、SO42-含量、Cl-含量、年均腐蚀壁厚等10项参数，依据粗糙集 (RS) 理论中的属性约简原理，得出影响管道土壤腐蚀性的主要因素是含水量、pH值、氧化还原电位、电阻率和硫酸根含量.梁昌晶等[35]对某油田集输管道附近进行埋片 (X65管线钢) 实验，以具有代表性的40组腐蚀数据为研究样本，通过法核主成分分析法 (KPCA) 对埋地管道土壤腐蚀影响因素 (土壤电阻率、土壤氧化还原电位、含盐量、Cl-含量、SO42-含量、含水量、电位梯度、pH值) 进行了数据降维，结果表明：土壤电阻率、氧化还原电位、含盐量、Cl-含量及含水量等参量是影响埋地管道土壤腐蚀性能的主要因素. ...
... 由上述实例可知，目前对于土壤腐蚀影响因素权重大小的分析方法主要以灰关联分析法、模糊聚类以及改进层次分析法为主[26~28,33]，也有部分学者采用KPCA法和RS理论中的属性约简原理对土壤腐蚀性影响因素权重进行分析[34,35]；大部分学者主要考察了土壤电阻率、氧化还原电位、pH值、SO42-、含盐量、Cl-含量及含水量对土壤腐蚀性的影响[26,33~35]，也有学者研究了NO3-、SO42-、HCO3-、Na+、Ca2+、Mg2+、K+以及自腐蚀电位等因素对土壤腐蚀性的影响[27,28]，基于上述研究表明含水率在不同地区的土壤腐蚀中均发挥了重要的作用[26~28,33~35].实际上，不同地区影响土壤腐蚀的关键参量不尽相同，可能是不同地域条件具有差异性导致的，并且影响土壤腐蚀的各因素间并不是单独发挥作用，而是相互影响，交互作用. ...
... [26,33~35]，也有学者研究了NO3-、SO42-、HCO3-、Na+、Ca2+、Mg2+、K+以及自腐蚀电位等因素对土壤腐蚀性的影响[27,28]，基于上述研究表明含水率在不同地区的土壤腐蚀中均发挥了重要的作用[26~28,33~35].实际上，不同地区影响土壤腐蚀的关键参量不尽相同，可能是不同地域条件具有差异性导致的，并且影响土壤腐蚀的各因素间并不是单独发挥作用，而是相互影响，交互作用. ...
... [26~28,33~35].实际上，不同地区影响土壤腐蚀的关键参量不尽相同，可能是不同地域条件具有差异性导致的，并且影响土壤腐蚀的各因素间并不是单独发挥作用，而是相互影响，交互作用. ...
Analysis of factors on soil corrosion for buried Q235 steel in Ku'erle region
4
2010
... 常用的机器学习算法主要包括线性回归、神经网络、随机森林、支持向量机、K最近邻算法、遗传算法、灰关联分析法、模糊聚类等，每一类算法都有独特的特点和应用场景.线性回归 (LR) 可以解决简单的回归问题，具有计算简单、训练速度快的特点，但不能拟合非线性的数据[11,12].神经网络不仅具有大规模处理信息、分布储存、自组织及自学习、良好的容错性以及推广能力的优势，尽管神经网络并不依赖于精确的数学模型[13~16]，但神经网络模型往往缺乏统一的数学理论，容易陷入局部最小化，影响全局优化；并且对小样本数据集泛化能力较弱；在结构设计 (隐藏节点数量的选择) 方面也很大程度上取决于设计者的先验知识和经验，容易过拟合[17].随机森林 (RF) 不仅可以实现小样本下的非线性建模过程，而且具有易于实现、抗过拟合、性能优良、鲁棒性、可解释性等优点，且模型层数较深，可以很好地反映输入量微小的变化对输出量的影响，对于处理陡峭流形结构数据具有一定的优势[18].支持向量机 (SVM) 可以实现腐蚀数据量较小情形下的非线性建模过程且具有较好的泛化能力，但属于浅层模型，难以解决陡峭流形结构数据的问题[18].K最近邻算法可用于处理回归问题和分类问题，但该算法计算量较大，而且当数据不均衡时，预测偏差较大[19~21].遗传算法是一种类似自然进化过程来寻找最优解的算法；通过模拟自然界的优胜劣汰、适者生存现象，最终获得最优解[22~24]；遗传算法的优点之一就是全局寻优[13]，该算法不仅可以优化BP神经网络模型的权阈值，还可以优化网络的拓扑结构[25].灰关联分析法不仅样本数据需求量相对较少，还可以对有限的以及表面无规律的数据进行相关分析处理，从而找到系统自身存在的潜在规律特征[26,27].模糊聚类的分析对象多是未分类的群体，将事物间的特征、相似性及亲疏关系作为依据，建立模糊相似关系，从而对客观事物进行分类[27,28]. ...
... [27,28]. ...
... 许多学者利用机器学习对土壤腐蚀影响因素权重大小展开了研究.秦晓霞等[26]对川气东送沿线的18组土壤样品进行了测试，由于灰关联分析法在样本数据相对较少的前提下，可以使有限的以及表面无规律的数据得到一个相对清晰的结论，因此利用灰关联分析法分析了土壤各理化性质对土壤腐蚀影响权重，依次是：Cl-含量>pH＞SO42-含量>含水量>氧化还原电位>HCO3-含量>土壤电阻率.梁平等[27]以Q235钢在库尔勒土壤站埋设不同年份的腐蚀速率和相对应的土壤理化性质为研究样本，由于模糊聚类可以较好的将未分类的对象按照事物间的特征、相似性以及亲疏关系等建立相应的模糊相似关系，梁平等人则通过模糊聚类分析了土壤影响因素 (含水量、全盐、电导率、Ca2+、Na+、Mg2+、K+、Cl-、pH、SO42-、HCO3-、NO3-) 中哪些是影响土壤腐蚀的主要因素，并进一步利用灰关联分析法以及改进层次分析法研究了影响该地区土壤腐蚀性主要因素的权重大小，研究表明，全盐、电导率、含水量、Cl-、pH、SO42-、HCO3-、NO3-等是影响土壤腐蚀的主要因素，各因素对土壤腐蚀性影响权重大小依次为全盐 (0.4050)>电导率 (0.2517)>含水量 (0.1493)>Cl- (0.0868)>pH (0.0501)>SO42- (0.0291)>HCO3- (0.0173)>NO3- (0.0107).罗小虎等[33]对青海油田花土沟地区土壤进行采样，在实验室对土壤的电阻率、自然腐蚀电位、氧化还原电位、pH、含水率、含盐率、Cl-含量、土壤腐蚀速率等参数进行了测试，共获得了15组腐蚀数据，利用灰关联分析法对该地土壤腐蚀影响因素权重进行了分析，结果表明：土壤腐蚀性影响因素权重依次为Cl-含量 (1.014)>含水率 (1.013)>含盐率 (1.011)>pH (0.99)>电阻率 (0.844)>氧化还原电位 (0.376)>自然腐蚀电位 (0.313).李丽等[28]通过已积累的我国14个土壤自然环境腐蚀站点的含水量、pH、Cl-、NO3-、SO42-、HCO3-、Na+、Ca2+、Mg2+、K+、全盐量、电导率等腐蚀数据，结合模糊聚类以及现有的研究得出含水量、pH、Cl-含量、SO42-含量、电导率、含盐量是影响土壤腐蚀的重要参量.骆正山等[34]以中俄管道典型监测点中的35组腐蚀数据为研究样本，共包含了土壤含水量、含盐量、pH、电位梯度、氧化还原电位、管地电位、杂散电位、电阻率、SO42-含量、Cl-含量、年均腐蚀壁厚等10项参数，依据粗糙集 (RS) 理论中的属性约简原理，得出影响管道土壤腐蚀性的主要因素是含水量、pH值、氧化还原电位、电阻率和硫酸根含量.梁昌晶等[35]对某油田集输管道附近进行埋片 (X65管线钢) 实验，以具有代表性的40组腐蚀数据为研究样本，通过法核主成分分析法 (KPCA) 对埋地管道土壤腐蚀影响因素 (土壤电阻率、土壤氧化还原电位、含盐量、Cl-含量、SO42-含量、含水量、电位梯度、pH值) 进行了数据降维，结果表明：土壤电阻率、氧化还原电位、含盐量、Cl-含量及含水量等参量是影响埋地管道土壤腐蚀性能的主要因素. ...
... 由上述实例可知，目前对于土壤腐蚀影响因素权重大小的分析方法主要以灰关联分析法、模糊聚类以及改进层次分析法为主[26~28,33]，也有部分学者采用KPCA法和RS理论中的属性约简原理对土壤腐蚀性影响因素权重进行分析[34,35]；大部分学者主要考察了土壤电阻率、氧化还原电位、pH值、SO42-、含盐量、Cl-含量及含水量对土壤腐蚀性的影响[26,33~35]，也有学者研究了NO3-、SO42-、HCO3-、Na+、Ca2+、Mg2+、K+以及自腐蚀电位等因素对土壤腐蚀性的影响[27,28]，基于上述研究表明含水率在不同地区的土壤腐蚀中均发挥了重要的作用[26~28,33~35].实际上，不同地区影响土壤腐蚀的关键参量不尽相同，可能是不同地域条件具有差异性导致的，并且影响土壤腐蚀的各因素间并不是单独发挥作用，而是相互影响，交互作用. ...
Q235钢在库尔勒地区土壤腐蚀性的影响因素分析
4
2010
... 常用的机器学习算法主要包括线性回归、神经网络、随机森林、支持向量机、K最近邻算法、遗传算法、灰关联分析法、模糊聚类等，每一类算法都有独特的特点和应用场景.线性回归 (LR) 可以解决简单的回归问题，具有计算简单、训练速度快的特点，但不能拟合非线性的数据[11,12].神经网络不仅具有大规模处理信息、分布储存、自组织及自学习、良好的容错性以及推广能力的优势，尽管神经网络并不依赖于精确的数学模型[13~16]，但神经网络模型往往缺乏统一的数学理论，容易陷入局部最小化，影响全局优化；并且对小样本数据集泛化能力较弱；在结构设计 (隐藏节点数量的选择) 方面也很大程度上取决于设计者的先验知识和经验，容易过拟合[17].随机森林 (RF) 不仅可以实现小样本下的非线性建模过程，而且具有易于实现、抗过拟合、性能优良、鲁棒性、可解释性等优点，且模型层数较深，可以很好地反映输入量微小的变化对输出量的影响，对于处理陡峭流形结构数据具有一定的优势[18].支持向量机 (SVM) 可以实现腐蚀数据量较小情形下的非线性建模过程且具有较好的泛化能力，但属于浅层模型，难以解决陡峭流形结构数据的问题[18].K最近邻算法可用于处理回归问题和分类问题，但该算法计算量较大，而且当数据不均衡时，预测偏差较大[19~21].遗传算法是一种类似自然进化过程来寻找最优解的算法；通过模拟自然界的优胜劣汰、适者生存现象，最终获得最优解[22~24]；遗传算法的优点之一就是全局寻优[13]，该算法不仅可以优化BP神经网络模型的权阈值，还可以优化网络的拓扑结构[25].灰关联分析法不仅样本数据需求量相对较少，还可以对有限的以及表面无规律的数据进行相关分析处理，从而找到系统自身存在的潜在规律特征[26,27].模糊聚类的分析对象多是未分类的群体，将事物间的特征、相似性及亲疏关系作为依据，建立模糊相似关系，从而对客观事物进行分类[27,28]. ...
... [27,28]. ...
... 许多学者利用机器学习对土壤腐蚀影响因素权重大小展开了研究.秦晓霞等[26]对川气东送沿线的18组土壤样品进行了测试，由于灰关联分析法在样本数据相对较少的前提下，可以使有限的以及表面无规律的数据得到一个相对清晰的结论，因此利用灰关联分析法分析了土壤各理化性质对土壤腐蚀影响权重，依次是：Cl-含量>pH＞SO42-含量>含水量>氧化还原电位>HCO3-含量>土壤电阻率.梁平等[27]以Q235钢在库尔勒土壤站埋设不同年份的腐蚀速率和相对应的土壤理化性质为研究样本，由于模糊聚类可以较好的将未分类的对象按照事物间的特征、相似性以及亲疏关系等建立相应的模糊相似关系，梁平等人则通过模糊聚类分析了土壤影响因素 (含水量、全盐、电导率、Ca2+、Na+、Mg2+、K+、Cl-、pH、SO42-、HCO3-、NO3-) 中哪些是影响土壤腐蚀的主要因素，并进一步利用灰关联分析法以及改进层次分析法研究了影响该地区土壤腐蚀性主要因素的权重大小，研究表明，全盐、电导率、含水量、Cl-、pH、SO42-、HCO3-、NO3-等是影响土壤腐蚀的主要因素，各因素对土壤腐蚀性影响权重大小依次为全盐 (0.4050)>电导率 (0.2517)>含水量 (0.1493)>Cl- (0.0868)>pH (0.0501)>SO42- (0.0291)>HCO3- (0.0173)>NO3- (0.0107).罗小虎等[33]对青海油田花土沟地区土壤进行采样，在实验室对土壤的电阻率、自然腐蚀电位、氧化还原电位、pH、含水率、含盐率、Cl-含量、土壤腐蚀速率等参数进行了测试，共获得了15组腐蚀数据，利用灰关联分析法对该地土壤腐蚀影响因素权重进行了分析，结果表明：土壤腐蚀性影响因素权重依次为Cl-含量 (1.014)>含水率 (1.013)>含盐率 (1.011)>pH (0.99)>电阻率 (0.844)>氧化还原电位 (0.376)>自然腐蚀电位 (0.313).李丽等[28]通过已积累的我国14个土壤自然环境腐蚀站点的含水量、pH、Cl-、NO3-、SO42-、HCO3-、Na+、Ca2+、Mg2+、K+、全盐量、电导率等腐蚀数据，结合模糊聚类以及现有的研究得出含水量、pH、Cl-含量、SO42-含量、电导率、含盐量是影响土壤腐蚀的重要参量.骆正山等[34]以中俄管道典型监测点中的35组腐蚀数据为研究样本，共包含了土壤含水量、含盐量、pH、电位梯度、氧化还原电位、管地电位、杂散电位、电阻率、SO42-含量、Cl-含量、年均腐蚀壁厚等10项参数，依据粗糙集 (RS) 理论中的属性约简原理，得出影响管道土壤腐蚀性的主要因素是含水量、pH值、氧化还原电位、电阻率和硫酸根含量.梁昌晶等[35]对某油田集输管道附近进行埋片 (X65管线钢) 实验，以具有代表性的40组腐蚀数据为研究样本，通过法核主成分分析法 (KPCA) 对埋地管道土壤腐蚀影响因素 (土壤电阻率、土壤氧化还原电位、含盐量、Cl-含量、SO42-含量、含水量、电位梯度、pH值) 进行了数据降维，结果表明：土壤电阻率、氧化还原电位、含盐量、Cl-含量及含水量等参量是影响埋地管道土壤腐蚀性能的主要因素. ...
... 由上述实例可知，目前对于土壤腐蚀影响因素权重大小的分析方法主要以灰关联分析法、模糊聚类以及改进层次分析法为主[26~28,33]，也有部分学者采用KPCA法和RS理论中的属性约简原理对土壤腐蚀性影响因素权重进行分析[34,35]；大部分学者主要考察了土壤电阻率、氧化还原电位、pH值、SO42-、含盐量、Cl-含量及含水量对土壤腐蚀性的影响[26,33~35]，也有学者研究了NO3-、SO42-、HCO3-、Na+、Ca2+、Mg2+、K+以及自腐蚀电位等因素对土壤腐蚀性的影响[27,28]，基于上述研究表明含水率在不同地区的土壤腐蚀中均发挥了重要的作用[26~28,33~35].实际上，不同地区影响土壤腐蚀的关键参量不尽相同，可能是不同地域条件具有差异性导致的，并且影响土壤腐蚀的各因素间并不是单独发挥作用，而是相互影响，交互作用. ...
Research on soil corrosion rate prediction of carbon steel in typical Chinese cities based on BP artificial neural network
9
2013
... 常用的机器学习算法主要包括线性回归、神经网络、随机森林、支持向量机、K最近邻算法、遗传算法、灰关联分析法、模糊聚类等，每一类算法都有独特的特点和应用场景.线性回归 (LR) 可以解决简单的回归问题，具有计算简单、训练速度快的特点，但不能拟合非线性的数据[11,12].神经网络不仅具有大规模处理信息、分布储存、自组织及自学习、良好的容错性以及推广能力的优势，尽管神经网络并不依赖于精确的数学模型[13~16]，但神经网络模型往往缺乏统一的数学理论，容易陷入局部最小化，影响全局优化；并且对小样本数据集泛化能力较弱；在结构设计 (隐藏节点数量的选择) 方面也很大程度上取决于设计者的先验知识和经验，容易过拟合[17].随机森林 (RF) 不仅可以实现小样本下的非线性建模过程，而且具有易于实现、抗过拟合、性能优良、鲁棒性、可解释性等优点，且模型层数较深，可以很好地反映输入量微小的变化对输出量的影响，对于处理陡峭流形结构数据具有一定的优势[18].支持向量机 (SVM) 可以实现腐蚀数据量较小情形下的非线性建模过程且具有较好的泛化能力，但属于浅层模型，难以解决陡峭流形结构数据的问题[18].K最近邻算法可用于处理回归问题和分类问题，但该算法计算量较大，而且当数据不均衡时，预测偏差较大[19~21].遗传算法是一种类似自然进化过程来寻找最优解的算法；通过模拟自然界的优胜劣汰、适者生存现象，最终获得最优解[22~24]；遗传算法的优点之一就是全局寻优[13]，该算法不仅可以优化BP神经网络模型的权阈值，还可以优化网络的拓扑结构[25].灰关联分析法不仅样本数据需求量相对较少，还可以对有限的以及表面无规律的数据进行相关分析处理，从而找到系统自身存在的潜在规律特征[26,27].模糊聚类的分析对象多是未分类的群体，将事物间的特征、相似性及亲疏关系作为依据，建立模糊相似关系，从而对客观事物进行分类[27,28]. ...
... 土壤环境十分复杂，一般认为是由气、液、固三相物质构成，并且还存在着若干种微生物，其中土壤微生物的代谢产物、土壤电阻率、氧化还原电位、pH、离子含量、土壤质地、含盐量以及含水率等都是影响土壤腐蚀的可能因素[26,31].土壤的构成和性质主要受水文、地理条件因素的限制，且土壤腐蚀的过程往往是复杂且多变的[32].近年来，地下金属结构物逐渐增多，土壤腐蚀问题也日益突出[28]，不少学者利用机器学习对土壤腐蚀性展开了研究，目前机器学习在土壤腐蚀领域的研究主要集中在土壤腐蚀影响因素权重分析以及腐蚀速率预测两个方面. ...
... 许多学者利用机器学习对土壤腐蚀影响因素权重大小展开了研究.秦晓霞等[26]对川气东送沿线的18组土壤样品进行了测试，由于灰关联分析法在样本数据相对较少的前提下，可以使有限的以及表面无规律的数据得到一个相对清晰的结论，因此利用灰关联分析法分析了土壤各理化性质对土壤腐蚀影响权重，依次是：Cl-含量>pH＞SO42-含量>含水量>氧化还原电位>HCO3-含量>土壤电阻率.梁平等[27]以Q235钢在库尔勒土壤站埋设不同年份的腐蚀速率和相对应的土壤理化性质为研究样本，由于模糊聚类可以较好的将未分类的对象按照事物间的特征、相似性以及亲疏关系等建立相应的模糊相似关系，梁平等人则通过模糊聚类分析了土壤影响因素 (含水量、全盐、电导率、Ca2+、Na+、Mg2+、K+、Cl-、pH、SO42-、HCO3-、NO3-) 中哪些是影响土壤腐蚀的主要因素，并进一步利用灰关联分析法以及改进层次分析法研究了影响该地区土壤腐蚀性主要因素的权重大小，研究表明，全盐、电导率、含水量、Cl-、pH、SO42-、HCO3-、NO3-等是影响土壤腐蚀的主要因素，各因素对土壤腐蚀性影响权重大小依次为全盐 (0.4050)>电导率 (0.2517)>含水量 (0.1493)>Cl- (0.0868)>pH (0.0501)>SO42- (0.0291)>HCO3- (0.0173)>NO3- (0.0107).罗小虎等[33]对青海油田花土沟地区土壤进行采样，在实验室对土壤的电阻率、自然腐蚀电位、氧化还原电位、pH、含水率、含盐率、Cl-含量、土壤腐蚀速率等参数进行了测试，共获得了15组腐蚀数据，利用灰关联分析法对该地土壤腐蚀影响因素权重进行了分析，结果表明：土壤腐蚀性影响因素权重依次为Cl-含量 (1.014)>含水率 (1.013)>含盐率 (1.011)>pH (0.99)>电阻率 (0.844)>氧化还原电位 (0.376)>自然腐蚀电位 (0.313).李丽等[28]通过已积累的我国14个土壤自然环境腐蚀站点的含水量、pH、Cl-、NO3-、SO42-、HCO3-、Na+、Ca2+、Mg2+、K+、全盐量、电导率等腐蚀数据，结合模糊聚类以及现有的研究得出含水量、pH、Cl-含量、SO42-含量、电导率、含盐量是影响土壤腐蚀的重要参量.骆正山等[34]以中俄管道典型监测点中的35组腐蚀数据为研究样本，共包含了土壤含水量、含盐量、pH、电位梯度、氧化还原电位、管地电位、杂散电位、电阻率、SO42-含量、Cl-含量、年均腐蚀壁厚等10项参数，依据粗糙集 (RS) 理论中的属性约简原理，得出影响管道土壤腐蚀性的主要因素是含水量、pH值、氧化还原电位、电阻率和硫酸根含量.梁昌晶等[35]对某油田集输管道附近进行埋片 (X65管线钢) 实验，以具有代表性的40组腐蚀数据为研究样本，通过法核主成分分析法 (KPCA) 对埋地管道土壤腐蚀影响因素 (土壤电阻率、土壤氧化还原电位、含盐量、Cl-含量、SO42-含量、含水量、电位梯度、pH值) 进行了数据降维，结果表明：土壤电阻率、氧化还原电位、含盐量、Cl-含量及含水量等参量是影响埋地管道土壤腐蚀性能的主要因素. ...
... 由上述实例可知，目前对于土壤腐蚀影响因素权重大小的分析方法主要以灰关联分析法、模糊聚类以及改进层次分析法为主[26~28,33]，也有部分学者采用KPCA法和RS理论中的属性约简原理对土壤腐蚀性影响因素权重进行分析[34,35]；大部分学者主要考察了土壤电阻率、氧化还原电位、pH值、SO42-、含盐量、Cl-含量及含水量对土壤腐蚀性的影响[26,33~35]，也有学者研究了NO3-、SO42-、HCO3-、Na+、Ca2+、Mg2+、K+以及自腐蚀电位等因素对土壤腐蚀性的影响[27,28]，基于上述研究表明含水率在不同地区的土壤腐蚀中均发挥了重要的作用[26~28,33~35].实际上，不同地区影响土壤腐蚀的关键参量不尽相同，可能是不同地域条件具有差异性导致的，并且影响土壤腐蚀的各因素间并不是单独发挥作用，而是相互影响，交互作用. ...
... ,28]，基于上述研究表明含水率在不同地区的土壤腐蚀中均发挥了重要的作用[26~28,33~35].实际上，不同地区影响土壤腐蚀的关键参量不尽相同，可能是不同地域条件具有差异性导致的，并且影响土壤腐蚀的各因素间并不是单独发挥作用，而是相互影响，交互作用. ...
... ~28,33~35].实际上，不同地区影响土壤腐蚀的关键参量不尽相同，可能是不同地域条件具有差异性导致的，并且影响土壤腐蚀的各因素间并不是单独发挥作用，而是相互影响，交互作用. ...
... 国内外学者不仅利用机器学习研究了各因素对土壤腐蚀性影响的权重，还对土壤腐蚀速率预测方面展开了研究.郭阳阳等[36]在海南变电站现场采集了土壤样品，并在实验室进行测试，得到了包含土壤电阻率、管道自然腐蚀电位、氧化还原电位、土壤pH值、土壤质地、土壤含水量、土壤含盐量、土壤Cl-含量等参数的32组腐蚀数据，仅利用测试得到的腐蚀数据对预测模型进行训练和测试，较少的腐蚀数据导致预测准确率下降，因此利用unifrnd函数在单因素土壤腐蚀等级指标之间随机均匀生成2200个样本，由于神经网络不仅可以处理大规模数据信息，而且还具有分布储存、自组织及自学习、良好的容错性以及推广能力等均较为优异的特点，因此郭阳阳等[36]建立了神经网络预测模型，以其中的2000个作为训练集，200个作为测试集，并利用Q235钢相关的电化学腐蚀知识确定了电阻率、氧化还原电位、含水量、含盐量、pH、Cl-含量为预测模型的输入量，以Q235钢的接地网腐蚀速率作为输出量，并进一步对比分析了误差逆向传播网络 (BP) 模型和径向基神经网络 (RBF) 模型的建模过程和预测精度；最后利用在海南省部分变电站土壤埋片 (Q235钢) 实验得到的32组土壤腐蚀数据，对已建立的BP和RBF网络模型进行检验，并将两种模型的预测值与实际值进行对比.研究发现：在建模过程中，BP网络模型要设定的参数较多，而RBF网络模型只需设定Spread值；且RBF网络的训练精度以及泛化能力均优于BP网络模型，而在结构和运算方面，BP网络模型要优于RBF网络模型；通过检验两种已建立的模型发现其预测值与实际值均基本一致，其中BP预测模型的均方误差为0.2329，RBF预测模型的均方误差为0.0849，RBF网络模型对海南省土壤腐蚀预测的精度整体上优于BP网络模型.李丽等[28]通过已积累的国内14个具有代表性腐蚀试验站点的碳钢土壤腐蚀数据，基于BP神经网络模型建立了土壤腐蚀预测模型，该预测模型共分为三层，第一层为输入层，第二层为隐含层，第三层为输出层，选取前11个地区的土壤腐蚀数据为预测集，后3个地区的腐蚀数据为验证集，以含水量、pH、Cl-含量、SO42-含量、电导率、含盐量为输入量，即输入层有6个神经元节点，以碳钢土壤年腐蚀速率为输出量，即输出层为1个神经元节点，隐含层为5个神经元节点，并将预测值与现场碳钢埋片腐蚀实验结果进行对比.研究发现：基于BP神经网络，经过大量训练后可以建立具有较好的稳定性和泛化能力的土壤腐蚀预测模型，并且模型预测误差小于10%，预测值与真实值基本吻合.梁昌晶等[35]在某油田集输管道附近土壤进行了埋片 (X65管线钢) 实验，选取了具有代表性的监测点的40组腐蚀数据 (土壤电阻率、氧化还原电位、含盐量、Cl-含量、SO42-含量、含水量、电位梯度、pH以及腐蚀速率) 为研究样本，将腐蚀数据代入KPCA中进行数据降维，得到了对埋地管道腐蚀影响较大的是土壤电阻率、氧化还原电位、含盐量、Cl-质量分数及含水量，随后运用GWO (灰狼优化) 算法、GA (遗传算法)、PSO (粒子群算法) 以及FOA (果蝇算法) 对SVM中的惩罚因子c、核系数g进行寻优，并以对埋地管道腐蚀影响较大的因素为输入量，以土壤腐蚀速率为输出量，以随机抽取的30组腐蚀数据作为训练集，剩余10组作为测试集，建立并对比了GWO-SVM、GA-SVM、PSO-SVM以及FOA-SVM 等4种预测模型的预测效果.研究发现：综合考虑预测误差及预测时间，GWO-SVM模型要优于GA-SVM、PSO-SVM及FOA-SVM模型，其平均绝对误差值仅为1.90%，训练时间仅为2.55 s.Ling等[37]将ASTM A572-50钢试样嵌入到从威斯康星州的不同地点采集的具有不同理化性质 (pH值、含水率、电阻率、氯化物含量、硫酸盐和亚硫酸盐含量以及平均总有机碳浓度) 的9种土壤中，由于广义回归神经网络 (GRNN) 模型属于概率神经网络的范畴，该模型能够仅使用少量的训练样本来预测结果，并且仅通过一次“学习”过程，就可以在示例存储后立即从示例中进行泛化，因此Ling等[37]建立了GRNN模型，并以pH、含水率、电阻率、氯化物含量、硫酸盐和亚硫酸盐含量、平均总有机碳浓度以及样品在土壤中的暴露时间作为输入量，以钢试样的腐蚀电流密度和腐蚀电位值为输出量，并随机选择五个月测试数据中的70%用于训练和验证 (数据集数=2930)，其余的30%用于测试 (数据集数=1256)，并将该模型的预测值与实际测量值进行对比.结果表明：GRNN模型预测的结果与实际测量结果非常吻合，因此说明该预测模型能够较准确的预测嵌入不同土壤中的钢试样的腐蚀活性.曲良山等[38]对大庆30个典型土壤区域进行了碳钢现场埋片 (商用20＃钢热轧板) 实验，获取了土壤电阻率、试样的自然腐蚀电位、土壤电位梯度、土壤氧化还原电位、土壤pH、含水率、土壤容重、温度、CO32-、HCO32-、SO42-、Cl-、Ca2＋、Mg2＋、K＋、Na＋和硫酸盐还原菌等腐蚀数据，运用基于Matlab语言的BP人工神经网络，建立了土壤腐蚀预测模型，主要包含3层，即输入层、隐含层以及输出层，综合考虑土壤腐蚀的传质过程和土壤各影响因素间的逻辑分析，确定了以含水量、可溶盐总量、pH、Cl-含量、SO42-含量和空气容量为输入量，即输入层为6个神经元节点，以碳钢的腐蚀速度为输出量，即输出层为一个神经元节点，通过不断实践检验，隐含层确定为5个神经元节点，并选取其中的24组腐蚀数据为训练集，其余6组为测试集，并将预测值与现场碳钢埋片实验的实际值进行对比.研究发现：经过大量训练后可以建立具有较好稳定性和泛化能力的土壤腐蚀预测模型，该模型的预测误差值小于25％，预测值与真实值基本吻合，较好地预测了大庆地区的碳钢腐蚀情况. ...
... 目前对于土壤腐蚀速率预测的方法主要是人工神经网络算法或其优化算法[28,36~38]，也有部分学者通过支持向量机与其他算法融合建立腐蚀预测模型对土壤腐蚀性进行研究[35]，但目前该类算法在土壤腐蚀速率预测方面的应用并不是十分广泛.目前国内外学者主要基于土壤腐蚀性关键参量对土壤腐蚀速率进行预测分析[35,36,38]，但也有部分学者基于所有的土壤腐蚀参量，通过机器学习分析预测土壤腐蚀速率[28,37]；由于预测模型的输入量过多，不仅增加了建模的难度，而且还会减慢模型的训练速度，因此在不影响预测精度的前提下，利用土壤腐蚀性关键影响参量对土壤腐蚀速率进行预测将是未来的研究趋势.并且目前国内外学者主要针对单一或部分地区的土壤腐蚀性展开了研究分析，尚未形成适用于不同地区间的统一的土壤腐蚀预测模型，可能是由于目前尚未建立统一的土壤腐蚀数据库，因此进一步的开展数据库的建设和发展对于研究不同地区的土壤腐蚀性以及建立具有普适性的预测模型至关重要. ...
... [28,37]；由于预测模型的输入量过多，不仅增加了建模的难度，而且还会减慢模型的训练速度，因此在不影响预测精度的前提下，利用土壤腐蚀性关键影响参量对土壤腐蚀速率进行预测将是未来的研究趋势.并且目前国内外学者主要针对单一或部分地区的土壤腐蚀性展开了研究分析，尚未形成适用于不同地区间的统一的土壤腐蚀预测模型，可能是由于目前尚未建立统一的土壤腐蚀数据库，因此进一步的开展数据库的建设和发展对于研究不同地区的土壤腐蚀性以及建立具有普适性的预测模型至关重要. ...
BP人工神经网络对国内典型地区碳钢土壤腐蚀的预测研究
9
2013
... 常用的机器学习算法主要包括线性回归、神经网络、随机森林、支持向量机、K最近邻算法、遗传算法、灰关联分析法、模糊聚类等，每一类算法都有独特的特点和应用场景.线性回归 (LR) 可以解决简单的回归问题，具有计算简单、训练速度快的特点，但不能拟合非线性的数据[11,12].神经网络不仅具有大规模处理信息、分布储存、自组织及自学习、良好的容错性以及推广能力的优势，尽管神经网络并不依赖于精确的数学模型[13~16]，但神经网络模型往往缺乏统一的数学理论，容易陷入局部最小化，影响全局优化；并且对小样本数据集泛化能力较弱；在结构设计 (隐藏节点数量的选择) 方面也很大程度上取决于设计者的先验知识和经验，容易过拟合[17].随机森林 (RF) 不仅可以实现小样本下的非线性建模过程，而且具有易于实现、抗过拟合、性能优良、鲁棒性、可解释性等优点，且模型层数较深，可以很好地反映输入量微小的变化对输出量的影响，对于处理陡峭流形结构数据具有一定的优势[18].支持向量机 (SVM) 可以实现腐蚀数据量较小情形下的非线性建模过程且具有较好的泛化能力，但属于浅层模型，难以解决陡峭流形结构数据的问题[18].K最近邻算法可用于处理回归问题和分类问题，但该算法计算量较大，而且当数据不均衡时，预测偏差较大[19~21].遗传算法是一种类似自然进化过程来寻找最优解的算法；通过模拟自然界的优胜劣汰、适者生存现象，最终获得最优解[22~24]；遗传算法的优点之一就是全局寻优[13]，该算法不仅可以优化BP神经网络模型的权阈值，还可以优化网络的拓扑结构[25].灰关联分析法不仅样本数据需求量相对较少，还可以对有限的以及表面无规律的数据进行相关分析处理，从而找到系统自身存在的潜在规律特征[26,27].模糊聚类的分析对象多是未分类的群体，将事物间的特征、相似性及亲疏关系作为依据，建立模糊相似关系，从而对客观事物进行分类[27,28]. ...
... 土壤环境十分复杂，一般认为是由气、液、固三相物质构成，并且还存在着若干种微生物，其中土壤微生物的代谢产物、土壤电阻率、氧化还原电位、pH、离子含量、土壤质地、含盐量以及含水率等都是影响土壤腐蚀的可能因素[26,31].土壤的构成和性质主要受水文、地理条件因素的限制，且土壤腐蚀的过程往往是复杂且多变的[32].近年来，地下金属结构物逐渐增多，土壤腐蚀问题也日益突出[28]，不少学者利用机器学习对土壤腐蚀性展开了研究，目前机器学习在土壤腐蚀领域的研究主要集中在土壤腐蚀影响因素权重分析以及腐蚀速率预测两个方面. ...
... 许多学者利用机器学习对土壤腐蚀影响因素权重大小展开了研究.秦晓霞等[26]对川气东送沿线的18组土壤样品进行了测试，由于灰关联分析法在样本数据相对较少的前提下，可以使有限的以及表面无规律的数据得到一个相对清晰的结论，因此利用灰关联分析法分析了土壤各理化性质对土壤腐蚀影响权重，依次是：Cl-含量>pH＞SO42-含量>含水量>氧化还原电位>HCO3-含量>土壤电阻率.梁平等[27]以Q235钢在库尔勒土壤站埋设不同年份的腐蚀速率和相对应的土壤理化性质为研究样本，由于模糊聚类可以较好的将未分类的对象按照事物间的特征、相似性以及亲疏关系等建立相应的模糊相似关系，梁平等人则通过模糊聚类分析了土壤影响因素 (含水量、全盐、电导率、Ca2+、Na+、Mg2+、K+、Cl-、pH、SO42-、HCO3-、NO3-) 中哪些是影响土壤腐蚀的主要因素，并进一步利用灰关联分析法以及改进层次分析法研究了影响该地区土壤腐蚀性主要因素的权重大小，研究表明，全盐、电导率、含水量、Cl-、pH、SO42-、HCO3-、NO3-等是影响土壤腐蚀的主要因素，各因素对土壤腐蚀性影响权重大小依次为全盐 (0.4050)>电导率 (0.2517)>含水量 (0.1493)>Cl- (0.0868)>pH (0.0501)>SO42- (0.0291)>HCO3- (0.0173)>NO3- (0.0107).罗小虎等[33]对青海油田花土沟地区土壤进行采样，在实验室对土壤的电阻率、自然腐蚀电位、氧化还原电位、pH、含水率、含盐率、Cl-含量、土壤腐蚀速率等参数进行了测试，共获得了15组腐蚀数据，利用灰关联分析法对该地土壤腐蚀影响因素权重进行了分析，结果表明：土壤腐蚀性影响因素权重依次为Cl-含量 (1.014)>含水率 (1.013)>含盐率 (1.011)>pH (0.99)>电阻率 (0.844)>氧化还原电位 (0.376)>自然腐蚀电位 (0.313).李丽等[28]通过已积累的我国14个土壤自然环境腐蚀站点的含水量、pH、Cl-、NO3-、SO42-、HCO3-、Na+、Ca2+、Mg2+、K+、全盐量、电导率等腐蚀数据，结合模糊聚类以及现有的研究得出含水量、pH、Cl-含量、SO42-含量、电导率、含盐量是影响土壤腐蚀的重要参量.骆正山等[34]以中俄管道典型监测点中的35组腐蚀数据为研究样本，共包含了土壤含水量、含盐量、pH、电位梯度、氧化还原电位、管地电位、杂散电位、电阻率、SO42-含量、Cl-含量、年均腐蚀壁厚等10项参数，依据粗糙集 (RS) 理论中的属性约简原理，得出影响管道土壤腐蚀性的主要因素是含水量、pH值、氧化还原电位、电阻率和硫酸根含量.梁昌晶等[35]对某油田集输管道附近进行埋片 (X65管线钢) 实验，以具有代表性的40组腐蚀数据为研究样本，通过法核主成分分析法 (KPCA) 对埋地管道土壤腐蚀影响因素 (土壤电阻率、土壤氧化还原电位、含盐量、Cl-含量、SO42-含量、含水量、电位梯度、pH值) 进行了数据降维，结果表明：土壤电阻率、氧化还原电位、含盐量、Cl-含量及含水量等参量是影响埋地管道土壤腐蚀性能的主要因素. ...
... 由上述实例可知，目前对于土壤腐蚀影响因素权重大小的分析方法主要以灰关联分析法、模糊聚类以及改进层次分析法为主[26~28,33]，也有部分学者采用KPCA法和RS理论中的属性约简原理对土壤腐蚀性影响因素权重进行分析[34,35]；大部分学者主要考察了土壤电阻率、氧化还原电位、pH值、SO42-、含盐量、Cl-含量及含水量对土壤腐蚀性的影响[26,33~35]，也有学者研究了NO3-、SO42-、HCO3-、Na+、Ca2+、Mg2+、K+以及自腐蚀电位等因素对土壤腐蚀性的影响[27,28]，基于上述研究表明含水率在不同地区的土壤腐蚀中均发挥了重要的作用[26~28,33~35].实际上，不同地区影响土壤腐蚀的关键参量不尽相同，可能是不同地域条件具有差异性导致的，并且影响土壤腐蚀的各因素间并不是单独发挥作用，而是相互影响，交互作用. ...
... ,28]，基于上述研究表明含水率在不同地区的土壤腐蚀中均发挥了重要的作用[26~28,33~35].实际上，不同地区影响土壤腐蚀的关键参量不尽相同，可能是不同地域条件具有差异性导致的，并且影响土壤腐蚀的各因素间并不是单独发挥作用，而是相互影响，交互作用. ...
... ~28,33~35].实际上，不同地区影响土壤腐蚀的关键参量不尽相同，可能是不同地域条件具有差异性导致的，并且影响土壤腐蚀的各因素间并不是单独发挥作用，而是相互影响，交互作用. ...
... 国内外学者不仅利用机器学习研究了各因素对土壤腐蚀性影响的权重，还对土壤腐蚀速率预测方面展开了研究.郭阳阳等[36]在海南变电站现场采集了土壤样品，并在实验室进行测试，得到了包含土壤电阻率、管道自然腐蚀电位、氧化还原电位、土壤pH值、土壤质地、土壤含水量、土壤含盐量、土壤Cl-含量等参数的32组腐蚀数据，仅利用测试得到的腐蚀数据对预测模型进行训练和测试，较少的腐蚀数据导致预测准确率下降，因此利用unifrnd函数在单因素土壤腐蚀等级指标之间随机均匀生成2200个样本，由于神经网络不仅可以处理大规模数据信息，而且还具有分布储存、自组织及自学习、良好的容错性以及推广能力等均较为优异的特点，因此郭阳阳等[36]建立了神经网络预测模型，以其中的2000个作为训练集，200个作为测试集，并利用Q235钢相关的电化学腐蚀知识确定了电阻率、氧化还原电位、含水量、含盐量、pH、Cl-含量为预测模型的输入量，以Q235钢的接地网腐蚀速率作为输出量，并进一步对比分析了误差逆向传播网络 (BP) 模型和径向基神经网络 (RBF) 模型的建模过程和预测精度；最后利用在海南省部分变电站土壤埋片 (Q235钢) 实验得到的32组土壤腐蚀数据，对已建立的BP和RBF网络模型进行检验，并将两种模型的预测值与实际值进行对比.研究发现：在建模过程中，BP网络模型要设定的参数较多，而RBF网络模型只需设定Spread值；且RBF网络的训练精度以及泛化能力均优于BP网络模型，而在结构和运算方面，BP网络模型要优于RBF网络模型；通过检验两种已建立的模型发现其预测值与实际值均基本一致，其中BP预测模型的均方误差为0.2329，RBF预测模型的均方误差为0.0849，RBF网络模型对海南省土壤腐蚀预测的精度整体上优于BP网络模型.李丽等[28]通过已积累的国内14个具有代表性腐蚀试验站点的碳钢土壤腐蚀数据，基于BP神经网络模型建立了土壤腐蚀预测模型，该预测模型共分为三层，第一层为输入层，第二层为隐含层，第三层为输出层，选取前11个地区的土壤腐蚀数据为预测集，后3个地区的腐蚀数据为验证集，以含水量、pH、Cl-含量、SO42-含量、电导率、含盐量为输入量，即输入层有6个神经元节点，以碳钢土壤年腐蚀速率为输出量，即输出层为1个神经元节点，隐含层为5个神经元节点，并将预测值与现场碳钢埋片腐蚀实验结果进行对比.研究发现：基于BP神经网络，经过大量训练后可以建立具有较好的稳定性和泛化能力的土壤腐蚀预测模型，并且模型预测误差小于10%，预测值与真实值基本吻合.梁昌晶等[35]在某油田集输管道附近土壤进行了埋片 (X65管线钢) 实验，选取了具有代表性的监测点的40组腐蚀数据 (土壤电阻率、氧化还原电位、含盐量、Cl-含量、SO42-含量、含水量、电位梯度、pH以及腐蚀速率) 为研究样本，将腐蚀数据代入KPCA中进行数据降维，得到了对埋地管道腐蚀影响较大的是土壤电阻率、氧化还原电位、含盐量、Cl-质量分数及含水量，随后运用GWO (灰狼优化) 算法、GA (遗传算法)、PSO (粒子群算法) 以及FOA (果蝇算法) 对SVM中的惩罚因子c、核系数g进行寻优，并以对埋地管道腐蚀影响较大的因素为输入量，以土壤腐蚀速率为输出量，以随机抽取的30组腐蚀数据作为训练集，剩余10组作为测试集，建立并对比了GWO-SVM、GA-SVM、PSO-SVM以及FOA-SVM 等4种预测模型的预测效果.研究发现：综合考虑预测误差及预测时间，GWO-SVM模型要优于GA-SVM、PSO-SVM及FOA-SVM模型，其平均绝对误差值仅为1.90%，训练时间仅为2.55 s.Ling等[37]将ASTM A572-50钢试样嵌入到从威斯康星州的不同地点采集的具有不同理化性质 (pH值、含水率、电阻率、氯化物含量、硫酸盐和亚硫酸盐含量以及平均总有机碳浓度) 的9种土壤中，由于广义回归神经网络 (GRNN) 模型属于概率神经网络的范畴，该模型能够仅使用少量的训练样本来预测结果，并且仅通过一次“学习”过程，就可以在示例存储后立即从示例中进行泛化，因此Ling等[37]建立了GRNN模型，并以pH、含水率、电阻率、氯化物含量、硫酸盐和亚硫酸盐含量、平均总有机碳浓度以及样品在土壤中的暴露时间作为输入量，以钢试样的腐蚀电流密度和腐蚀电位值为输出量，并随机选择五个月测试数据中的70%用于训练和验证 (数据集数=2930)，其余的30%用于测试 (数据集数=1256)，并将该模型的预测值与实际测量值进行对比.结果表明：GRNN模型预测的结果与实际测量结果非常吻合，因此说明该预测模型能够较准确的预测嵌入不同土壤中的钢试样的腐蚀活性.曲良山等[38]对大庆30个典型土壤区域进行了碳钢现场埋片 (商用20＃钢热轧板) 实验，获取了土壤电阻率、试样的自然腐蚀电位、土壤电位梯度、土壤氧化还原电位、土壤pH、含水率、土壤容重、温度、CO32-、HCO32-、SO42-、Cl-、Ca2＋、Mg2＋、K＋、Na＋和硫酸盐还原菌等腐蚀数据，运用基于Matlab语言的BP人工神经网络，建立了土壤腐蚀预测模型，主要包含3层，即输入层、隐含层以及输出层，综合考虑土壤腐蚀的传质过程和土壤各影响因素间的逻辑分析，确定了以含水量、可溶盐总量、pH、Cl-含量、SO42-含量和空气容量为输入量，即输入层为6个神经元节点，以碳钢的腐蚀速度为输出量，即输出层为一个神经元节点，通过不断实践检验，隐含层确定为5个神经元节点，并选取其中的24组腐蚀数据为训练集，其余6组为测试集，并将预测值与现场碳钢埋片实验的实际值进行对比.研究发现：经过大量训练后可以建立具有较好稳定性和泛化能力的土壤腐蚀预测模型，该模型的预测误差值小于25％，预测值与真实值基本吻合，较好地预测了大庆地区的碳钢腐蚀情况. ...
... 目前对于土壤腐蚀速率预测的方法主要是人工神经网络算法或其优化算法[28,36~38]，也有部分学者通过支持向量机与其他算法融合建立腐蚀预测模型对土壤腐蚀性进行研究[35]，但目前该类算法在土壤腐蚀速率预测方面的应用并不是十分广泛.目前国内外学者主要基于土壤腐蚀性关键参量对土壤腐蚀速率进行预测分析[35,36,38]，但也有部分学者基于所有的土壤腐蚀参量，通过机器学习分析预测土壤腐蚀速率[28,37]；由于预测模型的输入量过多，不仅增加了建模的难度，而且还会减慢模型的训练速度，因此在不影响预测精度的前提下，利用土壤腐蚀性关键影响参量对土壤腐蚀速率进行预测将是未来的研究趋势.并且目前国内外学者主要针对单一或部分地区的土壤腐蚀性展开了研究分析，尚未形成适用于不同地区间的统一的土壤腐蚀预测模型，可能是由于目前尚未建立统一的土壤腐蚀数据库，因此进一步的开展数据库的建设和发展对于研究不同地区的土壤腐蚀性以及建立具有普适性的预测模型至关重要. ...
... [28,37]；由于预测模型的输入量过多，不仅增加了建模的难度，而且还会减慢模型的训练速度，因此在不影响预测精度的前提下，利用土壤腐蚀性关键影响参量对土壤腐蚀速率进行预测将是未来的研究趋势.并且目前国内外学者主要针对单一或部分地区的土壤腐蚀性展开了研究分析，尚未形成适用于不同地区间的统一的土壤腐蚀预测模型，可能是由于目前尚未建立统一的土壤腐蚀数据库，因此进一步的开展数据库的建设和发展对于研究不同地区的土壤腐蚀性以及建立具有普适性的预测模型至关重要. ...
Research on machine learning framework based on AMLF optimization algorithm
1
2022
... 结合腐蚀数据和各算法的特点合理的选取恰当的算法对于研究分析至关重要，单一算法可以满足部分研究需求，但随着研究需求的不断提高，不少学者对于现有的机器学习算法进行了优化或对机器学习算法间进行了融合，极大地提高了机器学习的预测精度.如查道贵等[29]提出的自适应改进的随机森林算法 (ARF) 准确率为决策树算法的1.5倍，为随机森林算法的1.2倍，并且ARF算法具有较强的噪声删除能力和冗余删除能力；凌晓等[30]充分融合了遗传算法 (GA) 和广义回归神经网络 (BPNN) 模型各自的特点建立了GA-BPNN预测模型，对某条输油管线内腐蚀速率进行预测，预测结果表明，BPNN 模型预测的最高相对误差达到24.49%，平均相对误差为11.13%，而GA-BPNN模型最高相对误差仅为8.16%，平均相对误差为3.10%. ...
基于AMLF优化算法的机器学习框架的技术研究
1
2022
... 结合腐蚀数据和各算法的特点合理的选取恰当的算法对于研究分析至关重要，单一算法可以满足部分研究需求，但随着研究需求的不断提高，不少学者对于现有的机器学习算法进行了优化或对机器学习算法间进行了融合，极大地提高了机器学习的预测精度.如查道贵等[29]提出的自适应改进的随机森林算法 (ARF) 准确率为决策树算法的1.5倍，为随机森林算法的1.2倍，并且ARF算法具有较强的噪声删除能力和冗余删除能力；凌晓等[30]充分融合了遗传算法 (GA) 和广义回归神经网络 (BPNN) 模型各自的特点建立了GA-BPNN预测模型，对某条输油管线内腐蚀速率进行预测，预测结果表明，BPNN 模型预测的最高相对误差达到24.49%，平均相对误差为11.13%，而GA-BPNN模型最高相对误差仅为8.16%，平均相对误差为3.10%. ...
Prediction of corrosion rate in oil pipeline based on improved BP neural network
1
2021
... 结合腐蚀数据和各算法的特点合理的选取恰当的算法对于研究分析至关重要，单一算法可以满足部分研究需求，但随着研究需求的不断提高，不少学者对于现有的机器学习算法进行了优化或对机器学习算法间进行了融合，极大地提高了机器学习的预测精度.如查道贵等[29]提出的自适应改进的随机森林算法 (ARF) 准确率为决策树算法的1.5倍，为随机森林算法的1.2倍，并且ARF算法具有较强的噪声删除能力和冗余删除能力；凌晓等[30]充分融合了遗传算法 (GA) 和广义回归神经网络 (BPNN) 模型各自的特点建立了GA-BPNN预测模型，对某条输油管线内腐蚀速率进行预测，预测结果表明，BPNN 模型预测的最高相对误差达到24.49%，平均相对误差为11.13%，而GA-BPNN模型最高相对误差仅为8.16%，平均相对误差为3.10%. ...
基于改进的BP神经网络的输油管道内腐蚀速率预测
1
2021
... 结合腐蚀数据和各算法的特点合理的选取恰当的算法对于研究分析至关重要，单一算法可以满足部分研究需求，但随着研究需求的不断提高，不少学者对于现有的机器学习算法进行了优化或对机器学习算法间进行了融合，极大地提高了机器学习的预测精度.如查道贵等[29]提出的自适应改进的随机森林算法 (ARF) 准确率为决策树算法的1.5倍，为随机森林算法的1.2倍，并且ARF算法具有较强的噪声删除能力和冗余删除能力；凌晓等[30]充分融合了遗传算法 (GA) 和广义回归神经网络 (BPNN) 模型各自的特点建立了GA-BPNN预测模型，对某条输油管线内腐蚀速率进行预测，预测结果表明，BPNN 模型预测的最高相对误差达到24.49%，平均相对误差为11.13%，而GA-BPNN模型最高相对误差仅为8.16%，平均相对误差为3.10%. ...
Research on soil corrosion of 20# steel buried gas pipelines in Chongqing
1
2013
... 土壤环境十分复杂，一般认为是由气、液、固三相物质构成，并且还存在着若干种微生物，其中土壤微生物的代谢产物、土壤电阻率、氧化还原电位、pH、离子含量、土壤质地、含盐量以及含水率等都是影响土壤腐蚀的可能因素[26,31].土壤的构成和性质主要受水文、地理条件因素的限制，且土壤腐蚀的过程往往是复杂且多变的[32].近年来，地下金属结构物逐渐增多，土壤腐蚀问题也日益突出[28]，不少学者利用机器学习对土壤腐蚀性展开了研究，目前机器学习在土壤腐蚀领域的研究主要集中在土壤腐蚀影响因素权重分析以及腐蚀速率预测两个方面. ...
重庆市20#钢质燃气埋地管道的土壤腐蚀研究
1
2013
... 土壤环境十分复杂，一般认为是由气、液、固三相物质构成，并且还存在着若干种微生物，其中土壤微生物的代谢产物、土壤电阻率、氧化还原电位、pH、离子含量、土壤质地、含盐量以及含水率等都是影响土壤腐蚀的可能因素[26,31].土壤的构成和性质主要受水文、地理条件因素的限制，且土壤腐蚀的过程往往是复杂且多变的[32].近年来，地下金属结构物逐渐增多，土壤腐蚀问题也日益突出[28]，不少学者利用机器学习对土壤腐蚀性展开了研究，目前机器学习在土壤腐蚀领域的研究主要集中在土壤腐蚀影响因素权重分析以及腐蚀速率预测两个方面. ...
Review on research methods of soil corrosion for buried pipeline steels
1
2008
... 土壤环境十分复杂，一般认为是由气、液、固三相物质构成，并且还存在着若干种微生物，其中土壤微生物的代谢产物、土壤电阻率、氧化还原电位、pH、离子含量、土壤质地、含盐量以及含水率等都是影响土壤腐蚀的可能因素[26,31].土壤的构成和性质主要受水文、地理条件因素的限制，且土壤腐蚀的过程往往是复杂且多变的[32].近年来，地下金属结构物逐渐增多，土壤腐蚀问题也日益突出[28]，不少学者利用机器学习对土壤腐蚀性展开了研究，目前机器学习在土壤腐蚀领域的研究主要集中在土壤腐蚀影响因素权重分析以及腐蚀速率预测两个方面. ...
埋地管道钢土壤腐蚀研究方法进展
1
2008
... 土壤环境十分复杂，一般认为是由气、液、固三相物质构成，并且还存在着若干种微生物，其中土壤微生物的代谢产物、土壤电阻率、氧化还原电位、pH、离子含量、土壤质地、含盐量以及含水率等都是影响土壤腐蚀的可能因素[26,31].土壤的构成和性质主要受水文、地理条件因素的限制，且土壤腐蚀的过程往往是复杂且多变的[32].近年来，地下金属结构物逐渐增多，土壤腐蚀问题也日益突出[28]，不少学者利用机器学习对土壤腐蚀性展开了研究，目前机器学习在土壤腐蚀领域的研究主要集中在土壤腐蚀影响因素权重分析以及腐蚀速率预测两个方面. ...
Evaluation of soil corrosion grade based on IAHP and fuzzy grey theory
4
2019
... 许多学者利用机器学习对土壤腐蚀影响因素权重大小展开了研究.秦晓霞等[26]对川气东送沿线的18组土壤样品进行了测试，由于灰关联分析法在样本数据相对较少的前提下，可以使有限的以及表面无规律的数据得到一个相对清晰的结论，因此利用灰关联分析法分析了土壤各理化性质对土壤腐蚀影响权重，依次是：Cl-含量>pH＞SO42-含量>含水量>氧化还原电位>HCO3-含量>土壤电阻率.梁平等[27]以Q235钢在库尔勒土壤站埋设不同年份的腐蚀速率和相对应的土壤理化性质为研究样本，由于模糊聚类可以较好的将未分类的对象按照事物间的特征、相似性以及亲疏关系等建立相应的模糊相似关系，梁平等人则通过模糊聚类分析了土壤影响因素 (含水量、全盐、电导率、Ca2+、Na+、Mg2+、K+、Cl-、pH、SO42-、HCO3-、NO3-) 中哪些是影响土壤腐蚀的主要因素，并进一步利用灰关联分析法以及改进层次分析法研究了影响该地区土壤腐蚀性主要因素的权重大小，研究表明，全盐、电导率、含水量、Cl-、pH、SO42-、HCO3-、NO3-等是影响土壤腐蚀的主要因素，各因素对土壤腐蚀性影响权重大小依次为全盐 (0.4050)>电导率 (0.2517)>含水量 (0.1493)>Cl- (0.0868)>pH (0.0501)>SO42- (0.0291)>HCO3- (0.0173)>NO3- (0.0107).罗小虎等[33]对青海油田花土沟地区土壤进行采样，在实验室对土壤的电阻率、自然腐蚀电位、氧化还原电位、pH、含水率、含盐率、Cl-含量、土壤腐蚀速率等参数进行了测试，共获得了15组腐蚀数据，利用灰关联分析法对该地土壤腐蚀影响因素权重进行了分析，结果表明：土壤腐蚀性影响因素权重依次为Cl-含量 (1.014)>含水率 (1.013)>含盐率 (1.011)>pH (0.99)>电阻率 (0.844)>氧化还原电位 (0.376)>自然腐蚀电位 (0.313).李丽等[28]通过已积累的我国14个土壤自然环境腐蚀站点的含水量、pH、Cl-、NO3-、SO42-、HCO3-、Na+、Ca2+、Mg2+、K+、全盐量、电导率等腐蚀数据，结合模糊聚类以及现有的研究得出含水量、pH、Cl-含量、SO42-含量、电导率、含盐量是影响土壤腐蚀的重要参量.骆正山等[34]以中俄管道典型监测点中的35组腐蚀数据为研究样本，共包含了土壤含水量、含盐量、pH、电位梯度、氧化还原电位、管地电位、杂散电位、电阻率、SO42-含量、Cl-含量、年均腐蚀壁厚等10项参数，依据粗糙集 (RS) 理论中的属性约简原理，得出影响管道土壤腐蚀性的主要因素是含水量、pH值、氧化还原电位、电阻率和硫酸根含量.梁昌晶等[35]对某油田集输管道附近进行埋片 (X65管线钢) 实验，以具有代表性的40组腐蚀数据为研究样本，通过法核主成分分析法 (KPCA) 对埋地管道土壤腐蚀影响因素 (土壤电阻率、土壤氧化还原电位、含盐量、Cl-含量、SO42-含量、含水量、电位梯度、pH值) 进行了数据降维，结果表明：土壤电阻率、氧化还原电位、含盐量、Cl-含量及含水量等参量是影响埋地管道土壤腐蚀性能的主要因素. ...
... 由上述实例可知，目前对于土壤腐蚀影响因素权重大小的分析方法主要以灰关联分析法、模糊聚类以及改进层次分析法为主[26~28,33]，也有部分学者采用KPCA法和RS理论中的属性约简原理对土壤腐蚀性影响因素权重进行分析[34,35]；大部分学者主要考察了土壤电阻率、氧化还原电位、pH值、SO42-、含盐量、Cl-含量及含水量对土壤腐蚀性的影响[26,33~35]，也有学者研究了NO3-、SO42-、HCO3-、Na+、Ca2+、Mg2+、K+以及自腐蚀电位等因素对土壤腐蚀性的影响[27,28]，基于上述研究表明含水率在不同地区的土壤腐蚀中均发挥了重要的作用[26~28,33~35].实际上，不同地区影响土壤腐蚀的关键参量不尽相同，可能是不同地域条件具有差异性导致的，并且影响土壤腐蚀的各因素间并不是单独发挥作用，而是相互影响，交互作用. ...
... ,33~35]，也有学者研究了NO3-、SO42-、HCO3-、Na+、Ca2+、Mg2+、K+以及自腐蚀电位等因素对土壤腐蚀性的影响[27,28]，基于上述研究表明含水率在不同地区的土壤腐蚀中均发挥了重要的作用[26~28,33~35].实际上，不同地区影响土壤腐蚀的关键参量不尽相同，可能是不同地域条件具有差异性导致的，并且影响土壤腐蚀的各因素间并不是单独发挥作用，而是相互影响，交互作用. ...
... ,33~35].实际上，不同地区影响土壤腐蚀的关键参量不尽相同，可能是不同地域条件具有差异性导致的，并且影响土壤腐蚀的各因素间并不是单独发挥作用，而是相互影响，交互作用. ...
基于IAHP和模糊灰色理论的土壤腐蚀等级评价
4
2019
... 许多学者利用机器学习对土壤腐蚀影响因素权重大小展开了研究.秦晓霞等[26]对川气东送沿线的18组土壤样品进行了测试，由于灰关联分析法在样本数据相对较少的前提下，可以使有限的以及表面无规律的数据得到一个相对清晰的结论，因此利用灰关联分析法分析了土壤各理化性质对土壤腐蚀影响权重，依次是：Cl-含量>pH＞SO42-含量>含水量>氧化还原电位>HCO3-含量>土壤电阻率.梁平等[27]以Q235钢在库尔勒土壤站埋设不同年份的腐蚀速率和相对应的土壤理化性质为研究样本，由于模糊聚类可以较好的将未分类的对象按照事物间的特征、相似性以及亲疏关系等建立相应的模糊相似关系，梁平等人则通过模糊聚类分析了土壤影响因素 (含水量、全盐、电导率、Ca2+、Na+、Mg2+、K+、Cl-、pH、SO42-、HCO3-、NO3-) 中哪些是影响土壤腐蚀的主要因素，并进一步利用灰关联分析法以及改进层次分析法研究了影响该地区土壤腐蚀性主要因素的权重大小，研究表明，全盐、电导率、含水量、Cl-、pH、SO42-、HCO3-、NO3-等是影响土壤腐蚀的主要因素，各因素对土壤腐蚀性影响权重大小依次为全盐 (0.4050)>电导率 (0.2517)>含水量 (0.1493)>Cl- (0.0868)>pH (0.0501)>SO42- (0.0291)>HCO3- (0.0173)>NO3- (0.0107).罗小虎等[33]对青海油田花土沟地区土壤进行采样，在实验室对土壤的电阻率、自然腐蚀电位、氧化还原电位、pH、含水率、含盐率、Cl-含量、土壤腐蚀速率等参数进行了测试，共获得了15组腐蚀数据，利用灰关联分析法对该地土壤腐蚀影响因素权重进行了分析，结果表明：土壤腐蚀性影响因素权重依次为Cl-含量 (1.014)>含水率 (1.013)>含盐率 (1.011)>pH (0.99)>电阻率 (0.844)>氧化还原电位 (0.376)>自然腐蚀电位 (0.313).李丽等[28]通过已积累的我国14个土壤自然环境腐蚀站点的含水量、pH、Cl-、NO3-、SO42-、HCO3-、Na+、Ca2+、Mg2+、K+、全盐量、电导率等腐蚀数据，结合模糊聚类以及现有的研究得出含水量、pH、Cl-含量、SO42-含量、电导率、含盐量是影响土壤腐蚀的重要参量.骆正山等[34]以中俄管道典型监测点中的35组腐蚀数据为研究样本，共包含了土壤含水量、含盐量、pH、电位梯度、氧化还原电位、管地电位、杂散电位、电阻率、SO42-含量、Cl-含量、年均腐蚀壁厚等10项参数，依据粗糙集 (RS) 理论中的属性约简原理，得出影响管道土壤腐蚀性的主要因素是含水量、pH值、氧化还原电位、电阻率和硫酸根含量.梁昌晶等[35]对某油田集输管道附近进行埋片 (X65管线钢) 实验，以具有代表性的40组腐蚀数据为研究样本，通过法核主成分分析法 (KPCA) 对埋地管道土壤腐蚀影响因素 (土壤电阻率、土壤氧化还原电位、含盐量、Cl-含量、SO42-含量、含水量、电位梯度、pH值) 进行了数据降维，结果表明：土壤电阻率、氧化还原电位、含盐量、Cl-含量及含水量等参量是影响埋地管道土壤腐蚀性能的主要因素. ...
... 由上述实例可知，目前对于土壤腐蚀影响因素权重大小的分析方法主要以灰关联分析法、模糊聚类以及改进层次分析法为主[26~28,33]，也有部分学者采用KPCA法和RS理论中的属性约简原理对土壤腐蚀性影响因素权重进行分析[34,35]；大部分学者主要考察了土壤电阻率、氧化还原电位、pH值、SO42-、含盐量、Cl-含量及含水量对土壤腐蚀性的影响[26,33~35]，也有学者研究了NO3-、SO42-、HCO3-、Na+、Ca2+、Mg2+、K+以及自腐蚀电位等因素对土壤腐蚀性的影响[27,28]，基于上述研究表明含水率在不同地区的土壤腐蚀中均发挥了重要的作用[26~28,33~35].实际上，不同地区影响土壤腐蚀的关键参量不尽相同，可能是不同地域条件具有差异性导致的，并且影响土壤腐蚀的各因素间并不是单独发挥作用，而是相互影响，交互作用. ...
... ,33~35]，也有学者研究了NO3-、SO42-、HCO3-、Na+、Ca2+、Mg2+、K+以及自腐蚀电位等因素对土壤腐蚀性的影响[27,28]，基于上述研究表明含水率在不同地区的土壤腐蚀中均发挥了重要的作用[26~28,33~35].实际上，不同地区影响土壤腐蚀的关键参量不尽相同，可能是不同地域条件具有差异性导致的，并且影响土壤腐蚀的各因素间并不是单独发挥作用，而是相互影响，交互作用. ...
... ,33~35].实际上，不同地区影响土壤腐蚀的关键参量不尽相同，可能是不同地域条件具有差异性导致的，并且影响土壤腐蚀的各因素间并不是单独发挥作用，而是相互影响，交互作用. ...
Soil corrosion prediction of buried pipeline based on the model of RS-PSO-GRNN
2
2018
... 许多学者利用机器学习对土壤腐蚀影响因素权重大小展开了研究.秦晓霞等[26]对川气东送沿线的18组土壤样品进行了测试，由于灰关联分析法在样本数据相对较少的前提下，可以使有限的以及表面无规律的数据得到一个相对清晰的结论，因此利用灰关联分析法分析了土壤各理化性质对土壤腐蚀影响权重，依次是：Cl-含量>pH＞SO42-含量>含水量>氧化还原电位>HCO3-含量>土壤电阻率.梁平等[27]以Q235钢在库尔勒土壤站埋设不同年份的腐蚀速率和相对应的土壤理化性质为研究样本，由于模糊聚类可以较好的将未分类的对象按照事物间的特征、相似性以及亲疏关系等建立相应的模糊相似关系，梁平等人则通过模糊聚类分析了土壤影响因素 (含水量、全盐、电导率、Ca2+、Na+、Mg2+、K+、Cl-、pH、SO42-、HCO3-、NO3-) 中哪些是影响土壤腐蚀的主要因素，并进一步利用灰关联分析法以及改进层次分析法研究了影响该地区土壤腐蚀性主要因素的权重大小，研究表明，全盐、电导率、含水量、Cl-、pH、SO42-、HCO3-、NO3-等是影响土壤腐蚀的主要因素，各因素对土壤腐蚀性影响权重大小依次为全盐 (0.4050)>电导率 (0.2517)>含水量 (0.1493)>Cl- (0.0868)>pH (0.0501)>SO42- (0.0291)>HCO3- (0.0173)>NO3- (0.0107).罗小虎等[33]对青海油田花土沟地区土壤进行采样，在实验室对土壤的电阻率、自然腐蚀电位、氧化还原电位、pH、含水率、含盐率、Cl-含量、土壤腐蚀速率等参数进行了测试，共获得了15组腐蚀数据，利用灰关联分析法对该地土壤腐蚀影响因素权重进行了分析，结果表明：土壤腐蚀性影响因素权重依次为Cl-含量 (1.014)>含水率 (1.013)>含盐率 (1.011)>pH (0.99)>电阻率 (0.844)>氧化还原电位 (0.376)>自然腐蚀电位 (0.313).李丽等[28]通过已积累的我国14个土壤自然环境腐蚀站点的含水量、pH、Cl-、NO3-、SO42-、HCO3-、Na+、Ca2+、Mg2+、K+、全盐量、电导率等腐蚀数据，结合模糊聚类以及现有的研究得出含水量、pH、Cl-含量、SO42-含量、电导率、含盐量是影响土壤腐蚀的重要参量.骆正山等[34]以中俄管道典型监测点中的35组腐蚀数据为研究样本，共包含了土壤含水量、含盐量、pH、电位梯度、氧化还原电位、管地电位、杂散电位、电阻率、SO42-含量、Cl-含量、年均腐蚀壁厚等10项参数，依据粗糙集 (RS) 理论中的属性约简原理，得出影响管道土壤腐蚀性的主要因素是含水量、pH值、氧化还原电位、电阻率和硫酸根含量.梁昌晶等[35]对某油田集输管道附近进行埋片 (X65管线钢) 实验，以具有代表性的40组腐蚀数据为研究样本，通过法核主成分分析法 (KPCA) 对埋地管道土壤腐蚀影响因素 (土壤电阻率、土壤氧化还原电位、含盐量、Cl-含量、SO42-含量、含水量、电位梯度、pH值) 进行了数据降维，结果表明：土壤电阻率、氧化还原电位、含盐量、Cl-含量及含水量等参量是影响埋地管道土壤腐蚀性能的主要因素. ...
... 由上述实例可知，目前对于土壤腐蚀影响因素权重大小的分析方法主要以灰关联分析法、模糊聚类以及改进层次分析法为主[26~28,33]，也有部分学者采用KPCA法和RS理论中的属性约简原理对土壤腐蚀性影响因素权重进行分析[34,35]；大部分学者主要考察了土壤电阻率、氧化还原电位、pH值、SO42-、含盐量、Cl-含量及含水量对土壤腐蚀性的影响[26,33~35]，也有学者研究了NO3-、SO42-、HCO3-、Na+、Ca2+、Mg2+、K+以及自腐蚀电位等因素对土壤腐蚀性的影响[27,28]，基于上述研究表明含水率在不同地区的土壤腐蚀中均发挥了重要的作用[26~28,33~35].实际上，不同地区影响土壤腐蚀的关键参量不尽相同，可能是不同地域条件具有差异性导致的，并且影响土壤腐蚀的各因素间并不是单独发挥作用，而是相互影响，交互作用. ...
基于RS-PSO-GRNN的埋地管道土壤腐蚀预测
2
2018
... 许多学者利用机器学习对土壤腐蚀影响因素权重大小展开了研究.秦晓霞等[26]对川气东送沿线的18组土壤样品进行了测试，由于灰关联分析法在样本数据相对较少的前提下，可以使有限的以及表面无规律的数据得到一个相对清晰的结论，因此利用灰关联分析法分析了土壤各理化性质对土壤腐蚀影响权重，依次是：Cl-含量>pH＞SO42-含量>含水量>氧化还原电位>HCO3-含量>土壤电阻率.梁平等[27]以Q235钢在库尔勒土壤站埋设不同年份的腐蚀速率和相对应的土壤理化性质为研究样本，由于模糊聚类可以较好的将未分类的对象按照事物间的特征、相似性以及亲疏关系等建立相应的模糊相似关系，梁平等人则通过模糊聚类分析了土壤影响因素 (含水量、全盐、电导率、Ca2+、Na+、Mg2+、K+、Cl-、pH、SO42-、HCO3-、NO3-) 中哪些是影响土壤腐蚀的主要因素，并进一步利用灰关联分析法以及改进层次分析法研究了影响该地区土壤腐蚀性主要因素的权重大小，研究表明，全盐、电导率、含水量、Cl-、pH、SO42-、HCO3-、NO3-等是影响土壤腐蚀的主要因素，各因素对土壤腐蚀性影响权重大小依次为全盐 (0.4050)>电导率 (0.2517)>含水量 (0.1493)>Cl- (0.0868)>pH (0.0501)>SO42- (0.0291)>HCO3- (0.0173)>NO3- (0.0107).罗小虎等[33]对青海油田花土沟地区土壤进行采样，在实验室对土壤的电阻率、自然腐蚀电位、氧化还原电位、pH、含水率、含盐率、Cl-含量、土壤腐蚀速率等参数进行了测试，共获得了15组腐蚀数据，利用灰关联分析法对该地土壤腐蚀影响因素权重进行了分析，结果表明：土壤腐蚀性影响因素权重依次为Cl-含量 (1.014)>含水率 (1.013)>含盐率 (1.011)>pH (0.99)>电阻率 (0.844)>氧化还原电位 (0.376)>自然腐蚀电位 (0.313).李丽等[28]通过已积累的我国14个土壤自然环境腐蚀站点的含水量、pH、Cl-、NO3-、SO42-、HCO3-、Na+、Ca2+、Mg2+、K+、全盐量、电导率等腐蚀数据，结合模糊聚类以及现有的研究得出含水量、pH、Cl-含量、SO42-含量、电导率、含盐量是影响土壤腐蚀的重要参量.骆正山等[34]以中俄管道典型监测点中的35组腐蚀数据为研究样本，共包含了土壤含水量、含盐量、pH、电位梯度、氧化还原电位、管地电位、杂散电位、电阻率、SO42-含量、Cl-含量、年均腐蚀壁厚等10项参数，依据粗糙集 (RS) 理论中的属性约简原理，得出影响管道土壤腐蚀性的主要因素是含水量、pH值、氧化还原电位、电阻率和硫酸根含量.梁昌晶等[35]对某油田集输管道附近进行埋片 (X65管线钢) 实验，以具有代表性的40组腐蚀数据为研究样本，通过法核主成分分析法 (KPCA) 对埋地管道土壤腐蚀影响因素 (土壤电阻率、土壤氧化还原电位、含盐量、Cl-含量、SO42-含量、含水量、电位梯度、pH值) 进行了数据降维，结果表明：土壤电阻率、氧化还原电位、含盐量、Cl-含量及含水量等参量是影响埋地管道土壤腐蚀性能的主要因素. ...
... 由上述实例可知，目前对于土壤腐蚀影响因素权重大小的分析方法主要以灰关联分析法、模糊聚类以及改进层次分析法为主[26~28,33]，也有部分学者采用KPCA法和RS理论中的属性约简原理对土壤腐蚀性影响因素权重进行分析[34,35]；大部分学者主要考察了土壤电阻率、氧化还原电位、pH值、SO42-、含盐量、Cl-含量及含水量对土壤腐蚀性的影响[26,33~35]，也有学者研究了NO3-、SO42-、HCO3-、Na+、Ca2+、Mg2+、K+以及自腐蚀电位等因素对土壤腐蚀性的影响[27,28]，基于上述研究表明含水率在不同地区的土壤腐蚀中均发挥了重要的作用[26~28,33~35].实际上，不同地区影响土壤腐蚀的关键参量不尽相同，可能是不同地域条件具有差异性导致的，并且影响土壤腐蚀的各因素间并不是单独发挥作用，而是相互影响，交互作用. ...
Prediction of soil corrosion rate of buried pipeline based on KPCA-GWO-SVM
7
2021
... 许多学者利用机器学习对土壤腐蚀影响因素权重大小展开了研究.秦晓霞等[26]对川气东送沿线的18组土壤样品进行了测试，由于灰关联分析法在样本数据相对较少的前提下，可以使有限的以及表面无规律的数据得到一个相对清晰的结论，因此利用灰关联分析法分析了土壤各理化性质对土壤腐蚀影响权重，依次是：Cl-含量>pH＞SO42-含量>含水量>氧化还原电位>HCO3-含量>土壤电阻率.梁平等[27]以Q235钢在库尔勒土壤站埋设不同年份的腐蚀速率和相对应的土壤理化性质为研究样本，由于模糊聚类可以较好的将未分类的对象按照事物间的特征、相似性以及亲疏关系等建立相应的模糊相似关系，梁平等人则通过模糊聚类分析了土壤影响因素 (含水量、全盐、电导率、Ca2+、Na+、Mg2+、K+、Cl-、pH、SO42-、HCO3-、NO3-) 中哪些是影响土壤腐蚀的主要因素，并进一步利用灰关联分析法以及改进层次分析法研究了影响该地区土壤腐蚀性主要因素的权重大小，研究表明，全盐、电导率、含水量、Cl-、pH、SO42-、HCO3-、NO3-等是影响土壤腐蚀的主要因素，各因素对土壤腐蚀性影响权重大小依次为全盐 (0.4050)>电导率 (0.2517)>含水量 (0.1493)>Cl- (0.0868)>pH (0.0501)>SO42- (0.0291)>HCO3- (0.0173)>NO3- (0.0107).罗小虎等[33]对青海油田花土沟地区土壤进行采样，在实验室对土壤的电阻率、自然腐蚀电位、氧化还原电位、pH、含水率、含盐率、Cl-含量、土壤腐蚀速率等参数进行了测试，共获得了15组腐蚀数据，利用灰关联分析法对该地土壤腐蚀影响因素权重进行了分析，结果表明：土壤腐蚀性影响因素权重依次为Cl-含量 (1.014)>含水率 (1.013)>含盐率 (1.011)>pH (0.99)>电阻率 (0.844)>氧化还原电位 (0.376)>自然腐蚀电位 (0.313).李丽等[28]通过已积累的我国14个土壤自然环境腐蚀站点的含水量、pH、Cl-、NO3-、SO42-、HCO3-、Na+、Ca2+、Mg2+、K+、全盐量、电导率等腐蚀数据，结合模糊聚类以及现有的研究得出含水量、pH、Cl-含量、SO42-含量、电导率、含盐量是影响土壤腐蚀的重要参量.骆正山等[34]以中俄管道典型监测点中的35组腐蚀数据为研究样本，共包含了土壤含水量、含盐量、pH、电位梯度、氧化还原电位、管地电位、杂散电位、电阻率、SO42-含量、Cl-含量、年均腐蚀壁厚等10项参数，依据粗糙集 (RS) 理论中的属性约简原理，得出影响管道土壤腐蚀性的主要因素是含水量、pH值、氧化还原电位、电阻率和硫酸根含量.梁昌晶等[35]对某油田集输管道附近进行埋片 (X65管线钢) 实验，以具有代表性的40组腐蚀数据为研究样本，通过法核主成分分析法 (KPCA) 对埋地管道土壤腐蚀影响因素 (土壤电阻率、土壤氧化还原电位、含盐量、Cl-含量、SO42-含量、含水量、电位梯度、pH值) 进行了数据降维，结果表明：土壤电阻率、氧化还原电位、含盐量、Cl-含量及含水量等参量是影响埋地管道土壤腐蚀性能的主要因素. ...
... 由上述实例可知，目前对于土壤腐蚀影响因素权重大小的分析方法主要以灰关联分析法、模糊聚类以及改进层次分析法为主[26~28,33]，也有部分学者采用KPCA法和RS理论中的属性约简原理对土壤腐蚀性影响因素权重进行分析[34,35]；大部分学者主要考察了土壤电阻率、氧化还原电位、pH值、SO42-、含盐量、Cl-含量及含水量对土壤腐蚀性的影响[26,33~35]，也有学者研究了NO3-、SO42-、HCO3-、Na+、Ca2+、Mg2+、K+以及自腐蚀电位等因素对土壤腐蚀性的影响[27,28]，基于上述研究表明含水率在不同地区的土壤腐蚀中均发挥了重要的作用[26~28,33~35].实际上，不同地区影响土壤腐蚀的关键参量不尽相同，可能是不同地域条件具有差异性导致的，并且影响土壤腐蚀的各因素间并不是单独发挥作用，而是相互影响，交互作用. ...
... ~35]，也有学者研究了NO3-、SO42-、HCO3-、Na+、Ca2+、Mg2+、K+以及自腐蚀电位等因素对土壤腐蚀性的影响[27,28]，基于上述研究表明含水率在不同地区的土壤腐蚀中均发挥了重要的作用[26~28,33~35].实际上，不同地区影响土壤腐蚀的关键参量不尽相同，可能是不同地域条件具有差异性导致的，并且影响土壤腐蚀的各因素间并不是单独发挥作用，而是相互影响，交互作用. ...
... ~35].实际上，不同地区影响土壤腐蚀的关键参量不尽相同，可能是不同地域条件具有差异性导致的，并且影响土壤腐蚀的各因素间并不是单独发挥作用，而是相互影响，交互作用. ...
... 国内外学者不仅利用机器学习研究了各因素对土壤腐蚀性影响的权重，还对土壤腐蚀速率预测方面展开了研究.郭阳阳等[36]在海南变电站现场采集了土壤样品，并在实验室进行测试，得到了包含土壤电阻率、管道自然腐蚀电位、氧化还原电位、土壤pH值、土壤质地、土壤含水量、土壤含盐量、土壤Cl-含量等参数的32组腐蚀数据，仅利用测试得到的腐蚀数据对预测模型进行训练和测试，较少的腐蚀数据导致预测准确率下降，因此利用unifrnd函数在单因素土壤腐蚀等级指标之间随机均匀生成2200个样本，由于神经网络不仅可以处理大规模数据信息，而且还具有分布储存、自组织及自学习、良好的容错性以及推广能力等均较为优异的特点，因此郭阳阳等[36]建立了神经网络预测模型，以其中的2000个作为训练集，200个作为测试集，并利用Q235钢相关的电化学腐蚀知识确定了电阻率、氧化还原电位、含水量、含盐量、pH、Cl-含量为预测模型的输入量，以Q235钢的接地网腐蚀速率作为输出量，并进一步对比分析了误差逆向传播网络 (BP) 模型和径向基神经网络 (RBF) 模型的建模过程和预测精度；最后利用在海南省部分变电站土壤埋片 (Q235钢) 实验得到的32组土壤腐蚀数据，对已建立的BP和RBF网络模型进行检验，并将两种模型的预测值与实际值进行对比.研究发现：在建模过程中，BP网络模型要设定的参数较多，而RBF网络模型只需设定Spread值；且RBF网络的训练精度以及泛化能力均优于BP网络模型，而在结构和运算方面，BP网络模型要优于RBF网络模型；通过检验两种已建立的模型发现其预测值与实际值均基本一致，其中BP预测模型的均方误差为0.2329，RBF预测模型的均方误差为0.0849，RBF网络模型对海南省土壤腐蚀预测的精度整体上优于BP网络模型.李丽等[28]通过已积累的国内14个具有代表性腐蚀试验站点的碳钢土壤腐蚀数据，基于BP神经网络模型建立了土壤腐蚀预测模型，该预测模型共分为三层，第一层为输入层，第二层为隐含层，第三层为输出层，选取前11个地区的土壤腐蚀数据为预测集，后3个地区的腐蚀数据为验证集，以含水量、pH、Cl-含量、SO42-含量、电导率、含盐量为输入量，即输入层有6个神经元节点，以碳钢土壤年腐蚀速率为输出量，即输出层为1个神经元节点，隐含层为5个神经元节点，并将预测值与现场碳钢埋片腐蚀实验结果进行对比.研究发现：基于BP神经网络，经过大量训练后可以建立具有较好的稳定性和泛化能力的土壤腐蚀预测模型，并且模型预测误差小于10%，预测值与真实值基本吻合.梁昌晶等[35]在某油田集输管道附近土壤进行了埋片 (X65管线钢) 实验，选取了具有代表性的监测点的40组腐蚀数据 (土壤电阻率、氧化还原电位、含盐量、Cl-含量、SO42-含量、含水量、电位梯度、pH以及腐蚀速率) 为研究样本，将腐蚀数据代入KPCA中进行数据降维，得到了对埋地管道腐蚀影响较大的是土壤电阻率、氧化还原电位、含盐量、Cl-质量分数及含水量，随后运用GWO (灰狼优化) 算法、GA (遗传算法)、PSO (粒子群算法) 以及FOA (果蝇算法) 对SVM中的惩罚因子c、核系数g进行寻优，并以对埋地管道腐蚀影响较大的因素为输入量，以土壤腐蚀速率为输出量，以随机抽取的30组腐蚀数据作为训练集，剩余10组作为测试集，建立并对比了GWO-SVM、GA-SVM、PSO-SVM以及FOA-SVM 等4种预测模型的预测效果.研究发现：综合考虑预测误差及预测时间，GWO-SVM模型要优于GA-SVM、PSO-SVM及FOA-SVM模型，其平均绝对误差值仅为1.90%，训练时间仅为2.55 s.Ling等[37]将ASTM A572-50钢试样嵌入到从威斯康星州的不同地点采集的具有不同理化性质 (pH值、含水率、电阻率、氯化物含量、硫酸盐和亚硫酸盐含量以及平均总有机碳浓度) 的9种土壤中，由于广义回归神经网络 (GRNN) 模型属于概率神经网络的范畴，该模型能够仅使用少量的训练样本来预测结果，并且仅通过一次“学习”过程，就可以在示例存储后立即从示例中进行泛化，因此Ling等[37]建立了GRNN模型，并以pH、含水率、电阻率、氯化物含量、硫酸盐和亚硫酸盐含量、平均总有机碳浓度以及样品在土壤中的暴露时间作为输入量，以钢试样的腐蚀电流密度和腐蚀电位值为输出量，并随机选择五个月测试数据中的70%用于训练和验证 (数据集数=2930)，其余的30%用于测试 (数据集数=1256)，并将该模型的预测值与实际测量值进行对比.结果表明：GRNN模型预测的结果与实际测量结果非常吻合，因此说明该预测模型能够较准确的预测嵌入不同土壤中的钢试样的腐蚀活性.曲良山等[38]对大庆30个典型土壤区域进行了碳钢现场埋片 (商用20＃钢热轧板) 实验，获取了土壤电阻率、试样的自然腐蚀电位、土壤电位梯度、土壤氧化还原电位、土壤pH、含水率、土壤容重、温度、CO32-、HCO32-、SO42-、Cl-、Ca2＋、Mg2＋、K＋、Na＋和硫酸盐还原菌等腐蚀数据，运用基于Matlab语言的BP人工神经网络，建立了土壤腐蚀预测模型，主要包含3层，即输入层、隐含层以及输出层，综合考虑土壤腐蚀的传质过程和土壤各影响因素间的逻辑分析，确定了以含水量、可溶盐总量、pH、Cl-含量、SO42-含量和空气容量为输入量，即输入层为6个神经元节点，以碳钢的腐蚀速度为输出量，即输出层为一个神经元节点，通过不断实践检验，隐含层确定为5个神经元节点，并选取其中的24组腐蚀数据为训练集，其余6组为测试集，并将预测值与现场碳钢埋片实验的实际值进行对比.研究发现：经过大量训练后可以建立具有较好稳定性和泛化能力的土壤腐蚀预测模型，该模型的预测误差值小于25％，预测值与真实值基本吻合，较好地预测了大庆地区的碳钢腐蚀情况. ...
... 目前对于土壤腐蚀速率预测的方法主要是人工神经网络算法或其优化算法[28,36~38]，也有部分学者通过支持向量机与其他算法融合建立腐蚀预测模型对土壤腐蚀性进行研究[35]，但目前该类算法在土壤腐蚀速率预测方面的应用并不是十分广泛.目前国内外学者主要基于土壤腐蚀性关键参量对土壤腐蚀速率进行预测分析[35,36,38]，但也有部分学者基于所有的土壤腐蚀参量，通过机器学习分析预测土壤腐蚀速率[28,37]；由于预测模型的输入量过多，不仅增加了建模的难度，而且还会减慢模型的训练速度，因此在不影响预测精度的前提下，利用土壤腐蚀性关键影响参量对土壤腐蚀速率进行预测将是未来的研究趋势.并且目前国内外学者主要针对单一或部分地区的土壤腐蚀性展开了研究分析，尚未形成适用于不同地区间的统一的土壤腐蚀预测模型，可能是由于目前尚未建立统一的土壤腐蚀数据库，因此进一步的开展数据库的建设和发展对于研究不同地区的土壤腐蚀性以及建立具有普适性的预测模型至关重要. ...
... [35,36,38]，但也有部分学者基于所有的土壤腐蚀参量，通过机器学习分析预测土壤腐蚀速率[28,37]；由于预测模型的输入量过多，不仅增加了建模的难度，而且还会减慢模型的训练速度，因此在不影响预测精度的前提下，利用土壤腐蚀性关键影响参量对土壤腐蚀速率进行预测将是未来的研究趋势.并且目前国内外学者主要针对单一或部分地区的土壤腐蚀性展开了研究分析，尚未形成适用于不同地区间的统一的土壤腐蚀预测模型，可能是由于目前尚未建立统一的土壤腐蚀数据库，因此进一步的开展数据库的建设和发展对于研究不同地区的土壤腐蚀性以及建立具有普适性的预测模型至关重要. ...
基于KPCA-GWO-SVM的埋地管道土壤腐蚀速率预测
7
2021
... 许多学者利用机器学习对土壤腐蚀影响因素权重大小展开了研究.秦晓霞等[26]对川气东送沿线的18组土壤样品进行了测试，由于灰关联分析法在样本数据相对较少的前提下，可以使有限的以及表面无规律的数据得到一个相对清晰的结论，因此利用灰关联分析法分析了土壤各理化性质对土壤腐蚀影响权重，依次是：Cl-含量>pH＞SO42-含量>含水量>氧化还原电位>HCO3-含量>土壤电阻率.梁平等[27]以Q235钢在库尔勒土壤站埋设不同年份的腐蚀速率和相对应的土壤理化性质为研究样本，由于模糊聚类可以较好的将未分类的对象按照事物间的特征、相似性以及亲疏关系等建立相应的模糊相似关系，梁平等人则通过模糊聚类分析了土壤影响因素 (含水量、全盐、电导率、Ca2+、Na+、Mg2+、K+、Cl-、pH、SO42-、HCO3-、NO3-) 中哪些是影响土壤腐蚀的主要因素，并进一步利用灰关联分析法以及改进层次分析法研究了影响该地区土壤腐蚀性主要因素的权重大小，研究表明，全盐、电导率、含水量、Cl-、pH、SO42-、HCO3-、NO3-等是影响土壤腐蚀的主要因素，各因素对土壤腐蚀性影响权重大小依次为全盐 (0.4050)>电导率 (0.2517)>含水量 (0.1493)>Cl- (0.0868)>pH (0.0501)>SO42- (0.0291)>HCO3- (0.0173)>NO3- (0.0107).罗小虎等[33]对青海油田花土沟地区土壤进行采样，在实验室对土壤的电阻率、自然腐蚀电位、氧化还原电位、pH、含水率、含盐率、Cl-含量、土壤腐蚀速率等参数进行了测试，共获得了15组腐蚀数据，利用灰关联分析法对该地土壤腐蚀影响因素权重进行了分析，结果表明：土壤腐蚀性影响因素权重依次为Cl-含量 (1.014)>含水率 (1.013)>含盐率 (1.011)>pH (0.99)>电阻率 (0.844)>氧化还原电位 (0.376)>自然腐蚀电位 (0.313).李丽等[28]通过已积累的我国14个土壤自然环境腐蚀站点的含水量、pH、Cl-、NO3-、SO42-、HCO3-、Na+、Ca2+、Mg2+、K+、全盐量、电导率等腐蚀数据，结合模糊聚类以及现有的研究得出含水量、pH、Cl-含量、SO42-含量、电导率、含盐量是影响土壤腐蚀的重要参量.骆正山等[34]以中俄管道典型监测点中的35组腐蚀数据为研究样本，共包含了土壤含水量、含盐量、pH、电位梯度、氧化还原电位、管地电位、杂散电位、电阻率、SO42-含量、Cl-含量、年均腐蚀壁厚等10项参数，依据粗糙集 (RS) 理论中的属性约简原理，得出影响管道土壤腐蚀性的主要因素是含水量、pH值、氧化还原电位、电阻率和硫酸根含量.梁昌晶等[35]对某油田集输管道附近进行埋片 (X65管线钢) 实验，以具有代表性的40组腐蚀数据为研究样本，通过法核主成分分析法 (KPCA) 对埋地管道土壤腐蚀影响因素 (土壤电阻率、土壤氧化还原电位、含盐量、Cl-含量、SO42-含量、含水量、电位梯度、pH值) 进行了数据降维，结果表明：土壤电阻率、氧化还原电位、含盐量、Cl-含量及含水量等参量是影响埋地管道土壤腐蚀性能的主要因素. ...
... 由上述实例可知，目前对于土壤腐蚀影响因素权重大小的分析方法主要以灰关联分析法、模糊聚类以及改进层次分析法为主[26~28,33]，也有部分学者采用KPCA法和RS理论中的属性约简原理对土壤腐蚀性影响因素权重进行分析[34,35]；大部分学者主要考察了土壤电阻率、氧化还原电位、pH值、SO42-、含盐量、Cl-含量及含水量对土壤腐蚀性的影响[26,33~35]，也有学者研究了NO3-、SO42-、HCO3-、Na+、Ca2+、Mg2+、K+以及自腐蚀电位等因素对土壤腐蚀性的影响[27,28]，基于上述研究表明含水率在不同地区的土壤腐蚀中均发挥了重要的作用[26~28,33~35].实际上，不同地区影响土壤腐蚀的关键参量不尽相同，可能是不同地域条件具有差异性导致的，并且影响土壤腐蚀的各因素间并不是单独发挥作用，而是相互影响，交互作用. ...
... ~35]，也有学者研究了NO3-、SO42-、HCO3-、Na+、Ca2+、Mg2+、K+以及自腐蚀电位等因素对土壤腐蚀性的影响[27,28]，基于上述研究表明含水率在不同地区的土壤腐蚀中均发挥了重要的作用[26~28,33~35].实际上，不同地区影响土壤腐蚀的关键参量不尽相同，可能是不同地域条件具有差异性导致的，并且影响土壤腐蚀的各因素间并不是单独发挥作用，而是相互影响，交互作用. ...
... ~35].实际上，不同地区影响土壤腐蚀的关键参量不尽相同，可能是不同地域条件具有差异性导致的，并且影响土壤腐蚀的各因素间并不是单独发挥作用，而是相互影响，交互作用. ...
... 国内外学者不仅利用机器学习研究了各因素对土壤腐蚀性影响的权重，还对土壤腐蚀速率预测方面展开了研究.郭阳阳等[36]在海南变电站现场采集了土壤样品，并在实验室进行测试，得到了包含土壤电阻率、管道自然腐蚀电位、氧化还原电位、土壤pH值、土壤质地、土壤含水量、土壤含盐量、土壤Cl-含量等参数的32组腐蚀数据，仅利用测试得到的腐蚀数据对预测模型进行训练和测试，较少的腐蚀数据导致预测准确率下降，因此利用unifrnd函数在单因素土壤腐蚀等级指标之间随机均匀生成2200个样本，由于神经网络不仅可以处理大规模数据信息，而且还具有分布储存、自组织及自学习、良好的容错性以及推广能力等均较为优异的特点，因此郭阳阳等[36]建立了神经网络预测模型，以其中的2000个作为训练集，200个作为测试集，并利用Q235钢相关的电化学腐蚀知识确定了电阻率、氧化还原电位、含水量、含盐量、pH、Cl-含量为预测模型的输入量，以Q235钢的接地网腐蚀速率作为输出量，并进一步对比分析了误差逆向传播网络 (BP) 模型和径向基神经网络 (RBF) 模型的建模过程和预测精度；最后利用在海南省部分变电站土壤埋片 (Q235钢) 实验得到的32组土壤腐蚀数据，对已建立的BP和RBF网络模型进行检验，并将两种模型的预测值与实际值进行对比.研究发现：在建模过程中，BP网络模型要设定的参数较多，而RBF网络模型只需设定Spread值；且RBF网络的训练精度以及泛化能力均优于BP网络模型，而在结构和运算方面，BP网络模型要优于RBF网络模型；通过检验两种已建立的模型发现其预测值与实际值均基本一致，其中BP预测模型的均方误差为0.2329，RBF预测模型的均方误差为0.0849，RBF网络模型对海南省土壤腐蚀预测的精度整体上优于BP网络模型.李丽等[28]通过已积累的国内14个具有代表性腐蚀试验站点的碳钢土壤腐蚀数据，基于BP神经网络模型建立了土壤腐蚀预测模型，该预测模型共分为三层，第一层为输入层，第二层为隐含层，第三层为输出层，选取前11个地区的土壤腐蚀数据为预测集，后3个地区的腐蚀数据为验证集，以含水量、pH、Cl-含量、SO42-含量、电导率、含盐量为输入量，即输入层有6个神经元节点，以碳钢土壤年腐蚀速率为输出量，即输出层为1个神经元节点，隐含层为5个神经元节点，并将预测值与现场碳钢埋片腐蚀实验结果进行对比.研究发现：基于BP神经网络，经过大量训练后可以建立具有较好的稳定性和泛化能力的土壤腐蚀预测模型，并且模型预测误差小于10%，预测值与真实值基本吻合.梁昌晶等[35]在某油田集输管道附近土壤进行了埋片 (X65管线钢) 实验，选取了具有代表性的监测点的40组腐蚀数据 (土壤电阻率、氧化还原电位、含盐量、Cl-含量、SO42-含量、含水量、电位梯度、pH以及腐蚀速率) 为研究样本，将腐蚀数据代入KPCA中进行数据降维，得到了对埋地管道腐蚀影响较大的是土壤电阻率、氧化还原电位、含盐量、Cl-质量分数及含水量，随后运用GWO (灰狼优化) 算法、GA (遗传算法)、PSO (粒子群算法) 以及FOA (果蝇算法) 对SVM中的惩罚因子c、核系数g进行寻优，并以对埋地管道腐蚀影响较大的因素为输入量，以土壤腐蚀速率为输出量，以随机抽取的30组腐蚀数据作为训练集，剩余10组作为测试集，建立并对比了GWO-SVM、GA-SVM、PSO-SVM以及FOA-SVM 等4种预测模型的预测效果.研究发现：综合考虑预测误差及预测时间，GWO-SVM模型要优于GA-SVM、PSO-SVM及FOA-SVM模型，其平均绝对误差值仅为1.90%，训练时间仅为2.55 s.Ling等[37]将ASTM A572-50钢试样嵌入到从威斯康星州的不同地点采集的具有不同理化性质 (pH值、含水率、电阻率、氯化物含量、硫酸盐和亚硫酸盐含量以及平均总有机碳浓度) 的9种土壤中，由于广义回归神经网络 (GRNN) 模型属于概率神经网络的范畴，该模型能够仅使用少量的训练样本来预测结果，并且仅通过一次“学习”过程，就可以在示例存储后立即从示例中进行泛化，因此Ling等[37]建立了GRNN模型，并以pH、含水率、电阻率、氯化物含量、硫酸盐和亚硫酸盐含量、平均总有机碳浓度以及样品在土壤中的暴露时间作为输入量，以钢试样的腐蚀电流密度和腐蚀电位值为输出量，并随机选择五个月测试数据中的70%用于训练和验证 (数据集数=2930)，其余的30%用于测试 (数据集数=1256)，并将该模型的预测值与实际测量值进行对比.结果表明：GRNN模型预测的结果与实际测量结果非常吻合，因此说明该预测模型能够较准确的预测嵌入不同土壤中的钢试样的腐蚀活性.曲良山等[38]对大庆30个典型土壤区域进行了碳钢现场埋片 (商用20＃钢热轧板) 实验，获取了土壤电阻率、试样的自然腐蚀电位、土壤电位梯度、土壤氧化还原电位、土壤pH、含水率、土壤容重、温度、CO32-、HCO32-、SO42-、Cl-、Ca2＋、Mg2＋、K＋、Na＋和硫酸盐还原菌等腐蚀数据，运用基于Matlab语言的BP人工神经网络，建立了土壤腐蚀预测模型，主要包含3层，即输入层、隐含层以及输出层，综合考虑土壤腐蚀的传质过程和土壤各影响因素间的逻辑分析，确定了以含水量、可溶盐总量、pH、Cl-含量、SO42-含量和空气容量为输入量，即输入层为6个神经元节点，以碳钢的腐蚀速度为输出量，即输出层为一个神经元节点，通过不断实践检验，隐含层确定为5个神经元节点，并选取其中的24组腐蚀数据为训练集，其余6组为测试集，并将预测值与现场碳钢埋片实验的实际值进行对比.研究发现：经过大量训练后可以建立具有较好稳定性和泛化能力的土壤腐蚀预测模型，该模型的预测误差值小于25％，预测值与真实值基本吻合，较好地预测了大庆地区的碳钢腐蚀情况. ...
... 目前对于土壤腐蚀速率预测的方法主要是人工神经网络算法或其优化算法[28,36~38]，也有部分学者通过支持向量机与其他算法融合建立腐蚀预测模型对土壤腐蚀性进行研究[35]，但目前该类算法在土壤腐蚀速率预测方面的应用并不是十分广泛.目前国内外学者主要基于土壤腐蚀性关键参量对土壤腐蚀速率进行预测分析[35,36,38]，但也有部分学者基于所有的土壤腐蚀参量，通过机器学习分析预测土壤腐蚀速率[28,37]；由于预测模型的输入量过多，不仅增加了建模的难度，而且还会减慢模型的训练速度，因此在不影响预测精度的前提下，利用土壤腐蚀性关键影响参量对土壤腐蚀速率进行预测将是未来的研究趋势.并且目前国内外学者主要针对单一或部分地区的土壤腐蚀性展开了研究分析，尚未形成适用于不同地区间的统一的土壤腐蚀预测模型，可能是由于目前尚未建立统一的土壤腐蚀数据库，因此进一步的开展数据库的建设和发展对于研究不同地区的土壤腐蚀性以及建立具有普适性的预测模型至关重要. ...
... [35,36,38]，但也有部分学者基于所有的土壤腐蚀参量，通过机器学习分析预测土壤腐蚀速率[28,37]；由于预测模型的输入量过多，不仅增加了建模的难度，而且还会减慢模型的训练速度，因此在不影响预测精度的前提下，利用土壤腐蚀性关键影响参量对土壤腐蚀速率进行预测将是未来的研究趋势.并且目前国内外学者主要针对单一或部分地区的土壤腐蚀性展开了研究分析，尚未形成适用于不同地区间的统一的土壤腐蚀预测模型，可能是由于目前尚未建立统一的土壤腐蚀数据库，因此进一步的开展数据库的建设和发展对于研究不同地区的土壤腐蚀性以及建立具有普适性的预测模型至关重要. ...
Study on corrosion prediction of Q235 steel from soil in Hainan substation based on artificial neural network
4
2016
... 国内外学者不仅利用机器学习研究了各因素对土壤腐蚀性影响的权重，还对土壤腐蚀速率预测方面展开了研究.郭阳阳等[36]在海南变电站现场采集了土壤样品，并在实验室进行测试，得到了包含土壤电阻率、管道自然腐蚀电位、氧化还原电位、土壤pH值、土壤质地、土壤含水量、土壤含盐量、土壤Cl-含量等参数的32组腐蚀数据，仅利用测试得到的腐蚀数据对预测模型进行训练和测试，较少的腐蚀数据导致预测准确率下降，因此利用unifrnd函数在单因素土壤腐蚀等级指标之间随机均匀生成2200个样本，由于神经网络不仅可以处理大规模数据信息，而且还具有分布储存、自组织及自学习、良好的容错性以及推广能力等均较为优异的特点，因此郭阳阳等[36]建立了神经网络预测模型，以其中的2000个作为训练集，200个作为测试集，并利用Q235钢相关的电化学腐蚀知识确定了电阻率、氧化还原电位、含水量、含盐量、pH、Cl-含量为预测模型的输入量，以Q235钢的接地网腐蚀速率作为输出量，并进一步对比分析了误差逆向传播网络 (BP) 模型和径向基神经网络 (RBF) 模型的建模过程和预测精度；最后利用在海南省部分变电站土壤埋片 (Q235钢) 实验得到的32组土壤腐蚀数据，对已建立的BP和RBF网络模型进行检验，并将两种模型的预测值与实际值进行对比.研究发现：在建模过程中，BP网络模型要设定的参数较多，而RBF网络模型只需设定Spread值；且RBF网络的训练精度以及泛化能力均优于BP网络模型，而在结构和运算方面，BP网络模型要优于RBF网络模型；通过检验两种已建立的模型发现其预测值与实际值均基本一致，其中BP预测模型的均方误差为0.2329，RBF预测模型的均方误差为0.0849，RBF网络模型对海南省土壤腐蚀预测的精度整体上优于BP网络模型.李丽等[28]通过已积累的国内14个具有代表性腐蚀试验站点的碳钢土壤腐蚀数据，基于BP神经网络模型建立了土壤腐蚀预测模型，该预测模型共分为三层，第一层为输入层，第二层为隐含层，第三层为输出层，选取前11个地区的土壤腐蚀数据为预测集，后3个地区的腐蚀数据为验证集，以含水量、pH、Cl-含量、SO42-含量、电导率、含盐量为输入量，即输入层有6个神经元节点，以碳钢土壤年腐蚀速率为输出量，即输出层为1个神经元节点，隐含层为5个神经元节点，并将预测值与现场碳钢埋片腐蚀实验结果进行对比.研究发现：基于BP神经网络，经过大量训练后可以建立具有较好的稳定性和泛化能力的土壤腐蚀预测模型，并且模型预测误差小于10%，预测值与真实值基本吻合.梁昌晶等[35]在某油田集输管道附近土壤进行了埋片 (X65管线钢) 实验，选取了具有代表性的监测点的40组腐蚀数据 (土壤电阻率、氧化还原电位、含盐量、Cl-含量、SO42-含量、含水量、电位梯度、pH以及腐蚀速率) 为研究样本，将腐蚀数据代入KPCA中进行数据降维，得到了对埋地管道腐蚀影响较大的是土壤电阻率、氧化还原电位、含盐量、Cl-质量分数及含水量，随后运用GWO (灰狼优化) 算法、GA (遗传算法)、PSO (粒子群算法) 以及FOA (果蝇算法) 对SVM中的惩罚因子c、核系数g进行寻优，并以对埋地管道腐蚀影响较大的因素为输入量，以土壤腐蚀速率为输出量，以随机抽取的30组腐蚀数据作为训练集，剩余10组作为测试集，建立并对比了GWO-SVM、GA-SVM、PSO-SVM以及FOA-SVM 等4种预测模型的预测效果.研究发现：综合考虑预测误差及预测时间，GWO-SVM模型要优于GA-SVM、PSO-SVM及FOA-SVM模型，其平均绝对误差值仅为1.90%，训练时间仅为2.55 s.Ling等[37]将ASTM A572-50钢试样嵌入到从威斯康星州的不同地点采集的具有不同理化性质 (pH值、含水率、电阻率、氯化物含量、硫酸盐和亚硫酸盐含量以及平均总有机碳浓度) 的9种土壤中，由于广义回归神经网络 (GRNN) 模型属于概率神经网络的范畴，该模型能够仅使用少量的训练样本来预测结果，并且仅通过一次“学习”过程，就可以在示例存储后立即从示例中进行泛化，因此Ling等[37]建立了GRNN模型，并以pH、含水率、电阻率、氯化物含量、硫酸盐和亚硫酸盐含量、平均总有机碳浓度以及样品在土壤中的暴露时间作为输入量，以钢试样的腐蚀电流密度和腐蚀电位值为输出量，并随机选择五个月测试数据中的70%用于训练和验证 (数据集数=2930)，其余的30%用于测试 (数据集数=1256)，并将该模型的预测值与实际测量值进行对比.结果表明：GRNN模型预测的结果与实际测量结果非常吻合，因此说明该预测模型能够较准确的预测嵌入不同土壤中的钢试样的腐蚀活性.曲良山等[38]对大庆30个典型土壤区域进行了碳钢现场埋片 (商用20＃钢热轧板) 实验，获取了土壤电阻率、试样的自然腐蚀电位、土壤电位梯度、土壤氧化还原电位、土壤pH、含水率、土壤容重、温度、CO32-、HCO32-、SO42-、Cl-、Ca2＋、Mg2＋、K＋、Na＋和硫酸盐还原菌等腐蚀数据，运用基于Matlab语言的BP人工神经网络，建立了土壤腐蚀预测模型，主要包含3层，即输入层、隐含层以及输出层，综合考虑土壤腐蚀的传质过程和土壤各影响因素间的逻辑分析，确定了以含水量、可溶盐总量、pH、Cl-含量、SO42-含量和空气容量为输入量，即输入层为6个神经元节点，以碳钢的腐蚀速度为输出量，即输出层为一个神经元节点，通过不断实践检验，隐含层确定为5个神经元节点，并选取其中的24组腐蚀数据为训练集，其余6组为测试集，并将预测值与现场碳钢埋片实验的实际值进行对比.研究发现：经过大量训练后可以建立具有较好稳定性和泛化能力的土壤腐蚀预测模型，该模型的预测误差值小于25％，预测值与真实值基本吻合，较好地预测了大庆地区的碳钢腐蚀情况. ...
... [36]建立了神经网络预测模型，以其中的2000个作为训练集，200个作为测试集，并利用Q235钢相关的电化学腐蚀知识确定了电阻率、氧化还原电位、含水量、含盐量、pH、Cl-含量为预测模型的输入量，以Q235钢的接地网腐蚀速率作为输出量，并进一步对比分析了误差逆向传播网络 (BP) 模型和径向基神经网络 (RBF) 模型的建模过程和预测精度；最后利用在海南省部分变电站土壤埋片 (Q235钢) 实验得到的32组土壤腐蚀数据，对已建立的BP和RBF网络模型进行检验，并将两种模型的预测值与实际值进行对比.研究发现：在建模过程中，BP网络模型要设定的参数较多，而RBF网络模型只需设定Spread值；且RBF网络的训练精度以及泛化能力均优于BP网络模型，而在结构和运算方面，BP网络模型要优于RBF网络模型；通过检验两种已建立的模型发现其预测值与实际值均基本一致，其中BP预测模型的均方误差为0.2329，RBF预测模型的均方误差为0.0849，RBF网络模型对海南省土壤腐蚀预测的精度整体上优于BP网络模型.李丽等[28]通过已积累的国内14个具有代表性腐蚀试验站点的碳钢土壤腐蚀数据，基于BP神经网络模型建立了土壤腐蚀预测模型，该预测模型共分为三层，第一层为输入层，第二层为隐含层，第三层为输出层，选取前11个地区的土壤腐蚀数据为预测集，后3个地区的腐蚀数据为验证集，以含水量、pH、Cl-含量、SO42-含量、电导率、含盐量为输入量，即输入层有6个神经元节点，以碳钢土壤年腐蚀速率为输出量，即输出层为1个神经元节点，隐含层为5个神经元节点，并将预测值与现场碳钢埋片腐蚀实验结果进行对比.研究发现：基于BP神经网络，经过大量训练后可以建立具有较好的稳定性和泛化能力的土壤腐蚀预测模型，并且模型预测误差小于10%，预测值与真实值基本吻合.梁昌晶等[35]在某油田集输管道附近土壤进行了埋片 (X65管线钢) 实验，选取了具有代表性的监测点的40组腐蚀数据 (土壤电阻率、氧化还原电位、含盐量、Cl-含量、SO42-含量、含水量、电位梯度、pH以及腐蚀速率) 为研究样本，将腐蚀数据代入KPCA中进行数据降维，得到了对埋地管道腐蚀影响较大的是土壤电阻率、氧化还原电位、含盐量、Cl-质量分数及含水量，随后运用GWO (灰狼优化) 算法、GA (遗传算法)、PSO (粒子群算法) 以及FOA (果蝇算法) 对SVM中的惩罚因子c、核系数g进行寻优，并以对埋地管道腐蚀影响较大的因素为输入量，以土壤腐蚀速率为输出量，以随机抽取的30组腐蚀数据作为训练集，剩余10组作为测试集，建立并对比了GWO-SVM、GA-SVM、PSO-SVM以及FOA-SVM 等4种预测模型的预测效果.研究发现：综合考虑预测误差及预测时间，GWO-SVM模型要优于GA-SVM、PSO-SVM及FOA-SVM模型，其平均绝对误差值仅为1.90%，训练时间仅为2.55 s.Ling等[37]将ASTM A572-50钢试样嵌入到从威斯康星州的不同地点采集的具有不同理化性质 (pH值、含水率、电阻率、氯化物含量、硫酸盐和亚硫酸盐含量以及平均总有机碳浓度) 的9种土壤中，由于广义回归神经网络 (GRNN) 模型属于概率神经网络的范畴，该模型能够仅使用少量的训练样本来预测结果，并且仅通过一次“学习”过程，就可以在示例存储后立即从示例中进行泛化，因此Ling等[37]建立了GRNN模型，并以pH、含水率、电阻率、氯化物含量、硫酸盐和亚硫酸盐含量、平均总有机碳浓度以及样品在土壤中的暴露时间作为输入量，以钢试样的腐蚀电流密度和腐蚀电位值为输出量，并随机选择五个月测试数据中的70%用于训练和验证 (数据集数=2930)，其余的30%用于测试 (数据集数=1256)，并将该模型的预测值与实际测量值进行对比.结果表明：GRNN模型预测的结果与实际测量结果非常吻合，因此说明该预测模型能够较准确的预测嵌入不同土壤中的钢试样的腐蚀活性.曲良山等[38]对大庆30个典型土壤区域进行了碳钢现场埋片 (商用20＃钢热轧板) 实验，获取了土壤电阻率、试样的自然腐蚀电位、土壤电位梯度、土壤氧化还原电位、土壤pH、含水率、土壤容重、温度、CO32-、HCO32-、SO42-、Cl-、Ca2＋、Mg2＋、K＋、Na＋和硫酸盐还原菌等腐蚀数据，运用基于Matlab语言的BP人工神经网络，建立了土壤腐蚀预测模型，主要包含3层，即输入层、隐含层以及输出层，综合考虑土壤腐蚀的传质过程和土壤各影响因素间的逻辑分析，确定了以含水量、可溶盐总量、pH、Cl-含量、SO42-含量和空气容量为输入量，即输入层为6个神经元节点，以碳钢的腐蚀速度为输出量，即输出层为一个神经元节点，通过不断实践检验，隐含层确定为5个神经元节点，并选取其中的24组腐蚀数据为训练集，其余6组为测试集，并将预测值与现场碳钢埋片实验的实际值进行对比.研究发现：经过大量训练后可以建立具有较好稳定性和泛化能力的土壤腐蚀预测模型，该模型的预测误差值小于25％，预测值与真实值基本吻合，较好地预测了大庆地区的碳钢腐蚀情况. ...
... 目前对于土壤腐蚀速率预测的方法主要是人工神经网络算法或其优化算法[28,36~38]，也有部分学者通过支持向量机与其他算法融合建立腐蚀预测模型对土壤腐蚀性进行研究[35]，但目前该类算法在土壤腐蚀速率预测方面的应用并不是十分广泛.目前国内外学者主要基于土壤腐蚀性关键参量对土壤腐蚀速率进行预测分析[35,36,38]，但也有部分学者基于所有的土壤腐蚀参量，通过机器学习分析预测土壤腐蚀速率[28,37]；由于预测模型的输入量过多，不仅增加了建模的难度，而且还会减慢模型的训练速度，因此在不影响预测精度的前提下，利用土壤腐蚀性关键影响参量对土壤腐蚀速率进行预测将是未来的研究趋势.并且目前国内外学者主要针对单一或部分地区的土壤腐蚀性展开了研究分析，尚未形成适用于不同地区间的统一的土壤腐蚀预测模型，可能是由于目前尚未建立统一的土壤腐蚀数据库，因此进一步的开展数据库的建设和发展对于研究不同地区的土壤腐蚀性以及建立具有普适性的预测模型至关重要. ...
... ,36,38]，但也有部分学者基于所有的土壤腐蚀参量，通过机器学习分析预测土壤腐蚀速率[28,37]；由于预测模型的输入量过多，不仅增加了建模的难度，而且还会减慢模型的训练速度，因此在不影响预测精度的前提下，利用土壤腐蚀性关键影响参量对土壤腐蚀速率进行预测将是未来的研究趋势.并且目前国内外学者主要针对单一或部分地区的土壤腐蚀性展开了研究分析，尚未形成适用于不同地区间的统一的土壤腐蚀预测模型，可能是由于目前尚未建立统一的土壤腐蚀数据库，因此进一步的开展数据库的建设和发展对于研究不同地区的土壤腐蚀性以及建立具有普适性的预测模型至关重要. ...
基于神经网络的海南变电站土壤对Q235钢的腐蚀预测研究
4
2016
... 国内外学者不仅利用机器学习研究了各因素对土壤腐蚀性影响的权重，还对土壤腐蚀速率预测方面展开了研究.郭阳阳等[36]在海南变电站现场采集了土壤样品，并在实验室进行测试，得到了包含土壤电阻率、管道自然腐蚀电位、氧化还原电位、土壤pH值、土壤质地、土壤含水量、土壤含盐量、土壤Cl-含量等参数的32组腐蚀数据，仅利用测试得到的腐蚀数据对预测模型进行训练和测试，较少的腐蚀数据导致预测准确率下降，因此利用unifrnd函数在单因素土壤腐蚀等级指标之间随机均匀生成2200个样本，由于神经网络不仅可以处理大规模数据信息，而且还具有分布储存、自组织及自学习、良好的容错性以及推广能力等均较为优异的特点，因此郭阳阳等[36]建立了神经网络预测模型，以其中的2000个作为训练集，200个作为测试集，并利用Q235钢相关的电化学腐蚀知识确定了电阻率、氧化还原电位、含水量、含盐量、pH、Cl-含量为预测模型的输入量，以Q235钢的接地网腐蚀速率作为输出量，并进一步对比分析了误差逆向传播网络 (BP) 模型和径向基神经网络 (RBF) 模型的建模过程和预测精度；最后利用在海南省部分变电站土壤埋片 (Q235钢) 实验得到的32组土壤腐蚀数据，对已建立的BP和RBF网络模型进行检验，并将两种模型的预测值与实际值进行对比.研究发现：在建模过程中，BP网络模型要设定的参数较多，而RBF网络模型只需设定Spread值；且RBF网络的训练精度以及泛化能力均优于BP网络模型，而在结构和运算方面，BP网络模型要优于RBF网络模型；通过检验两种已建立的模型发现其预测值与实际值均基本一致，其中BP预测模型的均方误差为0.2329，RBF预测模型的均方误差为0.0849，RBF网络模型对海南省土壤腐蚀预测的精度整体上优于BP网络模型.李丽等[28]通过已积累的国内14个具有代表性腐蚀试验站点的碳钢土壤腐蚀数据，基于BP神经网络模型建立了土壤腐蚀预测模型，该预测模型共分为三层，第一层为输入层，第二层为隐含层，第三层为输出层，选取前11个地区的土壤腐蚀数据为预测集，后3个地区的腐蚀数据为验证集，以含水量、pH、Cl-含量、SO42-含量、电导率、含盐量为输入量，即输入层有6个神经元节点，以碳钢土壤年腐蚀速率为输出量，即输出层为1个神经元节点，隐含层为5个神经元节点，并将预测值与现场碳钢埋片腐蚀实验结果进行对比.研究发现：基于BP神经网络，经过大量训练后可以建立具有较好的稳定性和泛化能力的土壤腐蚀预测模型，并且模型预测误差小于10%，预测值与真实值基本吻合.梁昌晶等[35]在某油田集输管道附近土壤进行了埋片 (X65管线钢) 实验，选取了具有代表性的监测点的40组腐蚀数据 (土壤电阻率、氧化还原电位、含盐量、Cl-含量、SO42-含量、含水量、电位梯度、pH以及腐蚀速率) 为研究样本，将腐蚀数据代入KPCA中进行数据降维，得到了对埋地管道腐蚀影响较大的是土壤电阻率、氧化还原电位、含盐量、Cl-质量分数及含水量，随后运用GWO (灰狼优化) 算法、GA (遗传算法)、PSO (粒子群算法) 以及FOA (果蝇算法) 对SVM中的惩罚因子c、核系数g进行寻优，并以对埋地管道腐蚀影响较大的因素为输入量，以土壤腐蚀速率为输出量，以随机抽取的30组腐蚀数据作为训练集，剩余10组作为测试集，建立并对比了GWO-SVM、GA-SVM、PSO-SVM以及FOA-SVM 等4种预测模型的预测效果.研究发现：综合考虑预测误差及预测时间，GWO-SVM模型要优于GA-SVM、PSO-SVM及FOA-SVM模型，其平均绝对误差值仅为1.90%，训练时间仅为2.55 s.Ling等[37]将ASTM A572-50钢试样嵌入到从威斯康星州的不同地点采集的具有不同理化性质 (pH值、含水率、电阻率、氯化物含量、硫酸盐和亚硫酸盐含量以及平均总有机碳浓度) 的9种土壤中，由于广义回归神经网络 (GRNN) 模型属于概率神经网络的范畴，该模型能够仅使用少量的训练样本来预测结果，并且仅通过一次“学习”过程，就可以在示例存储后立即从示例中进行泛化，因此Ling等[37]建立了GRNN模型，并以pH、含水率、电阻率、氯化物含量、硫酸盐和亚硫酸盐含量、平均总有机碳浓度以及样品在土壤中的暴露时间作为输入量，以钢试样的腐蚀电流密度和腐蚀电位值为输出量，并随机选择五个月测试数据中的70%用于训练和验证 (数据集数=2930)，其余的30%用于测试 (数据集数=1256)，并将该模型的预测值与实际测量值进行对比.结果表明：GRNN模型预测的结果与实际测量结果非常吻合，因此说明该预测模型能够较准确的预测嵌入不同土壤中的钢试样的腐蚀活性.曲良山等[38]对大庆30个典型土壤区域进行了碳钢现场埋片 (商用20＃钢热轧板) 实验，获取了土壤电阻率、试样的自然腐蚀电位、土壤电位梯度、土壤氧化还原电位、土壤pH、含水率、土壤容重、温度、CO32-、HCO32-、SO42-、Cl-、Ca2＋、Mg2＋、K＋、Na＋和硫酸盐还原菌等腐蚀数据，运用基于Matlab语言的BP人工神经网络，建立了土壤腐蚀预测模型，主要包含3层，即输入层、隐含层以及输出层，综合考虑土壤腐蚀的传质过程和土壤各影响因素间的逻辑分析，确定了以含水量、可溶盐总量、pH、Cl-含量、SO42-含量和空气容量为输入量，即输入层为6个神经元节点，以碳钢的腐蚀速度为输出量，即输出层为一个神经元节点，通过不断实践检验，隐含层确定为5个神经元节点，并选取其中的24组腐蚀数据为训练集，其余6组为测试集，并将预测值与现场碳钢埋片实验的实际值进行对比.研究发现：经过大量训练后可以建立具有较好稳定性和泛化能力的土壤腐蚀预测模型，该模型的预测误差值小于25％，预测值与真实值基本吻合，较好地预测了大庆地区的碳钢腐蚀情况. ...
... [36]建立了神经网络预测模型，以其中的2000个作为训练集，200个作为测试集，并利用Q235钢相关的电化学腐蚀知识确定了电阻率、氧化还原电位、含水量、含盐量、pH、Cl-含量为预测模型的输入量，以Q235钢的接地网腐蚀速率作为输出量，并进一步对比分析了误差逆向传播网络 (BP) 模型和径向基神经网络 (RBF) 模型的建模过程和预测精度；最后利用在海南省部分变电站土壤埋片 (Q235钢) 实验得到的32组土壤腐蚀数据，对已建立的BP和RBF网络模型进行检验，并将两种模型的预测值与实际值进行对比.研究发现：在建模过程中，BP网络模型要设定的参数较多，而RBF网络模型只需设定Spread值；且RBF网络的训练精度以及泛化能力均优于BP网络模型，而在结构和运算方面，BP网络模型要优于RBF网络模型；通过检验两种已建立的模型发现其预测值与实际值均基本一致，其中BP预测模型的均方误差为0.2329，RBF预测模型的均方误差为0.0849，RBF网络模型对海南省土壤腐蚀预测的精度整体上优于BP网络模型.李丽等[28]通过已积累的国内14个具有代表性腐蚀试验站点的碳钢土壤腐蚀数据，基于BP神经网络模型建立了土壤腐蚀预测模型，该预测模型共分为三层，第一层为输入层，第二层为隐含层，第三层为输出层，选取前11个地区的土壤腐蚀数据为预测集，后3个地区的腐蚀数据为验证集，以含水量、pH、Cl-含量、SO42-含量、电导率、含盐量为输入量，即输入层有6个神经元节点，以碳钢土壤年腐蚀速率为输出量，即输出层为1个神经元节点，隐含层为5个神经元节点，并将预测值与现场碳钢埋片腐蚀实验结果进行对比.研究发现：基于BP神经网络，经过大量训练后可以建立具有较好的稳定性和泛化能力的土壤腐蚀预测模型，并且模型预测误差小于10%，预测值与真实值基本吻合.梁昌晶等[35]在某油田集输管道附近土壤进行了埋片 (X65管线钢) 实验，选取了具有代表性的监测点的40组腐蚀数据 (土壤电阻率、氧化还原电位、含盐量、Cl-含量、SO42-含量、含水量、电位梯度、pH以及腐蚀速率) 为研究样本，将腐蚀数据代入KPCA中进行数据降维，得到了对埋地管道腐蚀影响较大的是土壤电阻率、氧化还原电位、含盐量、Cl-质量分数及含水量，随后运用GWO (灰狼优化) 算法、GA (遗传算法)、PSO (粒子群算法) 以及FOA (果蝇算法) 对SVM中的惩罚因子c、核系数g进行寻优，并以对埋地管道腐蚀影响较大的因素为输入量，以土壤腐蚀速率为输出量，以随机抽取的30组腐蚀数据作为训练集，剩余10组作为测试集，建立并对比了GWO-SVM、GA-SVM、PSO-SVM以及FOA-SVM 等4种预测模型的预测效果.研究发现：综合考虑预测误差及预测时间，GWO-SVM模型要优于GA-SVM、PSO-SVM及FOA-SVM模型，其平均绝对误差值仅为1.90%，训练时间仅为2.55 s.Ling等[37]将ASTM A572-50钢试样嵌入到从威斯康星州的不同地点采集的具有不同理化性质 (pH值、含水率、电阻率、氯化物含量、硫酸盐和亚硫酸盐含量以及平均总有机碳浓度) 的9种土壤中，由于广义回归神经网络 (GRNN) 模型属于概率神经网络的范畴，该模型能够仅使用少量的训练样本来预测结果，并且仅通过一次“学习”过程，就可以在示例存储后立即从示例中进行泛化，因此Ling等[37]建立了GRNN模型，并以pH、含水率、电阻率、氯化物含量、硫酸盐和亚硫酸盐含量、平均总有机碳浓度以及样品在土壤中的暴露时间作为输入量，以钢试样的腐蚀电流密度和腐蚀电位值为输出量，并随机选择五个月测试数据中的70%用于训练和验证 (数据集数=2930)，其余的30%用于测试 (数据集数=1256)，并将该模型的预测值与实际测量值进行对比.结果表明：GRNN模型预测的结果与实际测量结果非常吻合，因此说明该预测模型能够较准确的预测嵌入不同土壤中的钢试样的腐蚀活性.曲良山等[38]对大庆30个典型土壤区域进行了碳钢现场埋片 (商用20＃钢热轧板) 实验，获取了土壤电阻率、试样的自然腐蚀电位、土壤电位梯度、土壤氧化还原电位、土壤pH、含水率、土壤容重、温度、CO32-、HCO32-、SO42-、Cl-、Ca2＋、Mg2＋、K＋、Na＋和硫酸盐还原菌等腐蚀数据，运用基于Matlab语言的BP人工神经网络，建立了土壤腐蚀预测模型，主要包含3层，即输入层、隐含层以及输出层，综合考虑土壤腐蚀的传质过程和土壤各影响因素间的逻辑分析，确定了以含水量、可溶盐总量、pH、Cl-含量、SO42-含量和空气容量为输入量，即输入层为6个神经元节点，以碳钢的腐蚀速度为输出量，即输出层为一个神经元节点，通过不断实践检验，隐含层确定为5个神经元节点，并选取其中的24组腐蚀数据为训练集，其余6组为测试集，并将预测值与现场碳钢埋片实验的实际值进行对比.研究发现：经过大量训练后可以建立具有较好稳定性和泛化能力的土壤腐蚀预测模型，该模型的预测误差值小于25％，预测值与真实值基本吻合，较好地预测了大庆地区的碳钢腐蚀情况. ...
... 目前对于土壤腐蚀速率预测的方法主要是人工神经网络算法或其优化算法[28,36~38]，也有部分学者通过支持向量机与其他算法融合建立腐蚀预测模型对土壤腐蚀性进行研究[35]，但目前该类算法在土壤腐蚀速率预测方面的应用并不是十分广泛.目前国内外学者主要基于土壤腐蚀性关键参量对土壤腐蚀速率进行预测分析[35,36,38]，但也有部分学者基于所有的土壤腐蚀参量，通过机器学习分析预测土壤腐蚀速率[28,37]；由于预测模型的输入量过多，不仅增加了建模的难度，而且还会减慢模型的训练速度，因此在不影响预测精度的前提下，利用土壤腐蚀性关键影响参量对土壤腐蚀速率进行预测将是未来的研究趋势.并且目前国内外学者主要针对单一或部分地区的土壤腐蚀性展开了研究分析，尚未形成适用于不同地区间的统一的土壤腐蚀预测模型，可能是由于目前尚未建立统一的土壤腐蚀数据库，因此进一步的开展数据库的建设和发展对于研究不同地区的土壤腐蚀性以及建立具有普适性的预测模型至关重要. ...
... ,36,38]，但也有部分学者基于所有的土壤腐蚀参量，通过机器学习分析预测土壤腐蚀速率[28,37]；由于预测模型的输入量过多，不仅增加了建模的难度，而且还会减慢模型的训练速度，因此在不影响预测精度的前提下，利用土壤腐蚀性关键影响参量对土壤腐蚀速率进行预测将是未来的研究趋势.并且目前国内外学者主要针对单一或部分地区的土壤腐蚀性展开了研究分析，尚未形成适用于不同地区间的统一的土壤腐蚀预测模型，可能是由于目前尚未建立统一的土壤腐蚀数据库，因此进一步的开展数据库的建设和发展对于研究不同地区的土壤腐蚀性以及建立具有普适性的预测模型至关重要. ...
Application of generalized regression neural network method for corrosion modeling of steel embedded in soil
3
2019
... 国内外学者不仅利用机器学习研究了各因素对土壤腐蚀性影响的权重，还对土壤腐蚀速率预测方面展开了研究.郭阳阳等[36]在海南变电站现场采集了土壤样品，并在实验室进行测试，得到了包含土壤电阻率、管道自然腐蚀电位、氧化还原电位、土壤pH值、土壤质地、土壤含水量、土壤含盐量、土壤Cl-含量等参数的32组腐蚀数据，仅利用测试得到的腐蚀数据对预测模型进行训练和测试，较少的腐蚀数据导致预测准确率下降，因此利用unifrnd函数在单因素土壤腐蚀等级指标之间随机均匀生成2200个样本，由于神经网络不仅可以处理大规模数据信息，而且还具有分布储存、自组织及自学习、良好的容错性以及推广能力等均较为优异的特点，因此郭阳阳等[36]建立了神经网络预测模型，以其中的2000个作为训练集，200个作为测试集，并利用Q235钢相关的电化学腐蚀知识确定了电阻率、氧化还原电位、含水量、含盐量、pH、Cl-含量为预测模型的输入量，以Q235钢的接地网腐蚀速率作为输出量，并进一步对比分析了误差逆向传播网络 (BP) 模型和径向基神经网络 (RBF) 模型的建模过程和预测精度；最后利用在海南省部分变电站土壤埋片 (Q235钢) 实验得到的32组土壤腐蚀数据，对已建立的BP和RBF网络模型进行检验，并将两种模型的预测值与实际值进行对比.研究发现：在建模过程中，BP网络模型要设定的参数较多，而RBF网络模型只需设定Spread值；且RBF网络的训练精度以及泛化能力均优于BP网络模型，而在结构和运算方面，BP网络模型要优于RBF网络模型；通过检验两种已建立的模型发现其预测值与实际值均基本一致，其中BP预测模型的均方误差为0.2329，RBF预测模型的均方误差为0.0849，RBF网络模型对海南省土壤腐蚀预测的精度整体上优于BP网络模型.李丽等[28]通过已积累的国内14个具有代表性腐蚀试验站点的碳钢土壤腐蚀数据，基于BP神经网络模型建立了土壤腐蚀预测模型，该预测模型共分为三层，第一层为输入层，第二层为隐含层，第三层为输出层，选取前11个地区的土壤腐蚀数据为预测集，后3个地区的腐蚀数据为验证集，以含水量、pH、Cl-含量、SO42-含量、电导率、含盐量为输入量，即输入层有6个神经元节点，以碳钢土壤年腐蚀速率为输出量，即输出层为1个神经元节点，隐含层为5个神经元节点，并将预测值与现场碳钢埋片腐蚀实验结果进行对比.研究发现：基于BP神经网络，经过大量训练后可以建立具有较好的稳定性和泛化能力的土壤腐蚀预测模型，并且模型预测误差小于10%，预测值与真实值基本吻合.梁昌晶等[35]在某油田集输管道附近土壤进行了埋片 (X65管线钢) 实验，选取了具有代表性的监测点的40组腐蚀数据 (土壤电阻率、氧化还原电位、含盐量、Cl-含量、SO42-含量、含水量、电位梯度、pH以及腐蚀速率) 为研究样本，将腐蚀数据代入KPCA中进行数据降维，得到了对埋地管道腐蚀影响较大的是土壤电阻率、氧化还原电位、含盐量、Cl-质量分数及含水量，随后运用GWO (灰狼优化) 算法、GA (遗传算法)、PSO (粒子群算法) 以及FOA (果蝇算法) 对SVM中的惩罚因子c、核系数g进行寻优，并以对埋地管道腐蚀影响较大的因素为输入量，以土壤腐蚀速率为输出量，以随机抽取的30组腐蚀数据作为训练集，剩余10组作为测试集，建立并对比了GWO-SVM、GA-SVM、PSO-SVM以及FOA-SVM 等4种预测模型的预测效果.研究发现：综合考虑预测误差及预测时间，GWO-SVM模型要优于GA-SVM、PSO-SVM及FOA-SVM模型，其平均绝对误差值仅为1.90%，训练时间仅为2.55 s.Ling等[37]将ASTM A572-50钢试样嵌入到从威斯康星州的不同地点采集的具有不同理化性质 (pH值、含水率、电阻率、氯化物含量、硫酸盐和亚硫酸盐含量以及平均总有机碳浓度) 的9种土壤中，由于广义回归神经网络 (GRNN) 模型属于概率神经网络的范畴，该模型能够仅使用少量的训练样本来预测结果，并且仅通过一次“学习”过程，就可以在示例存储后立即从示例中进行泛化，因此Ling等[37]建立了GRNN模型，并以pH、含水率、电阻率、氯化物含量、硫酸盐和亚硫酸盐含量、平均总有机碳浓度以及样品在土壤中的暴露时间作为输入量，以钢试样的腐蚀电流密度和腐蚀电位值为输出量，并随机选择五个月测试数据中的70%用于训练和验证 (数据集数=2930)，其余的30%用于测试 (数据集数=1256)，并将该模型的预测值与实际测量值进行对比.结果表明：GRNN模型预测的结果与实际测量结果非常吻合，因此说明该预测模型能够较准确的预测嵌入不同土壤中的钢试样的腐蚀活性.曲良山等[38]对大庆30个典型土壤区域进行了碳钢现场埋片 (商用20＃钢热轧板) 实验，获取了土壤电阻率、试样的自然腐蚀电位、土壤电位梯度、土壤氧化还原电位、土壤pH、含水率、土壤容重、温度、CO32-、HCO32-、SO42-、Cl-、Ca2＋、Mg2＋、K＋、Na＋和硫酸盐还原菌等腐蚀数据，运用基于Matlab语言的BP人工神经网络，建立了土壤腐蚀预测模型，主要包含3层，即输入层、隐含层以及输出层，综合考虑土壤腐蚀的传质过程和土壤各影响因素间的逻辑分析，确定了以含水量、可溶盐总量、pH、Cl-含量、SO42-含量和空气容量为输入量，即输入层为6个神经元节点，以碳钢的腐蚀速度为输出量，即输出层为一个神经元节点，通过不断实践检验，隐含层确定为5个神经元节点，并选取其中的24组腐蚀数据为训练集，其余6组为测试集，并将预测值与现场碳钢埋片实验的实际值进行对比.研究发现：经过大量训练后可以建立具有较好稳定性和泛化能力的土壤腐蚀预测模型，该模型的预测误差值小于25％，预测值与真实值基本吻合，较好地预测了大庆地区的碳钢腐蚀情况. ...
... [37]建立了GRNN模型，并以pH、含水率、电阻率、氯化物含量、硫酸盐和亚硫酸盐含量、平均总有机碳浓度以及样品在土壤中的暴露时间作为输入量，以钢试样的腐蚀电流密度和腐蚀电位值为输出量，并随机选择五个月测试数据中的70%用于训练和验证 (数据集数=2930)，其余的30%用于测试 (数据集数=1256)，并将该模型的预测值与实际测量值进行对比.结果表明：GRNN模型预测的结果与实际测量结果非常吻合，因此说明该预测模型能够较准确的预测嵌入不同土壤中的钢试样的腐蚀活性.曲良山等[38]对大庆30个典型土壤区域进行了碳钢现场埋片 (商用20＃钢热轧板) 实验，获取了土壤电阻率、试样的自然腐蚀电位、土壤电位梯度、土壤氧化还原电位、土壤pH、含水率、土壤容重、温度、CO32-、HCO32-、SO42-、Cl-、Ca2＋、Mg2＋、K＋、Na＋和硫酸盐还原菌等腐蚀数据，运用基于Matlab语言的BP人工神经网络，建立了土壤腐蚀预测模型，主要包含3层，即输入层、隐含层以及输出层，综合考虑土壤腐蚀的传质过程和土壤各影响因素间的逻辑分析，确定了以含水量、可溶盐总量、pH、Cl-含量、SO42-含量和空气容量为输入量，即输入层为6个神经元节点，以碳钢的腐蚀速度为输出量，即输出层为一个神经元节点，通过不断实践检验，隐含层确定为5个神经元节点，并选取其中的24组腐蚀数据为训练集，其余6组为测试集，并将预测值与现场碳钢埋片实验的实际值进行对比.研究发现：经过大量训练后可以建立具有较好稳定性和泛化能力的土壤腐蚀预测模型，该模型的预测误差值小于25％，预测值与真实值基本吻合，较好地预测了大庆地区的碳钢腐蚀情况. ...
... 目前对于土壤腐蚀速率预测的方法主要是人工神经网络算法或其优化算法[28,36~38]，也有部分学者通过支持向量机与其他算法融合建立腐蚀预测模型对土壤腐蚀性进行研究[35]，但目前该类算法在土壤腐蚀速率预测方面的应用并不是十分广泛.目前国内外学者主要基于土壤腐蚀性关键参量对土壤腐蚀速率进行预测分析[35,36,38]，但也有部分学者基于所有的土壤腐蚀参量，通过机器学习分析预测土壤腐蚀速率[28,37]；由于预测模型的输入量过多，不仅增加了建模的难度，而且还会减慢模型的训练速度，因此在不影响预测精度的前提下，利用土壤腐蚀性关键影响参量对土壤腐蚀速率进行预测将是未来的研究趋势.并且目前国内外学者主要针对单一或部分地区的土壤腐蚀性展开了研究分析，尚未形成适用于不同地区间的统一的土壤腐蚀预测模型，可能是由于目前尚未建立统一的土壤腐蚀数据库，因此进一步的开展数据库的建设和发展对于研究不同地区的土壤腐蚀性以及建立具有普适性的预测模型至关重要. ...
Corrosion rate prediction model of carbon steel in regional soil based on BP artificial neural network
3
2009
... 国内外学者不仅利用机器学习研究了各因素对土壤腐蚀性影响的权重，还对土壤腐蚀速率预测方面展开了研究.郭阳阳等[36]在海南变电站现场采集了土壤样品，并在实验室进行测试，得到了包含土壤电阻率、管道自然腐蚀电位、氧化还原电位、土壤pH值、土壤质地、土壤含水量、土壤含盐量、土壤Cl-含量等参数的32组腐蚀数据，仅利用测试得到的腐蚀数据对预测模型进行训练和测试，较少的腐蚀数据导致预测准确率下降，因此利用unifrnd函数在单因素土壤腐蚀等级指标之间随机均匀生成2200个样本，由于神经网络不仅可以处理大规模数据信息，而且还具有分布储存、自组织及自学习、良好的容错性以及推广能力等均较为优异的特点，因此郭阳阳等[36]建立了神经网络预测模型，以其中的2000个作为训练集，200个作为测试集，并利用Q235钢相关的电化学腐蚀知识确定了电阻率、氧化还原电位、含水量、含盐量、pH、Cl-含量为预测模型的输入量，以Q235钢的接地网腐蚀速率作为输出量，并进一步对比分析了误差逆向传播网络 (BP) 模型和径向基神经网络 (RBF) 模型的建模过程和预测精度；最后利用在海南省部分变电站土壤埋片 (Q235钢) 实验得到的32组土壤腐蚀数据，对已建立的BP和RBF网络模型进行检验，并将两种模型的预测值与实际值进行对比.研究发现：在建模过程中，BP网络模型要设定的参数较多，而RBF网络模型只需设定Spread值；且RBF网络的训练精度以及泛化能力均优于BP网络模型，而在结构和运算方面，BP网络模型要优于RBF网络模型；通过检验两种已建立的模型发现其预测值与实际值均基本一致，其中BP预测模型的均方误差为0.2329，RBF预测模型的均方误差为0.0849，RBF网络模型对海南省土壤腐蚀预测的精度整体上优于BP网络模型.李丽等[28]通过已积累的国内14个具有代表性腐蚀试验站点的碳钢土壤腐蚀数据，基于BP神经网络模型建立了土壤腐蚀预测模型，该预测模型共分为三层，第一层为输入层，第二层为隐含层，第三层为输出层，选取前11个地区的土壤腐蚀数据为预测集，后3个地区的腐蚀数据为验证集，以含水量、pH、Cl-含量、SO42-含量、电导率、含盐量为输入量，即输入层有6个神经元节点，以碳钢土壤年腐蚀速率为输出量，即输出层为1个神经元节点，隐含层为5个神经元节点，并将预测值与现场碳钢埋片腐蚀实验结果进行对比.研究发现：基于BP神经网络，经过大量训练后可以建立具有较好的稳定性和泛化能力的土壤腐蚀预测模型，并且模型预测误差小于10%，预测值与真实值基本吻合.梁昌晶等[35]在某油田集输管道附近土壤进行了埋片 (X65管线钢) 实验，选取了具有代表性的监测点的40组腐蚀数据 (土壤电阻率、氧化还原电位、含盐量、Cl-含量、SO42-含量、含水量、电位梯度、pH以及腐蚀速率) 为研究样本，将腐蚀数据代入KPCA中进行数据降维，得到了对埋地管道腐蚀影响较大的是土壤电阻率、氧化还原电位、含盐量、Cl-质量分数及含水量，随后运用GWO (灰狼优化) 算法、GA (遗传算法)、PSO (粒子群算法) 以及FOA (果蝇算法) 对SVM中的惩罚因子c、核系数g进行寻优，并以对埋地管道腐蚀影响较大的因素为输入量，以土壤腐蚀速率为输出量，以随机抽取的30组腐蚀数据作为训练集，剩余10组作为测试集，建立并对比了GWO-SVM、GA-SVM、PSO-SVM以及FOA-SVM 等4种预测模型的预测效果.研究发现：综合考虑预测误差及预测时间，GWO-SVM模型要优于GA-SVM、PSO-SVM及FOA-SVM模型，其平均绝对误差值仅为1.90%，训练时间仅为2.55 s.Ling等[37]将ASTM A572-50钢试样嵌入到从威斯康星州的不同地点采集的具有不同理化性质 (pH值、含水率、电阻率、氯化物含量、硫酸盐和亚硫酸盐含量以及平均总有机碳浓度) 的9种土壤中，由于广义回归神经网络 (GRNN) 模型属于概率神经网络的范畴，该模型能够仅使用少量的训练样本来预测结果，并且仅通过一次“学习”过程，就可以在示例存储后立即从示例中进行泛化，因此Ling等[37]建立了GRNN模型，并以pH、含水率、电阻率、氯化物含量、硫酸盐和亚硫酸盐含量、平均总有机碳浓度以及样品在土壤中的暴露时间作为输入量，以钢试样的腐蚀电流密度和腐蚀电位值为输出量，并随机选择五个月测试数据中的70%用于训练和验证 (数据集数=2930)，其余的30%用于测试 (数据集数=1256)，并将该模型的预测值与实际测量值进行对比.结果表明：GRNN模型预测的结果与实际测量结果非常吻合，因此说明该预测模型能够较准确的预测嵌入不同土壤中的钢试样的腐蚀活性.曲良山等[38]对大庆30个典型土壤区域进行了碳钢现场埋片 (商用20＃钢热轧板) 实验，获取了土壤电阻率、试样的自然腐蚀电位、土壤电位梯度、土壤氧化还原电位、土壤pH、含水率、土壤容重、温度、CO32-、HCO32-、SO42-、Cl-、Ca2＋、Mg2＋、K＋、Na＋和硫酸盐还原菌等腐蚀数据，运用基于Matlab语言的BP人工神经网络，建立了土壤腐蚀预测模型，主要包含3层，即输入层、隐含层以及输出层，综合考虑土壤腐蚀的传质过程和土壤各影响因素间的逻辑分析，确定了以含水量、可溶盐总量、pH、Cl-含量、SO42-含量和空气容量为输入量，即输入层为6个神经元节点，以碳钢的腐蚀速度为输出量，即输出层为一个神经元节点，通过不断实践检验，隐含层确定为5个神经元节点，并选取其中的24组腐蚀数据为训练集，其余6组为测试集，并将预测值与现场碳钢埋片实验的实际值进行对比.研究发现：经过大量训练后可以建立具有较好稳定性和泛化能力的土壤腐蚀预测模型，该模型的预测误差值小于25％，预测值与真实值基本吻合，较好地预测了大庆地区的碳钢腐蚀情况. ...
... 目前对于土壤腐蚀速率预测的方法主要是人工神经网络算法或其优化算法[28,36~38]，也有部分学者通过支持向量机与其他算法融合建立腐蚀预测模型对土壤腐蚀性进行研究[35]，但目前该类算法在土壤腐蚀速率预测方面的应用并不是十分广泛.目前国内外学者主要基于土壤腐蚀性关键参量对土壤腐蚀速率进行预测分析[35,36,38]，但也有部分学者基于所有的土壤腐蚀参量，通过机器学习分析预测土壤腐蚀速率[28,37]；由于预测模型的输入量过多，不仅增加了建模的难度，而且还会减慢模型的训练速度，因此在不影响预测精度的前提下，利用土壤腐蚀性关键影响参量对土壤腐蚀速率进行预测将是未来的研究趋势.并且目前国内外学者主要针对单一或部分地区的土壤腐蚀性展开了研究分析，尚未形成适用于不同地区间的统一的土壤腐蚀预测模型，可能是由于目前尚未建立统一的土壤腐蚀数据库，因此进一步的开展数据库的建设和发展对于研究不同地区的土壤腐蚀性以及建立具有普适性的预测模型至关重要. ...
... ,38]，但也有部分学者基于所有的土壤腐蚀参量，通过机器学习分析预测土壤腐蚀速率[28,37]；由于预测模型的输入量过多，不仅增加了建模的难度，而且还会减慢模型的训练速度，因此在不影响预测精度的前提下，利用土壤腐蚀性关键影响参量对土壤腐蚀速率进行预测将是未来的研究趋势.并且目前国内外学者主要针对单一或部分地区的土壤腐蚀性展开了研究分析，尚未形成适用于不同地区间的统一的土壤腐蚀预测模型，可能是由于目前尚未建立统一的土壤腐蚀数据库，因此进一步的开展数据库的建设和发展对于研究不同地区的土壤腐蚀性以及建立具有普适性的预测模型至关重要. ...
运用BP人工神经网络方法构建碳钢区域土壤腐蚀预测模型
3
2009
... 国内外学者不仅利用机器学习研究了各因素对土壤腐蚀性影响的权重，还对土壤腐蚀速率预测方面展开了研究.郭阳阳等[36]在海南变电站现场采集了土壤样品，并在实验室进行测试，得到了包含土壤电阻率、管道自然腐蚀电位、氧化还原电位、土壤pH值、土壤质地、土壤含水量、土壤含盐量、土壤Cl-含量等参数的32组腐蚀数据，仅利用测试得到的腐蚀数据对预测模型进行训练和测试，较少的腐蚀数据导致预测准确率下降，因此利用unifrnd函数在单因素土壤腐蚀等级指标之间随机均匀生成2200个样本，由于神经网络不仅可以处理大规模数据信息，而且还具有分布储存、自组织及自学习、良好的容错性以及推广能力等均较为优异的特点，因此郭阳阳等[36]建立了神经网络预测模型，以其中的2000个作为训练集，200个作为测试集，并利用Q235钢相关的电化学腐蚀知识确定了电阻率、氧化还原电位、含水量、含盐量、pH、Cl-含量为预测模型的输入量，以Q235钢的接地网腐蚀速率作为输出量，并进一步对比分析了误差逆向传播网络 (BP) 模型和径向基神经网络 (RBF) 模型的建模过程和预测精度；最后利用在海南省部分变电站土壤埋片 (Q235钢) 实验得到的32组土壤腐蚀数据，对已建立的BP和RBF网络模型进行检验，并将两种模型的预测值与实际值进行对比.研究发现：在建模过程中，BP网络模型要设定的参数较多，而RBF网络模型只需设定Spread值；且RBF网络的训练精度以及泛化能力均优于BP网络模型，而在结构和运算方面，BP网络模型要优于RBF网络模型；通过检验两种已建立的模型发现其预测值与实际值均基本一致，其中BP预测模型的均方误差为0.2329，RBF预测模型的均方误差为0.0849，RBF网络模型对海南省土壤腐蚀预测的精度整体上优于BP网络模型.李丽等[28]通过已积累的国内14个具有代表性腐蚀试验站点的碳钢土壤腐蚀数据，基于BP神经网络模型建立了土壤腐蚀预测模型，该预测模型共分为三层，第一层为输入层，第二层为隐含层，第三层为输出层，选取前11个地区的土壤腐蚀数据为预测集，后3个地区的腐蚀数据为验证集，以含水量、pH、Cl-含量、SO42-含量、电导率、含盐量为输入量，即输入层有6个神经元节点，以碳钢土壤年腐蚀速率为输出量，即输出层为1个神经元节点，隐含层为5个神经元节点，并将预测值与现场碳钢埋片腐蚀实验结果进行对比.研究发现：基于BP神经网络，经过大量训练后可以建立具有较好的稳定性和泛化能力的土壤腐蚀预测模型，并且模型预测误差小于10%，预测值与真实值基本吻合.梁昌晶等[35]在某油田集输管道附近土壤进行了埋片 (X65管线钢) 实验，选取了具有代表性的监测点的40组腐蚀数据 (土壤电阻率、氧化还原电位、含盐量、Cl-含量、SO42-含量、含水量、电位梯度、pH以及腐蚀速率) 为研究样本，将腐蚀数据代入KPCA中进行数据降维，得到了对埋地管道腐蚀影响较大的是土壤电阻率、氧化还原电位、含盐量、Cl-质量分数及含水量，随后运用GWO (灰狼优化) 算法、GA (遗传算法)、PSO (粒子群算法) 以及FOA (果蝇算法) 对SVM中的惩罚因子c、核系数g进行寻优，并以对埋地管道腐蚀影响较大的因素为输入量，以土壤腐蚀速率为输出量，以随机抽取的30组腐蚀数据作为训练集，剩余10组作为测试集，建立并对比了GWO-SVM、GA-SVM、PSO-SVM以及FOA-SVM 等4种预测模型的预测效果.研究发现：综合考虑预测误差及预测时间，GWO-SVM模型要优于GA-SVM、PSO-SVM及FOA-SVM模型，其平均绝对误差值仅为1.90%，训练时间仅为2.55 s.Ling等[37]将ASTM A572-50钢试样嵌入到从威斯康星州的不同地点采集的具有不同理化性质 (pH值、含水率、电阻率、氯化物含量、硫酸盐和亚硫酸盐含量以及平均总有机碳浓度) 的9种土壤中，由于广义回归神经网络 (GRNN) 模型属于概率神经网络的范畴，该模型能够仅使用少量的训练样本来预测结果，并且仅通过一次“学习”过程，就可以在示例存储后立即从示例中进行泛化，因此Ling等[37]建立了GRNN模型，并以pH、含水率、电阻率、氯化物含量、硫酸盐和亚硫酸盐含量、平均总有机碳浓度以及样品在土壤中的暴露时间作为输入量，以钢试样的腐蚀电流密度和腐蚀电位值为输出量，并随机选择五个月测试数据中的70%用于训练和验证 (数据集数=2930)，其余的30%用于测试 (数据集数=1256)，并将该模型的预测值与实际测量值进行对比.结果表明：GRNN模型预测的结果与实际测量结果非常吻合，因此说明该预测模型能够较准确的预测嵌入不同土壤中的钢试样的腐蚀活性.曲良山等[38]对大庆30个典型土壤区域进行了碳钢现场埋片 (商用20＃钢热轧板) 实验，获取了土壤电阻率、试样的自然腐蚀电位、土壤电位梯度、土壤氧化还原电位、土壤pH、含水率、土壤容重、温度、CO32-、HCO32-、SO42-、Cl-、Ca2＋、Mg2＋、K＋、Na＋和硫酸盐还原菌等腐蚀数据，运用基于Matlab语言的BP人工神经网络，建立了土壤腐蚀预测模型，主要包含3层，即输入层、隐含层以及输出层，综合考虑土壤腐蚀的传质过程和土壤各影响因素间的逻辑分析，确定了以含水量、可溶盐总量、pH、Cl-含量、SO42-含量和空气容量为输入量，即输入层为6个神经元节点，以碳钢的腐蚀速度为输出量，即输出层为一个神经元节点，通过不断实践检验，隐含层确定为5个神经元节点，并选取其中的24组腐蚀数据为训练集，其余6组为测试集，并将预测值与现场碳钢埋片实验的实际值进行对比.研究发现：经过大量训练后可以建立具有较好稳定性和泛化能力的土壤腐蚀预测模型，该模型的预测误差值小于25％，预测值与真实值基本吻合，较好地预测了大庆地区的碳钢腐蚀情况. ...
... 目前对于土壤腐蚀速率预测的方法主要是人工神经网络算法或其优化算法[28,36~38]，也有部分学者通过支持向量机与其他算法融合建立腐蚀预测模型对土壤腐蚀性进行研究[35]，但目前该类算法在土壤腐蚀速率预测方面的应用并不是十分广泛.目前国内外学者主要基于土壤腐蚀性关键参量对土壤腐蚀速率进行预测分析[35,36,38]，但也有部分学者基于所有的土壤腐蚀参量，通过机器学习分析预测土壤腐蚀速率[28,37]；由于预测模型的输入量过多，不仅增加了建模的难度，而且还会减慢模型的训练速度，因此在不影响预测精度的前提下，利用土壤腐蚀性关键影响参量对土壤腐蚀速率进行预测将是未来的研究趋势.并且目前国内外学者主要针对单一或部分地区的土壤腐蚀性展开了研究分析，尚未形成适用于不同地区间的统一的土壤腐蚀预测模型，可能是由于目前尚未建立统一的土壤腐蚀数据库，因此进一步的开展数据库的建设和发展对于研究不同地区的土壤腐蚀性以及建立具有普适性的预测模型至关重要. ...
... ,38]，但也有部分学者基于所有的土壤腐蚀参量，通过机器学习分析预测土壤腐蚀速率[28,37]；由于预测模型的输入量过多，不仅增加了建模的难度，而且还会减慢模型的训练速度，因此在不影响预测精度的前提下，利用土壤腐蚀性关键影响参量对土壤腐蚀速率进行预测将是未来的研究趋势.并且目前国内外学者主要针对单一或部分地区的土壤腐蚀性展开了研究分析，尚未形成适用于不同地区间的统一的土壤腐蚀预测模型，可能是由于目前尚未建立统一的土壤腐蚀数据库，因此进一步的开展数据库的建设和发展对于研究不同地区的土壤腐蚀性以及建立具有普适性的预测模型至关重要. ...
1
1999
... 海洋环境是腐蚀性最强的自然环境，其从垂直方向可分为大气区、飞溅区、潮差区、全浸区和海泥区等五个腐蚀区域，一般认为海洋环境是从海洋大气区到海泥区内的任一状态[39].海洋腐蚀环境较为复杂，影响因素众多，在海洋环境下工作的金属构件合金成分、腐蚀产物、气温、水温、降水、雾、潮汐、海浪、潮流、盐度、pH、溶解氧、附着生物、污染程度以及流速等因素都会对海洋环境下的腐蚀产生重要的影响[40].不仅在不同海域中，金属构件的腐蚀速度不同，即使是同一海域、同一金属构件，因季节不同或同一海域不同腐蚀区 (大气区、飞溅区、潮差区、全浸区和海泥区) ，其腐蚀速度均会产生差异[41].近年来在海洋环境下工作的金属构件逐渐增多，海洋腐蚀也逐渐成为海洋开发或应用所面临的重要课题，并且海洋环境下工作的金属构件一旦发生腐蚀维修极为困难，因此对海洋腐蚀进行预测研究具有重要的实际意义.目前国内外学者利用机器学习对海洋腐蚀的研究侧重在环境因素和合金元素对海洋腐蚀性影响权重分析、海洋腐蚀速率预测以及海洋环境下服役的金属构件合金成分优化分析等方面. ...
1
1999
... 海洋环境是腐蚀性最强的自然环境，其从垂直方向可分为大气区、飞溅区、潮差区、全浸区和海泥区等五个腐蚀区域，一般认为海洋环境是从海洋大气区到海泥区内的任一状态[39].海洋腐蚀环境较为复杂，影响因素众多，在海洋环境下工作的金属构件合金成分、腐蚀产物、气温、水温、降水、雾、潮汐、海浪、潮流、盐度、pH、溶解氧、附着生物、污染程度以及流速等因素都会对海洋环境下的腐蚀产生重要的影响[40].不仅在不同海域中，金属构件的腐蚀速度不同，即使是同一海域、同一金属构件，因季节不同或同一海域不同腐蚀区 (大气区、飞溅区、潮差区、全浸区和海泥区) ，其腐蚀速度均会产生差异[41].近年来在海洋环境下工作的金属构件逐渐增多，海洋腐蚀也逐渐成为海洋开发或应用所面临的重要课题，并且海洋环境下工作的金属构件一旦发生腐蚀维修极为困难，因此对海洋腐蚀进行预测研究具有重要的实际意义.目前国内外学者利用机器学习对海洋腐蚀的研究侧重在环境因素和合金元素对海洋腐蚀性影响权重分析、海洋腐蚀速率预测以及海洋环境下服役的金属构件合金成分优化分析等方面. ...
Study on submarine pipeline corrosion detection and corrosion prediction
1
2007
... 海洋环境是腐蚀性最强的自然环境，其从垂直方向可分为大气区、飞溅区、潮差区、全浸区和海泥区等五个腐蚀区域，一般认为海洋环境是从海洋大气区到海泥区内的任一状态[39].海洋腐蚀环境较为复杂，影响因素众多，在海洋环境下工作的金属构件合金成分、腐蚀产物、气温、水温、降水、雾、潮汐、海浪、潮流、盐度、pH、溶解氧、附着生物、污染程度以及流速等因素都会对海洋环境下的腐蚀产生重要的影响[40].不仅在不同海域中，金属构件的腐蚀速度不同，即使是同一海域、同一金属构件，因季节不同或同一海域不同腐蚀区 (大气区、飞溅区、潮差区、全浸区和海泥区) ，其腐蚀速度均会产生差异[41].近年来在海洋环境下工作的金属构件逐渐增多，海洋腐蚀也逐渐成为海洋开发或应用所面临的重要课题，并且海洋环境下工作的金属构件一旦发生腐蚀维修极为困难，因此对海洋腐蚀进行预测研究具有重要的实际意义.目前国内外学者利用机器学习对海洋腐蚀的研究侧重在环境因素和合金元素对海洋腐蚀性影响权重分析、海洋腐蚀速率预测以及海洋环境下服役的金属构件合金成分优化分析等方面. ...
海底管线腐蚀检测与腐蚀预测的研究
1
2007
... 海洋环境是腐蚀性最强的自然环境，其从垂直方向可分为大气区、飞溅区、潮差区、全浸区和海泥区等五个腐蚀区域，一般认为海洋环境是从海洋大气区到海泥区内的任一状态[39].海洋腐蚀环境较为复杂，影响因素众多，在海洋环境下工作的金属构件合金成分、腐蚀产物、气温、水温、降水、雾、潮汐、海浪、潮流、盐度、pH、溶解氧、附着生物、污染程度以及流速等因素都会对海洋环境下的腐蚀产生重要的影响[40].不仅在不同海域中，金属构件的腐蚀速度不同，即使是同一海域、同一金属构件，因季节不同或同一海域不同腐蚀区 (大气区、飞溅区、潮差区、全浸区和海泥区) ，其腐蚀速度均会产生差异[41].近年来在海洋环境下工作的金属构件逐渐增多，海洋腐蚀也逐渐成为海洋开发或应用所面临的重要课题，并且海洋环境下工作的金属构件一旦发生腐蚀维修极为困难，因此对海洋腐蚀进行预测研究具有重要的实际意义.目前国内外学者利用机器学习对海洋腐蚀的研究侧重在环境因素和合金元素对海洋腐蚀性影响权重分析、海洋腐蚀速率预测以及海洋环境下服役的金属构件合金成分优化分析等方面. ...
Investigation on the corrosion behavior and corrosion prediction model of engineering steels used in marine environment
8
2004
... 海洋环境是腐蚀性最强的自然环境，其从垂直方向可分为大气区、飞溅区、潮差区、全浸区和海泥区等五个腐蚀区域，一般认为海洋环境是从海洋大气区到海泥区内的任一状态[39].海洋腐蚀环境较为复杂，影响因素众多，在海洋环境下工作的金属构件合金成分、腐蚀产物、气温、水温、降水、雾、潮汐、海浪、潮流、盐度、pH、溶解氧、附着生物、污染程度以及流速等因素都会对海洋环境下的腐蚀产生重要的影响[40].不仅在不同海域中，金属构件的腐蚀速度不同，即使是同一海域、同一金属构件，因季节不同或同一海域不同腐蚀区 (大气区、飞溅区、潮差区、全浸区和海泥区) ，其腐蚀速度均会产生差异[41].近年来在海洋环境下工作的金属构件逐渐增多，海洋腐蚀也逐渐成为海洋开发或应用所面临的重要课题，并且海洋环境下工作的金属构件一旦发生腐蚀维修极为困难，因此对海洋腐蚀进行预测研究具有重要的实际意义.目前国内外学者利用机器学习对海洋腐蚀的研究侧重在环境因素和合金元素对海洋腐蚀性影响权重分析、海洋腐蚀速率预测以及海洋环境下服役的金属构件合金成分优化分析等方面. ...
... 国内外学者利用机器学习对海洋腐蚀性影响因素的权重以及腐蚀速率预测领域展开了大量的研究.李海涛等[22]以在中国腐蚀与防护网上面选取2Cr1312不锈钢、Q235B钢和6082铝合金3种海洋工程材料的腐蚀数据为研究样本，从获取的4027条腐蚀数据中选取4024条数据作为模型的训练集，剩余数据作为2Cr1312不锈钢、Q235B钢和6082铝合金的测试集，并利用遗传算法分析了海洋环境中各因素对腐蚀速度的影响率,并以对2Cr1312不锈钢、Q235B钢和6082铝合金等3种材料腐蚀影响较大的水温、溶解氧、盐度、电导率、pH和氧化还原电位作为输入量，以3种材料的腐蚀速率作为输出量，综合对比了经遗传算法优化后的BP模型即GA-BP模型与BP模型的差异.研究表明，海洋环境中各因素对腐蚀速度的影响权重依次为：溶解氧 (28.65)>pH (27.41)>盐度 (25.46)>电导率 (24.91)>氧化还原电位 (23.18)>水温 (21.78)>降雨量 (14.76)>相对湿度 (13.29)>风速 (7.83)>气温 (5.76)；并且GA-BP模型的训练误差以及训练时间都要优于传统的BP神经网络模型.马良涛等[42]以在青岛海洋腐蚀所海水实验站进行周期1 a的实海挂片 (Q235钢) 实验的腐蚀数据为研究样本，在25组腐蚀数据中选择18组数据作为训练集，7组数据作为测试集，并以环境温度、含氧量、pH、盐度及自腐蚀电位作为输入量，其腐蚀速率作为输出量，对比分析了GRNN模型和BP模型的预测精度.研究表明，GRNN模型在选择默认扩散速度值的情况下，其精度高于同等条件下的BP神经网络，其平均预测误差仅为5.75%；并且在最优扩展速度下GRNN模型的平均误差减小为2.38%，具有较高的预测精度.李响等[24]以海洋挂片 (Q235钢) 腐蚀试验数据作为研究样本，由于SVM可以较好地解决海洋腐蚀数据较少情况下的腐蚀规律预测问题，因此李响等建立了遗传算法SVM模型即GA-SVM模型，并从获取的25组腐蚀数据中选取22组作为训练集，3组作为测试集，以温度、含氧量、含盐量、pH值为输入量，腐蚀速率为输出量，对比分析了GA-SVM和BP神经网络模型的预测效果，并将GA-SVM模型的预测值与实际值进行对比.研究发现： GA-SVM模型测试集的预测误差均小于3%，而BP神经网络预测模型测试集的误差绝对值的平均值为7.23%，因此GA-SVM模型的预测误差要优于BP神经网络的预测误差，并且GA-SVM模型的预测值几乎接近实际的腐蚀速率.Wen等[43]以采用电化学技术测量获取的46组不同海水环境下3C钢腐蚀数据为研究样本，建立了基于粒子群优化 (PSO) 参数的支持向量回归 (SVR) 预测模型，进一步地通过留一法交叉验证 (LOOCV) 建立了SVM-LOOCV预测模型，并对比了SVR模型、SVM-LOOCV模型与BPNN模型的预测误差以及不同数量训练集的预测误差，并将预测值与实际值进行对比；SVM模型和BPNN模型的建模方式1为随机选取其中的41组腐蚀数据为训练集，以5组腐蚀数据为测试集，建模方式2为以42组腐蚀数据为训练集，4组为测试集，而SVM-LOOCV预测模型以46组腐蚀数据中的45组为训练集，1组为测试集，上述预测模型均以温度、溶解氧、盐度、pH 值和氧化还原电位为输入量，腐蚀速率为输出量，研究表明：对于相同的训练集和测试集，SVR模型的预测误差小于BPNN模型，并且SVR模型的泛化能力 (平均绝对误差 (MAE)、平均绝对百分比误差 (MAPE) 和相关系数 (R2)) 也优于BPNN模型，以建模方式2建立的SVR模型和BPNN模型预测误差低于以建模方式1建立的SVR模型和BPNN模型的预测误差，并且SVM-LOOCV模型的MAE和MAPE均优于SVR模型和BPNN模型，进一步说明了增加训练样本的数量可以提高模型的预测精度.骆正山等[44]以50组不同海水环境参数下的海洋挂片腐蚀速率数据为研究样本，腐蚀数据包含了海水温度、溶解氧含量、盐度、pH和氧化还原电位、腐蚀速率等参量，利用套索回归模型 (LASSO) 分析出了对海洋腐蚀影响较大的参量，以对海洋腐蚀影响较大的参量为输入量，以腐蚀速率为输出量，并选取腐蚀数据中的42组为训练集，8组为测试集，建立了LASSO -WOA (鲸鱼优化算法) -LSSVM (最小二乘支持向量机) 预测模型，并对比分析了FOA-LSSVM 、LSSVM以及LASSO-WOA-LSSVM等模型的预测效果，并将预测值与实际值进行比较.结果表明：对海洋管线腐蚀影响较大的因素为温度、溶解氧含量和pH值；与FOA-LSSVM 和 LSSVM 两个模型相比，LASSO-WOA-LSSVM的预测值与真实腐蚀速率的差距较小，拟合效果更佳，并且LASSO-WOA-LSSVM的均方根误差 (RMSE) 仅为 0.3248，并且决定系数R2达到了0.9708，远高于其他两个模型.张新生等[45]通过实海挂片试验，获得了海底油气管线在不同海水温度、溶氧量、盐度、pH值以及氧化还原电位条件下的腐蚀速率，利用因子分析 (FA) 对海水腐蚀影响因素进行降维处理，以降维后海水腐蚀影响因素为输入量，腐蚀速率为输出量，从获取到的50组腐蚀数据中选取43组为训练集，7组为测试集，建立了FA-BAS (天牛须搜索算法) -ELM (极限学习机) 预测模型，并综合对比了FA-BAS-ELM模型、FA-ELM模型、FA-FOA (果蝇优化算法)-ELM模型以及FA-BAS-BP模型的预测精度和拟合效果，并将预测值与实际值进行比较.研究表明：海水温度、溶氧量、盐度、pH值等4个参量对海水腐蚀的影响较大，综合考虑MAPE、RMSE、R2以及平均训练时间等因素，FA-BAS-ELM模型的预测精度和拟合效果均要优于FA-ELM模型、FA-FOA-ELM模型、FA-BAS-BP模型等3种模型，并且FA-BAS-ELM模型的MAPE仅为1.92%，R2高达0.9949，预测值与实际值基本吻合.刘学庆等[41]以海洋工程常用钢材3C、Q235、16Mn、10MnPNbRe、10CrMoAl、D36作为研究样本，依据电化学测定的不同海水环境下的腐蚀数据 (溶解氧，氧化还原电位，温度，盐度，pH值以及腐蚀速率) (3C钢26组腐蚀数据、Q235钢25组腐蚀数据、16Mn钢24组腐蚀数据、10MnPNbRe钢23组腐蚀数据、10CrMoAl钢23组腐蚀数据、D36钢24组腐蚀数据)，通过灰关联分析法分析了各环境因素对不同钢材腐蚀速度的影响大小，建立了BP神经网络模型，以溶解氧、氧化还原电位、温度、盐度、pH值为输入量，以腐蚀速率为输出量，并以3C钢腐蚀数据中的5组腐蚀数据、Q235钢腐蚀数据中的4组腐蚀数据、16Mn钢腐蚀数据中的4组腐蚀数据、10MnPNbRe钢腐蚀数据中的3组腐蚀数据、10CrMoAl钢腐蚀数据中的4组腐蚀数据、D36钢腐蚀数据中的4组腐蚀数据为测试集，钢材中的其他数据为训练集.研究表明：各环境参数关联度的平均值大小顺序为：溶解氧、氧化还原电位、温度、盐度、pH值，其中氧化还原电位和温度对腐蚀速度的影响程度几乎没有差别；BP人工神经网络模型的预测值与实际值的相对误差在10%以内，预测精度较高. ...
... 由上述实例可知，应用于海洋腐蚀环境下的机器学习算法类型要明显多于土壤环境，并且与土壤腐蚀预测研究相比，近些年对于海洋腐蚀的研究较多.目前对于海洋腐蚀影响因素权重的分析还没有具体统一的分析方法，有学者采用遗传算法、LASSO、FA (因子分析)、灰关联分析法等算法分析海洋环境因素对海洋腐蚀影响的权重[22,41,44,45]，并且大部分研究发现海水环境中的海水温度、溶氧量、盐度、pH值等因素均对海水腐蚀发挥着重要的作用[22,24,41~45].目前对于海水腐蚀速率预测多采用的机器学习算法是基于神经网络和支持向量机的优化算法[22,24,41~44]，并且预测精确度较高；也有少数学者采用随机森林算法、FA-BAS-ELM模型、FA-ELM 模型、FA-FOA-ELM模型等方法[45,47]. ...
... ,41~45].目前对于海水腐蚀速率预测多采用的机器学习算法是基于神经网络和支持向量机的优化算法[22,24,41~44]，并且预测精确度较高；也有少数学者采用随机森林算法、FA-BAS-ELM模型、FA-ELM 模型、FA-FOA-ELM模型等方法[45,47]. ...
... ,41~44]，并且预测精确度较高；也有少数学者采用随机森林算法、FA-BAS-ELM模型、FA-ELM 模型、FA-FOA-ELM模型等方法[45,47]. ...
... 机器学习算法不仅可以分析海洋腐蚀影响因素的权重大小以及预测腐蚀速率，还可以对海洋环境下工作的金属构件合金元素进行预测优化.Wei等[46]选用碳钢Q235、变质碳钢Q235和Q450NQR1、船用碳钢D36、Q345B和Q345DZ35、管线钢X70和X80、船用低合金钢 (LAS) 921、E460和E690、海洋结构钢超细晶粒钢1、超细晶粒钢2和微合金钢为研究对象，在国家自然环境腐蚀平台三亚海水站获取了196组腐蚀数据，腐蚀数据由15个化学元素参数 (C、Si、Mn、P、S、Ni、Cr、Mo、Cu、Nb、Ti、Al、V、B、N)、7个海水环境参数 (浸泡时间、温度、电导率、盐度、溶解氧、流速) 和1个腐蚀电位参数组成.通过皮尔逊系数分析了低合金钢的所有化学元素中哪些元素对海水腐蚀影响较大，并探讨了关键合金元素对低合金钢腐蚀电位的联合作用.研究表明，在低合金钢的所有化学元素中，Si、Ni、Cr、Mo和V对腐蚀电位的影响最大；并且当Ni和Cr共存度大于0.2%时，Q235钢的腐蚀电位从-690 mV升高到-660 mV；当Cr含量大于0.4%时，Q450NQR1的腐蚀电位从-690 mV升高到-665 mV；当Cr含量大于1%时，Q450NQR1的腐蚀电位又从-665 mV升高到-645 mV；当Cr含量高于0.2%和0.4%时，E460的腐蚀电位分别升高；随着Cr含量的增加，921钢的腐蚀电位逐渐升高；当Mo含量高于0.1%时，X70的腐蚀电位明显增加.Diao等[47]在4个不同的海洋腐蚀试验站共收集了85组20种低合金钢的1和2 a海水浸泡腐蚀数据，每组腐蚀数据由12个材料特征 (C、S、P、Mn、Si、Cr、Mo、Al、V、Ti、Cu、Nb等元素含量)、12个环境特征 (最高/平均/最小温度值、最高/平均/最小PH值、最高/平均/最小溶解氧含量、最高/平均/最小海水盐度值)、浸泡时间和对应的腐蚀速率组成，比较了不同机器学习算法 (K最近邻算法 (KNN)、多层感知器 (MLP)、RF、具有径向基函数的支持向量回归 (SVR.R)、具有线性内核的支持向量回归 (SVR.L) 以及具有多项式内核的支持向量回归 (SVR.P) 等) 的预测效果，并将原始数据分为训练集 (主要用于腐蚀速率预测模型的优化) 和测试集 (仅用于识别模型的预测精度)，这里使用了几种不同的划分比例 (即40%、50%、60%、70%、80%、90%的训练数据，其余为测试数据)，结果表明：在不同的训练数据分割比例下，随机森林模型对测试集的预测精度均最高，且训练集的比例为80%时预测效果最佳，因此该研究以80%的腐蚀数据为训练集，20%的腐蚀数据为测试集，建立随机森林预测模型，利用梯度增强决策树 (GBDT) 和Kendall相关系数组合法分析得出最大溶解氧含量、最大海水盐度、最小pH值、平均温度、Cr、C、Si、P、S为输入量，而利用PCA法将原来的12个环境特征、12个材料特征和浸泡时间转换为9个新特征，基于以上两组不同的输入特征，用随机森林算法训练了两个腐蚀速率预测模型，并对比了GBDT和Kendall相关系数组合法和PCA法的腐蚀速率预测模型的预测精度.研究表明，基于GBDT方法和Kendall相关分析相结合建立的随机森林预测模型的训练集和测试集都有较好的预测精度，其预测结果要优于基于PCA方法建立的随机森林预测模型；并在所选材料中，Cr、C、Si、P、S等合金元素是影响腐蚀速率的关键元素，同时最大溶解氧含量、最大海水盐度、最小pH值和平均温度是主要的环境因素.刘学庆等[41]以海洋工程常用钢材3C、A3、16Mn、10MnPNbRe、10CrMoAl、D36作为研究样本；结合钢材合金元素与实海挂片1a的腐蚀数据，利用灰关联分析钢材所含合金元素与其腐蚀速度之间的关联度大小顺序为：Si>C>Mn>Cr>Co>Al>(Ti，Ni，P)>S>Sn>Cu>(W，V)>(Mo，Nb). ...
... 以上研究表明，目前对于在海洋环境下工作的金属构件合金元素分析并没有建立统一的分析方法，有学者采用皮尔逊系数分析法、梯度增强决策树、Kendall相关分析、主成分分析、灰关联分析法等方法对合金元素对海洋腐蚀影响权重进行了分析研究[41,46,47]，大部分研究表明Si和Cr在目前的海洋腐蚀研究中均发挥着十分重要的作用[41,46,47]. ...
... [41,46,47]. ...
海洋环境工程钢材腐蚀行为与预测模型的研究
8
2004
... 海洋环境是腐蚀性最强的自然环境，其从垂直方向可分为大气区、飞溅区、潮差区、全浸区和海泥区等五个腐蚀区域，一般认为海洋环境是从海洋大气区到海泥区内的任一状态[39].海洋腐蚀环境较为复杂，影响因素众多，在海洋环境下工作的金属构件合金成分、腐蚀产物、气温、水温、降水、雾、潮汐、海浪、潮流、盐度、pH、溶解氧、附着生物、污染程度以及流速等因素都会对海洋环境下的腐蚀产生重要的影响[40].不仅在不同海域中，金属构件的腐蚀速度不同，即使是同一海域、同一金属构件，因季节不同或同一海域不同腐蚀区 (大气区、飞溅区、潮差区、全浸区和海泥区) ，其腐蚀速度均会产生差异[41].近年来在海洋环境下工作的金属构件逐渐增多，海洋腐蚀也逐渐成为海洋开发或应用所面临的重要课题，并且海洋环境下工作的金属构件一旦发生腐蚀维修极为困难，因此对海洋腐蚀进行预测研究具有重要的实际意义.目前国内外学者利用机器学习对海洋腐蚀的研究侧重在环境因素和合金元素对海洋腐蚀性影响权重分析、海洋腐蚀速率预测以及海洋环境下服役的金属构件合金成分优化分析等方面. ...
... 国内外学者利用机器学习对海洋腐蚀性影响因素的权重以及腐蚀速率预测领域展开了大量的研究.李海涛等[22]以在中国腐蚀与防护网上面选取2Cr1312不锈钢、Q235B钢和6082铝合金3种海洋工程材料的腐蚀数据为研究样本，从获取的4027条腐蚀数据中选取4024条数据作为模型的训练集，剩余数据作为2Cr1312不锈钢、Q235B钢和6082铝合金的测试集，并利用遗传算法分析了海洋环境中各因素对腐蚀速度的影响率,并以对2Cr1312不锈钢、Q235B钢和6082铝合金等3种材料腐蚀影响较大的水温、溶解氧、盐度、电导率、pH和氧化还原电位作为输入量，以3种材料的腐蚀速率作为输出量，综合对比了经遗传算法优化后的BP模型即GA-BP模型与BP模型的差异.研究表明，海洋环境中各因素对腐蚀速度的影响权重依次为：溶解氧 (28.65)>pH (27.41)>盐度 (25.46)>电导率 (24.91)>氧化还原电位 (23.18)>水温 (21.78)>降雨量 (14.76)>相对湿度 (13.29)>风速 (7.83)>气温 (5.76)；并且GA-BP模型的训练误差以及训练时间都要优于传统的BP神经网络模型.马良涛等[42]以在青岛海洋腐蚀所海水实验站进行周期1 a的实海挂片 (Q235钢) 实验的腐蚀数据为研究样本，在25组腐蚀数据中选择18组数据作为训练集，7组数据作为测试集，并以环境温度、含氧量、pH、盐度及自腐蚀电位作为输入量，其腐蚀速率作为输出量，对比分析了GRNN模型和BP模型的预测精度.研究表明，GRNN模型在选择默认扩散速度值的情况下，其精度高于同等条件下的BP神经网络，其平均预测误差仅为5.75%；并且在最优扩展速度下GRNN模型的平均误差减小为2.38%，具有较高的预测精度.李响等[24]以海洋挂片 (Q235钢) 腐蚀试验数据作为研究样本，由于SVM可以较好地解决海洋腐蚀数据较少情况下的腐蚀规律预测问题，因此李响等建立了遗传算法SVM模型即GA-SVM模型，并从获取的25组腐蚀数据中选取22组作为训练集，3组作为测试集，以温度、含氧量、含盐量、pH值为输入量，腐蚀速率为输出量，对比分析了GA-SVM和BP神经网络模型的预测效果，并将GA-SVM模型的预测值与实际值进行对比.研究发现： GA-SVM模型测试集的预测误差均小于3%，而BP神经网络预测模型测试集的误差绝对值的平均值为7.23%，因此GA-SVM模型的预测误差要优于BP神经网络的预测误差，并且GA-SVM模型的预测值几乎接近实际的腐蚀速率.Wen等[43]以采用电化学技术测量获取的46组不同海水环境下3C钢腐蚀数据为研究样本，建立了基于粒子群优化 (PSO) 参数的支持向量回归 (SVR) 预测模型，进一步地通过留一法交叉验证 (LOOCV) 建立了SVM-LOOCV预测模型，并对比了SVR模型、SVM-LOOCV模型与BPNN模型的预测误差以及不同数量训练集的预测误差，并将预测值与实际值进行对比；SVM模型和BPNN模型的建模方式1为随机选取其中的41组腐蚀数据为训练集，以5组腐蚀数据为测试集，建模方式2为以42组腐蚀数据为训练集，4组为测试集，而SVM-LOOCV预测模型以46组腐蚀数据中的45组为训练集，1组为测试集，上述预测模型均以温度、溶解氧、盐度、pH 值和氧化还原电位为输入量，腐蚀速率为输出量，研究表明：对于相同的训练集和测试集，SVR模型的预测误差小于BPNN模型，并且SVR模型的泛化能力 (平均绝对误差 (MAE)、平均绝对百分比误差 (MAPE) 和相关系数 (R2)) 也优于BPNN模型，以建模方式2建立的SVR模型和BPNN模型预测误差低于以建模方式1建立的SVR模型和BPNN模型的预测误差，并且SVM-LOOCV模型的MAE和MAPE均优于SVR模型和BPNN模型，进一步说明了增加训练样本的数量可以提高模型的预测精度.骆正山等[44]以50组不同海水环境参数下的海洋挂片腐蚀速率数据为研究样本，腐蚀数据包含了海水温度、溶解氧含量、盐度、pH和氧化还原电位、腐蚀速率等参量，利用套索回归模型 (LASSO) 分析出了对海洋腐蚀影响较大的参量，以对海洋腐蚀影响较大的参量为输入量，以腐蚀速率为输出量，并选取腐蚀数据中的42组为训练集，8组为测试集，建立了LASSO -WOA (鲸鱼优化算法) -LSSVM (最小二乘支持向量机) 预测模型，并对比分析了FOA-LSSVM 、LSSVM以及LASSO-WOA-LSSVM等模型的预测效果，并将预测值与实际值进行比较.结果表明：对海洋管线腐蚀影响较大的因素为温度、溶解氧含量和pH值；与FOA-LSSVM 和 LSSVM 两个模型相比，LASSO-WOA-LSSVM的预测值与真实腐蚀速率的差距较小，拟合效果更佳，并且LASSO-WOA-LSSVM的均方根误差 (RMSE) 仅为 0.3248，并且决定系数R2达到了0.9708，远高于其他两个模型.张新生等[45]通过实海挂片试验，获得了海底油气管线在不同海水温度、溶氧量、盐度、pH值以及氧化还原电位条件下的腐蚀速率，利用因子分析 (FA) 对海水腐蚀影响因素进行降维处理，以降维后海水腐蚀影响因素为输入量，腐蚀速率为输出量，从获取到的50组腐蚀数据中选取43组为训练集，7组为测试集，建立了FA-BAS (天牛须搜索算法) -ELM (极限学习机) 预测模型，并综合对比了FA-BAS-ELM模型、FA-ELM模型、FA-FOA (果蝇优化算法)-ELM模型以及FA-BAS-BP模型的预测精度和拟合效果，并将预测值与实际值进行比较.研究表明：海水温度、溶氧量、盐度、pH值等4个参量对海水腐蚀的影响较大，综合考虑MAPE、RMSE、R2以及平均训练时间等因素，FA-BAS-ELM模型的预测精度和拟合效果均要优于FA-ELM模型、FA-FOA-ELM模型、FA-BAS-BP模型等3种模型，并且FA-BAS-ELM模型的MAPE仅为1.92%，R2高达0.9949，预测值与实际值基本吻合.刘学庆等[41]以海洋工程常用钢材3C、Q235、16Mn、10MnPNbRe、10CrMoAl、D36作为研究样本，依据电化学测定的不同海水环境下的腐蚀数据 (溶解氧，氧化还原电位，温度，盐度，pH值以及腐蚀速率) (3C钢26组腐蚀数据、Q235钢25组腐蚀数据、16Mn钢24组腐蚀数据、10MnPNbRe钢23组腐蚀数据、10CrMoAl钢23组腐蚀数据、D36钢24组腐蚀数据)，通过灰关联分析法分析了各环境因素对不同钢材腐蚀速度的影响大小，建立了BP神经网络模型，以溶解氧、氧化还原电位、温度、盐度、pH值为输入量，以腐蚀速率为输出量，并以3C钢腐蚀数据中的5组腐蚀数据、Q235钢腐蚀数据中的4组腐蚀数据、16Mn钢腐蚀数据中的4组腐蚀数据、10MnPNbRe钢腐蚀数据中的3组腐蚀数据、10CrMoAl钢腐蚀数据中的4组腐蚀数据、D36钢腐蚀数据中的4组腐蚀数据为测试集，钢材中的其他数据为训练集.研究表明：各环境参数关联度的平均值大小顺序为：溶解氧、氧化还原电位、温度、盐度、pH值，其中氧化还原电位和温度对腐蚀速度的影响程度几乎没有差别；BP人工神经网络模型的预测值与实际值的相对误差在10%以内，预测精度较高. ...
... 由上述实例可知，应用于海洋腐蚀环境下的机器学习算法类型要明显多于土壤环境，并且与土壤腐蚀预测研究相比，近些年对于海洋腐蚀的研究较多.目前对于海洋腐蚀影响因素权重的分析还没有具体统一的分析方法，有学者采用遗传算法、LASSO、FA (因子分析)、灰关联分析法等算法分析海洋环境因素对海洋腐蚀影响的权重[22,41,44,45]，并且大部分研究发现海水环境中的海水温度、溶氧量、盐度、pH值等因素均对海水腐蚀发挥着重要的作用[22,24,41~45].目前对于海水腐蚀速率预测多采用的机器学习算法是基于神经网络和支持向量机的优化算法[22,24,41~44]，并且预测精确度较高；也有少数学者采用随机森林算法、FA-BAS-ELM模型、FA-ELM 模型、FA-FOA-ELM模型等方法[45,47]. ...
... ,41~45].目前对于海水腐蚀速率预测多采用的机器学习算法是基于神经网络和支持向量机的优化算法[22,24,41~44]，并且预测精确度较高；也有少数学者采用随机森林算法、FA-BAS-ELM模型、FA-ELM 模型、FA-FOA-ELM模型等方法[45,47]. ...
... ,41~44]，并且预测精确度较高；也有少数学者采用随机森林算法、FA-BAS-ELM模型、FA-ELM 模型、FA-FOA-ELM模型等方法[45,47]. ...
... 机器学习算法不仅可以分析海洋腐蚀影响因素的权重大小以及预测腐蚀速率，还可以对海洋环境下工作的金属构件合金元素进行预测优化.Wei等[46]选用碳钢Q235、变质碳钢Q235和Q450NQR1、船用碳钢D36、Q345B和Q345DZ35、管线钢X70和X80、船用低合金钢 (LAS) 921、E460和E690、海洋结构钢超细晶粒钢1、超细晶粒钢2和微合金钢为研究对象，在国家自然环境腐蚀平台三亚海水站获取了196组腐蚀数据，腐蚀数据由15个化学元素参数 (C、Si、Mn、P、S、Ni、Cr、Mo、Cu、Nb、Ti、Al、V、B、N)、7个海水环境参数 (浸泡时间、温度、电导率、盐度、溶解氧、流速) 和1个腐蚀电位参数组成.通过皮尔逊系数分析了低合金钢的所有化学元素中哪些元素对海水腐蚀影响较大，并探讨了关键合金元素对低合金钢腐蚀电位的联合作用.研究表明，在低合金钢的所有化学元素中，Si、Ni、Cr、Mo和V对腐蚀电位的影响最大；并且当Ni和Cr共存度大于0.2%时，Q235钢的腐蚀电位从-690 mV升高到-660 mV；当Cr含量大于0.4%时，Q450NQR1的腐蚀电位从-690 mV升高到-665 mV；当Cr含量大于1%时，Q450NQR1的腐蚀电位又从-665 mV升高到-645 mV；当Cr含量高于0.2%和0.4%时，E460的腐蚀电位分别升高；随着Cr含量的增加，921钢的腐蚀电位逐渐升高；当Mo含量高于0.1%时，X70的腐蚀电位明显增加.Diao等[47]在4个不同的海洋腐蚀试验站共收集了85组20种低合金钢的1和2 a海水浸泡腐蚀数据，每组腐蚀数据由12个材料特征 (C、S、P、Mn、Si、Cr、Mo、Al、V、Ti、Cu、Nb等元素含量)、12个环境特征 (最高/平均/最小温度值、最高/平均/最小PH值、最高/平均/最小溶解氧含量、最高/平均/最小海水盐度值)、浸泡时间和对应的腐蚀速率组成，比较了不同机器学习算法 (K最近邻算法 (KNN)、多层感知器 (MLP)、RF、具有径向基函数的支持向量回归 (SVR.R)、具有线性内核的支持向量回归 (SVR.L) 以及具有多项式内核的支持向量回归 (SVR.P) 等) 的预测效果，并将原始数据分为训练集 (主要用于腐蚀速率预测模型的优化) 和测试集 (仅用于识别模型的预测精度)，这里使用了几种不同的划分比例 (即40%、50%、60%、70%、80%、90%的训练数据，其余为测试数据)，结果表明：在不同的训练数据分割比例下，随机森林模型对测试集的预测精度均最高，且训练集的比例为80%时预测效果最佳，因此该研究以80%的腐蚀数据为训练集，20%的腐蚀数据为测试集，建立随机森林预测模型，利用梯度增强决策树 (GBDT) 和Kendall相关系数组合法分析得出最大溶解氧含量、最大海水盐度、最小pH值、平均温度、Cr、C、Si、P、S为输入量，而利用PCA法将原来的12个环境特征、12个材料特征和浸泡时间转换为9个新特征，基于以上两组不同的输入特征，用随机森林算法训练了两个腐蚀速率预测模型，并对比了GBDT和Kendall相关系数组合法和PCA法的腐蚀速率预测模型的预测精度.研究表明，基于GBDT方法和Kendall相关分析相结合建立的随机森林预测模型的训练集和测试集都有较好的预测精度，其预测结果要优于基于PCA方法建立的随机森林预测模型；并在所选材料中，Cr、C、Si、P、S等合金元素是影响腐蚀速率的关键元素，同时最大溶解氧含量、最大海水盐度、最小pH值和平均温度是主要的环境因素.刘学庆等[41]以海洋工程常用钢材3C、A3、16Mn、10MnPNbRe、10CrMoAl、D36作为研究样本；结合钢材合金元素与实海挂片1a的腐蚀数据，利用灰关联分析钢材所含合金元素与其腐蚀速度之间的关联度大小顺序为：Si>C>Mn>Cr>Co>Al>(Ti，Ni，P)>S>Sn>Cu>(W，V)>(Mo，Nb). ...
... 以上研究表明，目前对于在海洋环境下工作的金属构件合金元素分析并没有建立统一的分析方法，有学者采用皮尔逊系数分析法、梯度增强决策树、Kendall相关分析、主成分分析、灰关联分析法等方法对合金元素对海洋腐蚀影响权重进行了分析研究[41,46,47]，大部分研究表明Si和Cr在目前的海洋腐蚀研究中均发挥着十分重要的作用[41,46,47]. ...
... [41,46,47]. ...
Application and research of neural network in predicting metal corrosion rate in marine environment
1
2018
... 国内外学者利用机器学习对海洋腐蚀性影响因素的权重以及腐蚀速率预测领域展开了大量的研究.李海涛等[22]以在中国腐蚀与防护网上面选取2Cr1312不锈钢、Q235B钢和6082铝合金3种海洋工程材料的腐蚀数据为研究样本，从获取的4027条腐蚀数据中选取4024条数据作为模型的训练集，剩余数据作为2Cr1312不锈钢、Q235B钢和6082铝合金的测试集，并利用遗传算法分析了海洋环境中各因素对腐蚀速度的影响率,并以对2Cr1312不锈钢、Q235B钢和6082铝合金等3种材料腐蚀影响较大的水温、溶解氧、盐度、电导率、pH和氧化还原电位作为输入量，以3种材料的腐蚀速率作为输出量，综合对比了经遗传算法优化后的BP模型即GA-BP模型与BP模型的差异.研究表明，海洋环境中各因素对腐蚀速度的影响权重依次为：溶解氧 (28.65)>pH (27.41)>盐度 (25.46)>电导率 (24.91)>氧化还原电位 (23.18)>水温 (21.78)>降雨量 (14.76)>相对湿度 (13.29)>风速 (7.83)>气温 (5.76)；并且GA-BP模型的训练误差以及训练时间都要优于传统的BP神经网络模型.马良涛等[42]以在青岛海洋腐蚀所海水实验站进行周期1 a的实海挂片 (Q235钢) 实验的腐蚀数据为研究样本，在25组腐蚀数据中选择18组数据作为训练集，7组数据作为测试集，并以环境温度、含氧量、pH、盐度及自腐蚀电位作为输入量，其腐蚀速率作为输出量，对比分析了GRNN模型和BP模型的预测精度.研究表明，GRNN模型在选择默认扩散速度值的情况下，其精度高于同等条件下的BP神经网络，其平均预测误差仅为5.75%；并且在最优扩展速度下GRNN模型的平均误差减小为2.38%，具有较高的预测精度.李响等[24]以海洋挂片 (Q235钢) 腐蚀试验数据作为研究样本，由于SVM可以较好地解决海洋腐蚀数据较少情况下的腐蚀规律预测问题，因此李响等建立了遗传算法SVM模型即GA-SVM模型，并从获取的25组腐蚀数据中选取22组作为训练集，3组作为测试集，以温度、含氧量、含盐量、pH值为输入量，腐蚀速率为输出量，对比分析了GA-SVM和BP神经网络模型的预测效果，并将GA-SVM模型的预测值与实际值进行对比.研究发现： GA-SVM模型测试集的预测误差均小于3%，而BP神经网络预测模型测试集的误差绝对值的平均值为7.23%，因此GA-SVM模型的预测误差要优于BP神经网络的预测误差，并且GA-SVM模型的预测值几乎接近实际的腐蚀速率.Wen等[43]以采用电化学技术测量获取的46组不同海水环境下3C钢腐蚀数据为研究样本，建立了基于粒子群优化 (PSO) 参数的支持向量回归 (SVR) 预测模型，进一步地通过留一法交叉验证 (LOOCV) 建立了SVM-LOOCV预测模型，并对比了SVR模型、SVM-LOOCV模型与BPNN模型的预测误差以及不同数量训练集的预测误差，并将预测值与实际值进行对比；SVM模型和BPNN模型的建模方式1为随机选取其中的41组腐蚀数据为训练集，以5组腐蚀数据为测试集，建模方式2为以42组腐蚀数据为训练集，4组为测试集，而SVM-LOOCV预测模型以46组腐蚀数据中的45组为训练集，1组为测试集，上述预测模型均以温度、溶解氧、盐度、pH 值和氧化还原电位为输入量，腐蚀速率为输出量，研究表明：对于相同的训练集和测试集，SVR模型的预测误差小于BPNN模型，并且SVR模型的泛化能力 (平均绝对误差 (MAE)、平均绝对百分比误差 (MAPE) 和相关系数 (R2)) 也优于BPNN模型，以建模方式2建立的SVR模型和BPNN模型预测误差低于以建模方式1建立的SVR模型和BPNN模型的预测误差，并且SVM-LOOCV模型的MAE和MAPE均优于SVR模型和BPNN模型，进一步说明了增加训练样本的数量可以提高模型的预测精度.骆正山等[44]以50组不同海水环境参数下的海洋挂片腐蚀速率数据为研究样本，腐蚀数据包含了海水温度、溶解氧含量、盐度、pH和氧化还原电位、腐蚀速率等参量，利用套索回归模型 (LASSO) 分析出了对海洋腐蚀影响较大的参量，以对海洋腐蚀影响较大的参量为输入量，以腐蚀速率为输出量，并选取腐蚀数据中的42组为训练集，8组为测试集，建立了LASSO -WOA (鲸鱼优化算法) -LSSVM (最小二乘支持向量机) 预测模型，并对比分析了FOA-LSSVM 、LSSVM以及LASSO-WOA-LSSVM等模型的预测效果，并将预测值与实际值进行比较.结果表明：对海洋管线腐蚀影响较大的因素为温度、溶解氧含量和pH值；与FOA-LSSVM 和 LSSVM 两个模型相比，LASSO-WOA-LSSVM的预测值与真实腐蚀速率的差距较小，拟合效果更佳，并且LASSO-WOA-LSSVM的均方根误差 (RMSE) 仅为 0.3248，并且决定系数R2达到了0.9708，远高于其他两个模型.张新生等[45]通过实海挂片试验，获得了海底油气管线在不同海水温度、溶氧量、盐度、pH值以及氧化还原电位条件下的腐蚀速率，利用因子分析 (FA) 对海水腐蚀影响因素进行降维处理，以降维后海水腐蚀影响因素为输入量，腐蚀速率为输出量，从获取到的50组腐蚀数据中选取43组为训练集，7组为测试集，建立了FA-BAS (天牛须搜索算法) -ELM (极限学习机) 预测模型，并综合对比了FA-BAS-ELM模型、FA-ELM模型、FA-FOA (果蝇优化算法)-ELM模型以及FA-BAS-BP模型的预测精度和拟合效果，并将预测值与实际值进行比较.研究表明：海水温度、溶氧量、盐度、pH值等4个参量对海水腐蚀的影响较大，综合考虑MAPE、RMSE、R2以及平均训练时间等因素，FA-BAS-ELM模型的预测精度和拟合效果均要优于FA-ELM模型、FA-FOA-ELM模型、FA-BAS-BP模型等3种模型，并且FA-BAS-ELM模型的MAPE仅为1.92%，R2高达0.9949，预测值与实际值基本吻合.刘学庆等[41]以海洋工程常用钢材3C、Q235、16Mn、10MnPNbRe、10CrMoAl、D36作为研究样本，依据电化学测定的不同海水环境下的腐蚀数据 (溶解氧，氧化还原电位，温度，盐度，pH值以及腐蚀速率) (3C钢26组腐蚀数据、Q235钢25组腐蚀数据、16Mn钢24组腐蚀数据、10MnPNbRe钢23组腐蚀数据、10CrMoAl钢23组腐蚀数据、D36钢24组腐蚀数据)，通过灰关联分析法分析了各环境因素对不同钢材腐蚀速度的影响大小，建立了BP神经网络模型，以溶解氧、氧化还原电位、温度、盐度、pH值为输入量，以腐蚀速率为输出量，并以3C钢腐蚀数据中的5组腐蚀数据、Q235钢腐蚀数据中的4组腐蚀数据、16Mn钢腐蚀数据中的4组腐蚀数据、10MnPNbRe钢腐蚀数据中的3组腐蚀数据、10CrMoAl钢腐蚀数据中的4组腐蚀数据、D36钢腐蚀数据中的4组腐蚀数据为测试集，钢材中的其他数据为训练集.研究表明：各环境参数关联度的平均值大小顺序为：溶解氧、氧化还原电位、温度、盐度、pH值，其中氧化还原电位和温度对腐蚀速度的影响程度几乎没有差别；BP人工神经网络模型的预测值与实际值的相对误差在10%以内，预测精度较高. ...
神经网络预测海洋环境下金属腐蚀速率的应用及研究
1
2018
... 国内外学者利用机器学习对海洋腐蚀性影响因素的权重以及腐蚀速率预测领域展开了大量的研究.李海涛等[22]以在中国腐蚀与防护网上面选取2Cr1312不锈钢、Q235B钢和6082铝合金3种海洋工程材料的腐蚀数据为研究样本，从获取的4027条腐蚀数据中选取4024条数据作为模型的训练集，剩余数据作为2Cr1312不锈钢、Q235B钢和6082铝合金的测试集，并利用遗传算法分析了海洋环境中各因素对腐蚀速度的影响率,并以对2Cr1312不锈钢、Q235B钢和6082铝合金等3种材料腐蚀影响较大的水温、溶解氧、盐度、电导率、pH和氧化还原电位作为输入量，以3种材料的腐蚀速率作为输出量，综合对比了经遗传算法优化后的BP模型即GA-BP模型与BP模型的差异.研究表明，海洋环境中各因素对腐蚀速度的影响权重依次为：溶解氧 (28.65)>pH (27.41)>盐度 (25.46)>电导率 (24.91)>氧化还原电位 (23.18)>水温 (21.78)>降雨量 (14.76)>相对湿度 (13.29)>风速 (7.83)>气温 (5.76)；并且GA-BP模型的训练误差以及训练时间都要优于传统的BP神经网络模型.马良涛等[42]以在青岛海洋腐蚀所海水实验站进行周期1 a的实海挂片 (Q235钢) 实验的腐蚀数据为研究样本，在25组腐蚀数据中选择18组数据作为训练集，7组数据作为测试集，并以环境温度、含氧量、pH、盐度及自腐蚀电位作为输入量，其腐蚀速率作为输出量，对比分析了GRNN模型和BP模型的预测精度.研究表明，GRNN模型在选择默认扩散速度值的情况下，其精度高于同等条件下的BP神经网络，其平均预测误差仅为5.75%；并且在最优扩展速度下GRNN模型的平均误差减小为2.38%，具有较高的预测精度.李响等[24]以海洋挂片 (Q235钢) 腐蚀试验数据作为研究样本，由于SVM可以较好地解决海洋腐蚀数据较少情况下的腐蚀规律预测问题，因此李响等建立了遗传算法SVM模型即GA-SVM模型，并从获取的25组腐蚀数据中选取22组作为训练集，3组作为测试集，以温度、含氧量、含盐量、pH值为输入量，腐蚀速率为输出量，对比分析了GA-SVM和BP神经网络模型的预测效果，并将GA-SVM模型的预测值与实际值进行对比.研究发现： GA-SVM模型测试集的预测误差均小于3%，而BP神经网络预测模型测试集的误差绝对值的平均值为7.23%，因此GA-SVM模型的预测误差要优于BP神经网络的预测误差，并且GA-SVM模型的预测值几乎接近实际的腐蚀速率.Wen等[43]以采用电化学技术测量获取的46组不同海水环境下3C钢腐蚀数据为研究样本，建立了基于粒子群优化 (PSO) 参数的支持向量回归 (SVR) 预测模型，进一步地通过留一法交叉验证 (LOOCV) 建立了SVM-LOOCV预测模型，并对比了SVR模型、SVM-LOOCV模型与BPNN模型的预测误差以及不同数量训练集的预测误差，并将预测值与实际值进行对比；SVM模型和BPNN模型的建模方式1为随机选取其中的41组腐蚀数据为训练集，以5组腐蚀数据为测试集，建模方式2为以42组腐蚀数据为训练集，4组为测试集，而SVM-LOOCV预测模型以46组腐蚀数据中的45组为训练集，1组为测试集，上述预测模型均以温度、溶解氧、盐度、pH 值和氧化还原电位为输入量，腐蚀速率为输出量，研究表明：对于相同的训练集和测试集，SVR模型的预测误差小于BPNN模型，并且SVR模型的泛化能力 (平均绝对误差 (MAE)、平均绝对百分比误差 (MAPE) 和相关系数 (R2)) 也优于BPNN模型，以建模方式2建立的SVR模型和BPNN模型预测误差低于以建模方式1建立的SVR模型和BPNN模型的预测误差，并且SVM-LOOCV模型的MAE和MAPE均优于SVR模型和BPNN模型，进一步说明了增加训练样本的数量可以提高模型的预测精度.骆正山等[44]以50组不同海水环境参数下的海洋挂片腐蚀速率数据为研究样本，腐蚀数据包含了海水温度、溶解氧含量、盐度、pH和氧化还原电位、腐蚀速率等参量，利用套索回归模型 (LASSO) 分析出了对海洋腐蚀影响较大的参量，以对海洋腐蚀影响较大的参量为输入量，以腐蚀速率为输出量，并选取腐蚀数据中的42组为训练集，8组为测试集，建立了LASSO -WOA (鲸鱼优化算法) -LSSVM (最小二乘支持向量机) 预测模型，并对比分析了FOA-LSSVM 、LSSVM以及LASSO-WOA-LSSVM等模型的预测效果，并将预测值与实际值进行比较.结果表明：对海洋管线腐蚀影响较大的因素为温度、溶解氧含量和pH值；与FOA-LSSVM 和 LSSVM 两个模型相比，LASSO-WOA-LSSVM的预测值与真实腐蚀速率的差距较小，拟合效果更佳，并且LASSO-WOA-LSSVM的均方根误差 (RMSE) 仅为 0.3248，并且决定系数R2达到了0.9708，远高于其他两个模型.张新生等[45]通过实海挂片试验，获得了海底油气管线在不同海水温度、溶氧量、盐度、pH值以及氧化还原电位条件下的腐蚀速率，利用因子分析 (FA) 对海水腐蚀影响因素进行降维处理，以降维后海水腐蚀影响因素为输入量，腐蚀速率为输出量，从获取到的50组腐蚀数据中选取43组为训练集，7组为测试集，建立了FA-BAS (天牛须搜索算法) -ELM (极限学习机) 预测模型，并综合对比了FA-BAS-ELM模型、FA-ELM模型、FA-FOA (果蝇优化算法)-ELM模型以及FA-BAS-BP模型的预测精度和拟合效果，并将预测值与实际值进行比较.研究表明：海水温度、溶氧量、盐度、pH值等4个参量对海水腐蚀的影响较大，综合考虑MAPE、RMSE、R2以及平均训练时间等因素，FA-BAS-ELM模型的预测精度和拟合效果均要优于FA-ELM模型、FA-FOA-ELM模型、FA-BAS-BP模型等3种模型，并且FA-BAS-ELM模型的MAPE仅为1.92%，R2高达0.9949，预测值与实际值基本吻合.刘学庆等[41]以海洋工程常用钢材3C、Q235、16Mn、10MnPNbRe、10CrMoAl、D36作为研究样本，依据电化学测定的不同海水环境下的腐蚀数据 (溶解氧，氧化还原电位，温度，盐度，pH值以及腐蚀速率) (3C钢26组腐蚀数据、Q235钢25组腐蚀数据、16Mn钢24组腐蚀数据、10MnPNbRe钢23组腐蚀数据、10CrMoAl钢23组腐蚀数据、D36钢24组腐蚀数据)，通过灰关联分析法分析了各环境因素对不同钢材腐蚀速度的影响大小，建立了BP神经网络模型，以溶解氧、氧化还原电位、温度、盐度、pH值为输入量，以腐蚀速率为输出量，并以3C钢腐蚀数据中的5组腐蚀数据、Q235钢腐蚀数据中的4组腐蚀数据、16Mn钢腐蚀数据中的4组腐蚀数据、10MnPNbRe钢腐蚀数据中的3组腐蚀数据、10CrMoAl钢腐蚀数据中的4组腐蚀数据、D36钢腐蚀数据中的4组腐蚀数据为测试集，钢材中的其他数据为训练集.研究表明：各环境参数关联度的平均值大小顺序为：溶解氧、氧化还原电位、温度、盐度、pH值，其中氧化还原电位和温度对腐蚀速度的影响程度几乎没有差别；BP人工神经网络模型的预测值与实际值的相对误差在10%以内，预测精度较高. ...
Corrosion rate prediction of 3C steel under different seawater environment by using support vector regression
1
2009
... 国内外学者利用机器学习对海洋腐蚀性影响因素的权重以及腐蚀速率预测领域展开了大量的研究.李海涛等[22]以在中国腐蚀与防护网上面选取2Cr1312不锈钢、Q235B钢和6082铝合金3种海洋工程材料的腐蚀数据为研究样本，从获取的4027条腐蚀数据中选取4024条数据作为模型的训练集，剩余数据作为2Cr1312不锈钢、Q235B钢和6082铝合金的测试集，并利用遗传算法分析了海洋环境中各因素对腐蚀速度的影响率,并以对2Cr1312不锈钢、Q235B钢和6082铝合金等3种材料腐蚀影响较大的水温、溶解氧、盐度、电导率、pH和氧化还原电位作为输入量，以3种材料的腐蚀速率作为输出量，综合对比了经遗传算法优化后的BP模型即GA-BP模型与BP模型的差异.研究表明，海洋环境中各因素对腐蚀速度的影响权重依次为：溶解氧 (28.65)>pH (27.41)>盐度 (25.46)>电导率 (24.91)>氧化还原电位 (23.18)>水温 (21.78)>降雨量 (14.76)>相对湿度 (13.29)>风速 (7.83)>气温 (5.76)；并且GA-BP模型的训练误差以及训练时间都要优于传统的BP神经网络模型.马良涛等[42]以在青岛海洋腐蚀所海水实验站进行周期1 a的实海挂片 (Q235钢) 实验的腐蚀数据为研究样本，在25组腐蚀数据中选择18组数据作为训练集，7组数据作为测试集，并以环境温度、含氧量、pH、盐度及自腐蚀电位作为输入量，其腐蚀速率作为输出量，对比分析了GRNN模型和BP模型的预测精度.研究表明，GRNN模型在选择默认扩散速度值的情况下，其精度高于同等条件下的BP神经网络，其平均预测误差仅为5.75%；并且在最优扩展速度下GRNN模型的平均误差减小为2.38%，具有较高的预测精度.李响等[24]以海洋挂片 (Q235钢) 腐蚀试验数据作为研究样本，由于SVM可以较好地解决海洋腐蚀数据较少情况下的腐蚀规律预测问题，因此李响等建立了遗传算法SVM模型即GA-SVM模型，并从获取的25组腐蚀数据中选取22组作为训练集，3组作为测试集，以温度、含氧量、含盐量、pH值为输入量，腐蚀速率为输出量，对比分析了GA-SVM和BP神经网络模型的预测效果，并将GA-SVM模型的预测值与实际值进行对比.研究发现： GA-SVM模型测试集的预测误差均小于3%，而BP神经网络预测模型测试集的误差绝对值的平均值为7.23%，因此GA-SVM模型的预测误差要优于BP神经网络的预测误差，并且GA-SVM模型的预测值几乎接近实际的腐蚀速率.Wen等[43]以采用电化学技术测量获取的46组不同海水环境下3C钢腐蚀数据为研究样本，建立了基于粒子群优化 (PSO) 参数的支持向量回归 (SVR) 预测模型，进一步地通过留一法交叉验证 (LOOCV) 建立了SVM-LOOCV预测模型，并对比了SVR模型、SVM-LOOCV模型与BPNN模型的预测误差以及不同数量训练集的预测误差，并将预测值与实际值进行对比；SVM模型和BPNN模型的建模方式1为随机选取其中的41组腐蚀数据为训练集，以5组腐蚀数据为测试集，建模方式2为以42组腐蚀数据为训练集，4组为测试集，而SVM-LOOCV预测模型以46组腐蚀数据中的45组为训练集，1组为测试集，上述预测模型均以温度、溶解氧、盐度、pH 值和氧化还原电位为输入量，腐蚀速率为输出量，研究表明：对于相同的训练集和测试集，SVR模型的预测误差小于BPNN模型，并且SVR模型的泛化能力 (平均绝对误差 (MAE)、平均绝对百分比误差 (MAPE) 和相关系数 (R2)) 也优于BPNN模型，以建模方式2建立的SVR模型和BPNN模型预测误差低于以建模方式1建立的SVR模型和BPNN模型的预测误差，并且SVM-LOOCV模型的MAE和MAPE均优于SVR模型和BPNN模型，进一步说明了增加训练样本的数量可以提高模型的预测精度.骆正山等[44]以50组不同海水环境参数下的海洋挂片腐蚀速率数据为研究样本，腐蚀数据包含了海水温度、溶解氧含量、盐度、pH和氧化还原电位、腐蚀速率等参量，利用套索回归模型 (LASSO) 分析出了对海洋腐蚀影响较大的参量，以对海洋腐蚀影响较大的参量为输入量，以腐蚀速率为输出量，并选取腐蚀数据中的42组为训练集，8组为测试集，建立了LASSO -WOA (鲸鱼优化算法) -LSSVM (最小二乘支持向量机) 预测模型，并对比分析了FOA-LSSVM 、LSSVM以及LASSO-WOA-LSSVM等模型的预测效果，并将预测值与实际值进行比较.结果表明：对海洋管线腐蚀影响较大的因素为温度、溶解氧含量和pH值；与FOA-LSSVM 和 LSSVM 两个模型相比，LASSO-WOA-LSSVM的预测值与真实腐蚀速率的差距较小，拟合效果更佳，并且LASSO-WOA-LSSVM的均方根误差 (RMSE) 仅为 0.3248，并且决定系数R2达到了0.9708，远高于其他两个模型.张新生等[45]通过实海挂片试验，获得了海底油气管线在不同海水温度、溶氧量、盐度、pH值以及氧化还原电位条件下的腐蚀速率，利用因子分析 (FA) 对海水腐蚀影响因素进行降维处理，以降维后海水腐蚀影响因素为输入量，腐蚀速率为输出量，从获取到的50组腐蚀数据中选取43组为训练集，7组为测试集，建立了FA-BAS (天牛须搜索算法) -ELM (极限学习机) 预测模型，并综合对比了FA-BAS-ELM模型、FA-ELM模型、FA-FOA (果蝇优化算法)-ELM模型以及FA-BAS-BP模型的预测精度和拟合效果，并将预测值与实际值进行比较.研究表明：海水温度、溶氧量、盐度、pH值等4个参量对海水腐蚀的影响较大，综合考虑MAPE、RMSE、R2以及平均训练时间等因素，FA-BAS-ELM模型的预测精度和拟合效果均要优于FA-ELM模型、FA-FOA-ELM模型、FA-BAS-BP模型等3种模型，并且FA-BAS-ELM模型的MAPE仅为1.92%，R2高达0.9949，预测值与实际值基本吻合.刘学庆等[41]以海洋工程常用钢材3C、Q235、16Mn、10MnPNbRe、10CrMoAl、D36作为研究样本，依据电化学测定的不同海水环境下的腐蚀数据 (溶解氧，氧化还原电位，温度，盐度，pH值以及腐蚀速率) (3C钢26组腐蚀数据、Q235钢25组腐蚀数据、16Mn钢24组腐蚀数据、10MnPNbRe钢23组腐蚀数据、10CrMoAl钢23组腐蚀数据、D36钢24组腐蚀数据)，通过灰关联分析法分析了各环境因素对不同钢材腐蚀速度的影响大小，建立了BP神经网络模型，以溶解氧、氧化还原电位、温度、盐度、pH值为输入量，以腐蚀速率为输出量，并以3C钢腐蚀数据中的5组腐蚀数据、Q235钢腐蚀数据中的4组腐蚀数据、16Mn钢腐蚀数据中的4组腐蚀数据、10MnPNbRe钢腐蚀数据中的3组腐蚀数据、10CrMoAl钢腐蚀数据中的4组腐蚀数据、D36钢腐蚀数据中的4组腐蚀数据为测试集，钢材中的其他数据为训练集.研究表明：各环境参数关联度的平均值大小顺序为：溶解氧、氧化还原电位、温度、盐度、pH值，其中氧化还原电位和温度对腐蚀速度的影响程度几乎没有差别；BP人工神经网络模型的预测值与实际值的相对误差在10%以内，预测精度较高. ...
Prediction of external corrosion rate of marine pipelines based on LASSO-WOA-LSSVM
3
2021
... 国内外学者利用机器学习对海洋腐蚀性影响因素的权重以及腐蚀速率预测领域展开了大量的研究.李海涛等[22]以在中国腐蚀与防护网上面选取2Cr1312不锈钢、Q235B钢和6082铝合金3种海洋工程材料的腐蚀数据为研究样本，从获取的4027条腐蚀数据中选取4024条数据作为模型的训练集，剩余数据作为2Cr1312不锈钢、Q235B钢和6082铝合金的测试集，并利用遗传算法分析了海洋环境中各因素对腐蚀速度的影响率,并以对2Cr1312不锈钢、Q235B钢和6082铝合金等3种材料腐蚀影响较大的水温、溶解氧、盐度、电导率、pH和氧化还原电位作为输入量，以3种材料的腐蚀速率作为输出量，综合对比了经遗传算法优化后的BP模型即GA-BP模型与BP模型的差异.研究表明，海洋环境中各因素对腐蚀速度的影响权重依次为：溶解氧 (28.65)>pH (27.41)>盐度 (25.46)>电导率 (24.91)>氧化还原电位 (23.18)>水温 (21.78)>降雨量 (14.76)>相对湿度 (13.29)>风速 (7.83)>气温 (5.76)；并且GA-BP模型的训练误差以及训练时间都要优于传统的BP神经网络模型.马良涛等[42]以在青岛海洋腐蚀所海水实验站进行周期1 a的实海挂片 (Q235钢) 实验的腐蚀数据为研究样本，在25组腐蚀数据中选择18组数据作为训练集，7组数据作为测试集，并以环境温度、含氧量、pH、盐度及自腐蚀电位作为输入量，其腐蚀速率作为输出量，对比分析了GRNN模型和BP模型的预测精度.研究表明，GRNN模型在选择默认扩散速度值的情况下，其精度高于同等条件下的BP神经网络，其平均预测误差仅为5.75%；并且在最优扩展速度下GRNN模型的平均误差减小为2.38%，具有较高的预测精度.李响等[24]以海洋挂片 (Q235钢) 腐蚀试验数据作为研究样本，由于SVM可以较好地解决海洋腐蚀数据较少情况下的腐蚀规律预测问题，因此李响等建立了遗传算法SVM模型即GA-SVM模型，并从获取的25组腐蚀数据中选取22组作为训练集，3组作为测试集，以温度、含氧量、含盐量、pH值为输入量，腐蚀速率为输出量，对比分析了GA-SVM和BP神经网络模型的预测效果，并将GA-SVM模型的预测值与实际值进行对比.研究发现： GA-SVM模型测试集的预测误差均小于3%，而BP神经网络预测模型测试集的误差绝对值的平均值为7.23%，因此GA-SVM模型的预测误差要优于BP神经网络的预测误差，并且GA-SVM模型的预测值几乎接近实际的腐蚀速率.Wen等[43]以采用电化学技术测量获取的46组不同海水环境下3C钢腐蚀数据为研究样本，建立了基于粒子群优化 (PSO) 参数的支持向量回归 (SVR) 预测模型，进一步地通过留一法交叉验证 (LOOCV) 建立了SVM-LOOCV预测模型，并对比了SVR模型、SVM-LOOCV模型与BPNN模型的预测误差以及不同数量训练集的预测误差，并将预测值与实际值进行对比；SVM模型和BPNN模型的建模方式1为随机选取其中的41组腐蚀数据为训练集，以5组腐蚀数据为测试集，建模方式2为以42组腐蚀数据为训练集，4组为测试集，而SVM-LOOCV预测模型以46组腐蚀数据中的45组为训练集，1组为测试集，上述预测模型均以温度、溶解氧、盐度、pH 值和氧化还原电位为输入量，腐蚀速率为输出量，研究表明：对于相同的训练集和测试集，SVR模型的预测误差小于BPNN模型，并且SVR模型的泛化能力 (平均绝对误差 (MAE)、平均绝对百分比误差 (MAPE) 和相关系数 (R2)) 也优于BPNN模型，以建模方式2建立的SVR模型和BPNN模型预测误差低于以建模方式1建立的SVR模型和BPNN模型的预测误差，并且SVM-LOOCV模型的MAE和MAPE均优于SVR模型和BPNN模型，进一步说明了增加训练样本的数量可以提高模型的预测精度.骆正山等[44]以50组不同海水环境参数下的海洋挂片腐蚀速率数据为研究样本，腐蚀数据包含了海水温度、溶解氧含量、盐度、pH和氧化还原电位、腐蚀速率等参量，利用套索回归模型 (LASSO) 分析出了对海洋腐蚀影响较大的参量，以对海洋腐蚀影响较大的参量为输入量，以腐蚀速率为输出量，并选取腐蚀数据中的42组为训练集，8组为测试集，建立了LASSO -WOA (鲸鱼优化算法) -LSSVM (最小二乘支持向量机) 预测模型，并对比分析了FOA-LSSVM 、LSSVM以及LASSO-WOA-LSSVM等模型的预测效果，并将预测值与实际值进行比较.结果表明：对海洋管线腐蚀影响较大的因素为温度、溶解氧含量和pH值；与FOA-LSSVM 和 LSSVM 两个模型相比，LASSO-WOA-LSSVM的预测值与真实腐蚀速率的差距较小，拟合效果更佳，并且LASSO-WOA-LSSVM的均方根误差 (RMSE) 仅为 0.3248，并且决定系数R2达到了0.9708，远高于其他两个模型.张新生等[45]通过实海挂片试验，获得了海底油气管线在不同海水温度、溶氧量、盐度、pH值以及氧化还原电位条件下的腐蚀速率，利用因子分析 (FA) 对海水腐蚀影响因素进行降维处理，以降维后海水腐蚀影响因素为输入量，腐蚀速率为输出量，从获取到的50组腐蚀数据中选取43组为训练集，7组为测试集，建立了FA-BAS (天牛须搜索算法) -ELM (极限学习机) 预测模型，并综合对比了FA-BAS-ELM模型、FA-ELM模型、FA-FOA (果蝇优化算法)-ELM模型以及FA-BAS-BP模型的预测精度和拟合效果，并将预测值与实际值进行比较.研究表明：海水温度、溶氧量、盐度、pH值等4个参量对海水腐蚀的影响较大，综合考虑MAPE、RMSE、R2以及平均训练时间等因素，FA-BAS-ELM模型的预测精度和拟合效果均要优于FA-ELM模型、FA-FOA-ELM模型、FA-BAS-BP模型等3种模型，并且FA-BAS-ELM模型的MAPE仅为1.92%，R2高达0.9949，预测值与实际值基本吻合.刘学庆等[41]以海洋工程常用钢材3C、Q235、16Mn、10MnPNbRe、10CrMoAl、D36作为研究样本，依据电化学测定的不同海水环境下的腐蚀数据 (溶解氧，氧化还原电位，温度，盐度，pH值以及腐蚀速率) (3C钢26组腐蚀数据、Q235钢25组腐蚀数据、16Mn钢24组腐蚀数据、10MnPNbRe钢23组腐蚀数据、10CrMoAl钢23组腐蚀数据、D36钢24组腐蚀数据)，通过灰关联分析法分析了各环境因素对不同钢材腐蚀速度的影响大小，建立了BP神经网络模型，以溶解氧、氧化还原电位、温度、盐度、pH值为输入量，以腐蚀速率为输出量，并以3C钢腐蚀数据中的5组腐蚀数据、Q235钢腐蚀数据中的4组腐蚀数据、16Mn钢腐蚀数据中的4组腐蚀数据、10MnPNbRe钢腐蚀数据中的3组腐蚀数据、10CrMoAl钢腐蚀数据中的4组腐蚀数据、D36钢腐蚀数据中的4组腐蚀数据为测试集，钢材中的其他数据为训练集.研究表明：各环境参数关联度的平均值大小顺序为：溶解氧、氧化还原电位、温度、盐度、pH值，其中氧化还原电位和温度对腐蚀速度的影响程度几乎没有差别；BP人工神经网络模型的预测值与实际值的相对误差在10%以内，预测精度较高. ...
... 由上述实例可知，应用于海洋腐蚀环境下的机器学习算法类型要明显多于土壤环境，并且与土壤腐蚀预测研究相比，近些年对于海洋腐蚀的研究较多.目前对于海洋腐蚀影响因素权重的分析还没有具体统一的分析方法，有学者采用遗传算法、LASSO、FA (因子分析)、灰关联分析法等算法分析海洋环境因素对海洋腐蚀影响的权重[22,41,44,45]，并且大部分研究发现海水环境中的海水温度、溶氧量、盐度、pH值等因素均对海水腐蚀发挥着重要的作用[22,24,41~45].目前对于海水腐蚀速率预测多采用的机器学习算法是基于神经网络和支持向量机的优化算法[22,24,41~44]，并且预测精确度较高；也有少数学者采用随机森林算法、FA-BAS-ELM模型、FA-ELM 模型、FA-FOA-ELM模型等方法[45,47]. ...
... ~44]，并且预测精确度较高；也有少数学者采用随机森林算法、FA-BAS-ELM模型、FA-ELM 模型、FA-FOA-ELM模型等方法[45,47]. ...
基于LASSO-WOA-LSSVM的海洋管线外腐蚀速率预测
3
2021
... 国内外学者利用机器学习对海洋腐蚀性影响因素的权重以及腐蚀速率预测领域展开了大量的研究.李海涛等[22]以在中国腐蚀与防护网上面选取2Cr1312不锈钢、Q235B钢和6082铝合金3种海洋工程材料的腐蚀数据为研究样本，从获取的4027条腐蚀数据中选取4024条数据作为模型的训练集，剩余数据作为2Cr1312不锈钢、Q235B钢和6082铝合金的测试集，并利用遗传算法分析了海洋环境中各因素对腐蚀速度的影响率,并以对2Cr1312不锈钢、Q235B钢和6082铝合金等3种材料腐蚀影响较大的水温、溶解氧、盐度、电导率、pH和氧化还原电位作为输入量，以3种材料的腐蚀速率作为输出量，综合对比了经遗传算法优化后的BP模型即GA-BP模型与BP模型的差异.研究表明，海洋环境中各因素对腐蚀速度的影响权重依次为：溶解氧 (28.65)>pH (27.41)>盐度 (25.46)>电导率 (24.91)>氧化还原电位 (23.18)>水温 (21.78)>降雨量 (14.76)>相对湿度 (13.29)>风速 (7.83)>气温 (5.76)；并且GA-BP模型的训练误差以及训练时间都要优于传统的BP神经网络模型.马良涛等[42]以在青岛海洋腐蚀所海水实验站进行周期1 a的实海挂片 (Q235钢) 实验的腐蚀数据为研究样本，在25组腐蚀数据中选择18组数据作为训练集，7组数据作为测试集，并以环境温度、含氧量、pH、盐度及自腐蚀电位作为输入量，其腐蚀速率作为输出量，对比分析了GRNN模型和BP模型的预测精度.研究表明，GRNN模型在选择默认扩散速度值的情况下，其精度高于同等条件下的BP神经网络，其平均预测误差仅为5.75%；并且在最优扩展速度下GRNN模型的平均误差减小为2.38%，具有较高的预测精度.李响等[24]以海洋挂片 (Q235钢) 腐蚀试验数据作为研究样本，由于SVM可以较好地解决海洋腐蚀数据较少情况下的腐蚀规律预测问题，因此李响等建立了遗传算法SVM模型即GA-SVM模型，并从获取的25组腐蚀数据中选取22组作为训练集，3组作为测试集，以温度、含氧量、含盐量、pH值为输入量，腐蚀速率为输出量，对比分析了GA-SVM和BP神经网络模型的预测效果，并将GA-SVM模型的预测值与实际值进行对比.研究发现： GA-SVM模型测试集的预测误差均小于3%，而BP神经网络预测模型测试集的误差绝对值的平均值为7.23%，因此GA-SVM模型的预测误差要优于BP神经网络的预测误差，并且GA-SVM模型的预测值几乎接近实际的腐蚀速率.Wen等[43]以采用电化学技术测量获取的46组不同海水环境下3C钢腐蚀数据为研究样本，建立了基于粒子群优化 (PSO) 参数的支持向量回归 (SVR) 预测模型，进一步地通过留一法交叉验证 (LOOCV) 建立了SVM-LOOCV预测模型，并对比了SVR模型、SVM-LOOCV模型与BPNN模型的预测误差以及不同数量训练集的预测误差，并将预测值与实际值进行对比；SVM模型和BPNN模型的建模方式1为随机选取其中的41组腐蚀数据为训练集，以5组腐蚀数据为测试集，建模方式2为以42组腐蚀数据为训练集，4组为测试集，而SVM-LOOCV预测模型以46组腐蚀数据中的45组为训练集，1组为测试集，上述预测模型均以温度、溶解氧、盐度、pH 值和氧化还原电位为输入量，腐蚀速率为输出量，研究表明：对于相同的训练集和测试集，SVR模型的预测误差小于BPNN模型，并且SVR模型的泛化能力 (平均绝对误差 (MAE)、平均绝对百分比误差 (MAPE) 和相关系数 (R2)) 也优于BPNN模型，以建模方式2建立的SVR模型和BPNN模型预测误差低于以建模方式1建立的SVR模型和BPNN模型的预测误差，并且SVM-LOOCV模型的MAE和MAPE均优于SVR模型和BPNN模型，进一步说明了增加训练样本的数量可以提高模型的预测精度.骆正山等[44]以50组不同海水环境参数下的海洋挂片腐蚀速率数据为研究样本，腐蚀数据包含了海水温度、溶解氧含量、盐度、pH和氧化还原电位、腐蚀速率等参量，利用套索回归模型 (LASSO) 分析出了对海洋腐蚀影响较大的参量，以对海洋腐蚀影响较大的参量为输入量，以腐蚀速率为输出量，并选取腐蚀数据中的42组为训练集，8组为测试集，建立了LASSO -WOA (鲸鱼优化算法) -LSSVM (最小二乘支持向量机) 预测模型，并对比分析了FOA-LSSVM 、LSSVM以及LASSO-WOA-LSSVM等模型的预测效果，并将预测值与实际值进行比较.结果表明：对海洋管线腐蚀影响较大的因素为温度、溶解氧含量和pH值；与FOA-LSSVM 和 LSSVM 两个模型相比，LASSO-WOA-LSSVM的预测值与真实腐蚀速率的差距较小，拟合效果更佳，并且LASSO-WOA-LSSVM的均方根误差 (RMSE) 仅为 0.3248，并且决定系数R2达到了0.9708，远高于其他两个模型.张新生等[45]通过实海挂片试验，获得了海底油气管线在不同海水温度、溶氧量、盐度、pH值以及氧化还原电位条件下的腐蚀速率，利用因子分析 (FA) 对海水腐蚀影响因素进行降维处理，以降维后海水腐蚀影响因素为输入量，腐蚀速率为输出量，从获取到的50组腐蚀数据中选取43组为训练集，7组为测试集，建立了FA-BAS (天牛须搜索算法) -ELM (极限学习机) 预测模型，并综合对比了FA-BAS-ELM模型、FA-ELM模型、FA-FOA (果蝇优化算法)-ELM模型以及FA-BAS-BP模型的预测精度和拟合效果，并将预测值与实际值进行比较.研究表明：海水温度、溶氧量、盐度、pH值等4个参量对海水腐蚀的影响较大，综合考虑MAPE、RMSE、R2以及平均训练时间等因素，FA-BAS-ELM模型的预测精度和拟合效果均要优于FA-ELM模型、FA-FOA-ELM模型、FA-BAS-BP模型等3种模型，并且FA-BAS-ELM模型的MAPE仅为1.92%，R2高达0.9949，预测值与实际值基本吻合.刘学庆等[41]以海洋工程常用钢材3C、Q235、16Mn、10MnPNbRe、10CrMoAl、D36作为研究样本，依据电化学测定的不同海水环境下的腐蚀数据 (溶解氧，氧化还原电位，温度，盐度，pH值以及腐蚀速率) (3C钢26组腐蚀数据、Q235钢25组腐蚀数据、16Mn钢24组腐蚀数据、10MnPNbRe钢23组腐蚀数据、10CrMoAl钢23组腐蚀数据、D36钢24组腐蚀数据)，通过灰关联分析法分析了各环境因素对不同钢材腐蚀速度的影响大小，建立了BP神经网络模型，以溶解氧、氧化还原电位、温度、盐度、pH值为输入量，以腐蚀速率为输出量，并以3C钢腐蚀数据中的5组腐蚀数据、Q235钢腐蚀数据中的4组腐蚀数据、16Mn钢腐蚀数据中的4组腐蚀数据、10MnPNbRe钢腐蚀数据中的3组腐蚀数据、10CrMoAl钢腐蚀数据中的4组腐蚀数据、D36钢腐蚀数据中的4组腐蚀数据为测试集，钢材中的其他数据为训练集.研究表明：各环境参数关联度的平均值大小顺序为：溶解氧、氧化还原电位、温度、盐度、pH值，其中氧化还原电位和温度对腐蚀速度的影响程度几乎没有差别；BP人工神经网络模型的预测值与实际值的相对误差在10%以内，预测精度较高. ...
... 由上述实例可知，应用于海洋腐蚀环境下的机器学习算法类型要明显多于土壤环境，并且与土壤腐蚀预测研究相比，近些年对于海洋腐蚀的研究较多.目前对于海洋腐蚀影响因素权重的分析还没有具体统一的分析方法，有学者采用遗传算法、LASSO、FA (因子分析)、灰关联分析法等算法分析海洋环境因素对海洋腐蚀影响的权重[22,41,44,45]，并且大部分研究发现海水环境中的海水温度、溶氧量、盐度、pH值等因素均对海水腐蚀发挥着重要的作用[22,24,41~45].目前对于海水腐蚀速率预测多采用的机器学习算法是基于神经网络和支持向量机的优化算法[22,24,41~44]，并且预测精确度较高；也有少数学者采用随机森林算法、FA-BAS-ELM模型、FA-ELM 模型、FA-FOA-ELM模型等方法[45,47]. ...
... ~44]，并且预测精确度较高；也有少数学者采用随机森林算法、FA-BAS-ELM模型、FA-ELM 模型、FA-FOA-ELM模型等方法[45,47]. ...
Prediction of external corrosion rate of offshore oil and gas pipelines based on FA-BAS-ELM
4
2022
... 国内外学者利用机器学习对海洋腐蚀性影响因素的权重以及腐蚀速率预测领域展开了大量的研究.李海涛等[22]以在中国腐蚀与防护网上面选取2Cr1312不锈钢、Q235B钢和6082铝合金3种海洋工程材料的腐蚀数据为研究样本，从获取的4027条腐蚀数据中选取4024条数据作为模型的训练集，剩余数据作为2Cr1312不锈钢、Q235B钢和6082铝合金的测试集，并利用遗传算法分析了海洋环境中各因素对腐蚀速度的影响率,并以对2Cr1312不锈钢、Q235B钢和6082铝合金等3种材料腐蚀影响较大的水温、溶解氧、盐度、电导率、pH和氧化还原电位作为输入量，以3种材料的腐蚀速率作为输出量，综合对比了经遗传算法优化后的BP模型即GA-BP模型与BP模型的差异.研究表明，海洋环境中各因素对腐蚀速度的影响权重依次为：溶解氧 (28.65)>pH (27.41)>盐度 (25.46)>电导率 (24.91)>氧化还原电位 (23.18)>水温 (21.78)>降雨量 (14.76)>相对湿度 (13.29)>风速 (7.83)>气温 (5.76)；并且GA-BP模型的训练误差以及训练时间都要优于传统的BP神经网络模型.马良涛等[42]以在青岛海洋腐蚀所海水实验站进行周期1 a的实海挂片 (Q235钢) 实验的腐蚀数据为研究样本，在25组腐蚀数据中选择18组数据作为训练集，7组数据作为测试集，并以环境温度、含氧量、pH、盐度及自腐蚀电位作为输入量，其腐蚀速率作为输出量，对比分析了GRNN模型和BP模型的预测精度.研究表明，GRNN模型在选择默认扩散速度值的情况下，其精度高于同等条件下的BP神经网络，其平均预测误差仅为5.75%；并且在最优扩展速度下GRNN模型的平均误差减小为2.38%，具有较高的预测精度.李响等[24]以海洋挂片 (Q235钢) 腐蚀试验数据作为研究样本，由于SVM可以较好地解决海洋腐蚀数据较少情况下的腐蚀规律预测问题，因此李响等建立了遗传算法SVM模型即GA-SVM模型，并从获取的25组腐蚀数据中选取22组作为训练集，3组作为测试集，以温度、含氧量、含盐量、pH值为输入量，腐蚀速率为输出量，对比分析了GA-SVM和BP神经网络模型的预测效果，并将GA-SVM模型的预测值与实际值进行对比.研究发现： GA-SVM模型测试集的预测误差均小于3%，而BP神经网络预测模型测试集的误差绝对值的平均值为7.23%，因此GA-SVM模型的预测误差要优于BP神经网络的预测误差，并且GA-SVM模型的预测值几乎接近实际的腐蚀速率.Wen等[43]以采用电化学技术测量获取的46组不同海水环境下3C钢腐蚀数据为研究样本，建立了基于粒子群优化 (PSO) 参数的支持向量回归 (SVR) 预测模型，进一步地通过留一法交叉验证 (LOOCV) 建立了SVM-LOOCV预测模型，并对比了SVR模型、SVM-LOOCV模型与BPNN模型的预测误差以及不同数量训练集的预测误差，并将预测值与实际值进行对比；SVM模型和BPNN模型的建模方式1为随机选取其中的41组腐蚀数据为训练集，以5组腐蚀数据为测试集，建模方式2为以42组腐蚀数据为训练集，4组为测试集，而SVM-LOOCV预测模型以46组腐蚀数据中的45组为训练集，1组为测试集，上述预测模型均以温度、溶解氧、盐度、pH 值和氧化还原电位为输入量，腐蚀速率为输出量，研究表明：对于相同的训练集和测试集，SVR模型的预测误差小于BPNN模型，并且SVR模型的泛化能力 (平均绝对误差 (MAE)、平均绝对百分比误差 (MAPE) 和相关系数 (R2)) 也优于BPNN模型，以建模方式2建立的SVR模型和BPNN模型预测误差低于以建模方式1建立的SVR模型和BPNN模型的预测误差，并且SVM-LOOCV模型的MAE和MAPE均优于SVR模型和BPNN模型，进一步说明了增加训练样本的数量可以提高模型的预测精度.骆正山等[44]以50组不同海水环境参数下的海洋挂片腐蚀速率数据为研究样本，腐蚀数据包含了海水温度、溶解氧含量、盐度、pH和氧化还原电位、腐蚀速率等参量，利用套索回归模型 (LASSO) 分析出了对海洋腐蚀影响较大的参量，以对海洋腐蚀影响较大的参量为输入量，以腐蚀速率为输出量，并选取腐蚀数据中的42组为训练集，8组为测试集，建立了LASSO -WOA (鲸鱼优化算法) -LSSVM (最小二乘支持向量机) 预测模型，并对比分析了FOA-LSSVM 、LSSVM以及LASSO-WOA-LSSVM等模型的预测效果，并将预测值与实际值进行比较.结果表明：对海洋管线腐蚀影响较大的因素为温度、溶解氧含量和pH值；与FOA-LSSVM 和 LSSVM 两个模型相比，LASSO-WOA-LSSVM的预测值与真实腐蚀速率的差距较小，拟合效果更佳，并且LASSO-WOA-LSSVM的均方根误差 (RMSE) 仅为 0.3248，并且决定系数R2达到了0.9708，远高于其他两个模型.张新生等[45]通过实海挂片试验，获得了海底油气管线在不同海水温度、溶氧量、盐度、pH值以及氧化还原电位条件下的腐蚀速率，利用因子分析 (FA) 对海水腐蚀影响因素进行降维处理，以降维后海水腐蚀影响因素为输入量，腐蚀速率为输出量，从获取到的50组腐蚀数据中选取43组为训练集，7组为测试集，建立了FA-BAS (天牛须搜索算法) -ELM (极限学习机) 预测模型，并综合对比了FA-BAS-ELM模型、FA-ELM模型、FA-FOA (果蝇优化算法)-ELM模型以及FA-BAS-BP模型的预测精度和拟合效果，并将预测值与实际值进行比较.研究表明：海水温度、溶氧量、盐度、pH值等4个参量对海水腐蚀的影响较大，综合考虑MAPE、RMSE、R2以及平均训练时间等因素，FA-BAS-ELM模型的预测精度和拟合效果均要优于FA-ELM模型、FA-FOA-ELM模型、FA-BAS-BP模型等3种模型，并且FA-BAS-ELM模型的MAPE仅为1.92%，R2高达0.9949，预测值与实际值基本吻合.刘学庆等[41]以海洋工程常用钢材3C、Q235、16Mn、10MnPNbRe、10CrMoAl、D36作为研究样本，依据电化学测定的不同海水环境下的腐蚀数据 (溶解氧，氧化还原电位，温度，盐度，pH值以及腐蚀速率) (3C钢26组腐蚀数据、Q235钢25组腐蚀数据、16Mn钢24组腐蚀数据、10MnPNbRe钢23组腐蚀数据、10CrMoAl钢23组腐蚀数据、D36钢24组腐蚀数据)，通过灰关联分析法分析了各环境因素对不同钢材腐蚀速度的影响大小，建立了BP神经网络模型，以溶解氧、氧化还原电位、温度、盐度、pH值为输入量，以腐蚀速率为输出量，并以3C钢腐蚀数据中的5组腐蚀数据、Q235钢腐蚀数据中的4组腐蚀数据、16Mn钢腐蚀数据中的4组腐蚀数据、10MnPNbRe钢腐蚀数据中的3组腐蚀数据、10CrMoAl钢腐蚀数据中的4组腐蚀数据、D36钢腐蚀数据中的4组腐蚀数据为测试集，钢材中的其他数据为训练集.研究表明：各环境参数关联度的平均值大小顺序为：溶解氧、氧化还原电位、温度、盐度、pH值，其中氧化还原电位和温度对腐蚀速度的影响程度几乎没有差别；BP人工神经网络模型的预测值与实际值的相对误差在10%以内，预测精度较高. ...
... 由上述实例可知，应用于海洋腐蚀环境下的机器学习算法类型要明显多于土壤环境，并且与土壤腐蚀预测研究相比，近些年对于海洋腐蚀的研究较多.目前对于海洋腐蚀影响因素权重的分析还没有具体统一的分析方法，有学者采用遗传算法、LASSO、FA (因子分析)、灰关联分析法等算法分析海洋环境因素对海洋腐蚀影响的权重[22,41,44,45]，并且大部分研究发现海水环境中的海水温度、溶氧量、盐度、pH值等因素均对海水腐蚀发挥着重要的作用[22,24,41~45].目前对于海水腐蚀速率预测多采用的机器学习算法是基于神经网络和支持向量机的优化算法[22,24,41~44]，并且预测精确度较高；也有少数学者采用随机森林算法、FA-BAS-ELM模型、FA-ELM 模型、FA-FOA-ELM模型等方法[45,47]. ...
... ~45].目前对于海水腐蚀速率预测多采用的机器学习算法是基于神经网络和支持向量机的优化算法[22,24,41~44]，并且预测精确度较高；也有少数学者采用随机森林算法、FA-BAS-ELM模型、FA-ELM 模型、FA-FOA-ELM模型等方法[45,47]. ...
... [45,47]. ...
基于FA-BAS-ELM的海洋油气管道外腐蚀速率预测
4
2022
... 国内外学者利用机器学习对海洋腐蚀性影响因素的权重以及腐蚀速率预测领域展开了大量的研究.李海涛等[22]以在中国腐蚀与防护网上面选取2Cr1312不锈钢、Q235B钢和6082铝合金3种海洋工程材料的腐蚀数据为研究样本，从获取的4027条腐蚀数据中选取4024条数据作为模型的训练集，剩余数据作为2Cr1312不锈钢、Q235B钢和6082铝合金的测试集，并利用遗传算法分析了海洋环境中各因素对腐蚀速度的影响率,并以对2Cr1312不锈钢、Q235B钢和6082铝合金等3种材料腐蚀影响较大的水温、溶解氧、盐度、电导率、pH和氧化还原电位作为输入量，以3种材料的腐蚀速率作为输出量，综合对比了经遗传算法优化后的BP模型即GA-BP模型与BP模型的差异.研究表明，海洋环境中各因素对腐蚀速度的影响权重依次为：溶解氧 (28.65)>pH (27.41)>盐度 (25.46)>电导率 (24.91)>氧化还原电位 (23.18)>水温 (21.78)>降雨量 (14.76)>相对湿度 (13.29)>风速 (7.83)>气温 (5.76)；并且GA-BP模型的训练误差以及训练时间都要优于传统的BP神经网络模型.马良涛等[42]以在青岛海洋腐蚀所海水实验站进行周期1 a的实海挂片 (Q235钢) 实验的腐蚀数据为研究样本，在25组腐蚀数据中选择18组数据作为训练集，7组数据作为测试集，并以环境温度、含氧量、pH、盐度及自腐蚀电位作为输入量，其腐蚀速率作为输出量，对比分析了GRNN模型和BP模型的预测精度.研究表明，GRNN模型在选择默认扩散速度值的情况下，其精度高于同等条件下的BP神经网络，其平均预测误差仅为5.75%；并且在最优扩展速度下GRNN模型的平均误差减小为2.38%，具有较高的预测精度.李响等[24]以海洋挂片 (Q235钢) 腐蚀试验数据作为研究样本，由于SVM可以较好地解决海洋腐蚀数据较少情况下的腐蚀规律预测问题，因此李响等建立了遗传算法SVM模型即GA-SVM模型，并从获取的25组腐蚀数据中选取22组作为训练集，3组作为测试集，以温度、含氧量、含盐量、pH值为输入量，腐蚀速率为输出量，对比分析了GA-SVM和BP神经网络模型的预测效果，并将GA-SVM模型的预测值与实际值进行对比.研究发现： GA-SVM模型测试集的预测误差均小于3%，而BP神经网络预测模型测试集的误差绝对值的平均值为7.23%，因此GA-SVM模型的预测误差要优于BP神经网络的预测误差，并且GA-SVM模型的预测值几乎接近实际的腐蚀速率.Wen等[43]以采用电化学技术测量获取的46组不同海水环境下3C钢腐蚀数据为研究样本，建立了基于粒子群优化 (PSO) 参数的支持向量回归 (SVR) 预测模型，进一步地通过留一法交叉验证 (LOOCV) 建立了SVM-LOOCV预测模型，并对比了SVR模型、SVM-LOOCV模型与BPNN模型的预测误差以及不同数量训练集的预测误差，并将预测值与实际值进行对比；SVM模型和BPNN模型的建模方式1为随机选取其中的41组腐蚀数据为训练集，以5组腐蚀数据为测试集，建模方式2为以42组腐蚀数据为训练集，4组为测试集，而SVM-LOOCV预测模型以46组腐蚀数据中的45组为训练集，1组为测试集，上述预测模型均以温度、溶解氧、盐度、pH 值和氧化还原电位为输入量，腐蚀速率为输出量，研究表明：对于相同的训练集和测试集，SVR模型的预测误差小于BPNN模型，并且SVR模型的泛化能力 (平均绝对误差 (MAE)、平均绝对百分比误差 (MAPE) 和相关系数 (R2)) 也优于BPNN模型，以建模方式2建立的SVR模型和BPNN模型预测误差低于以建模方式1建立的SVR模型和BPNN模型的预测误差，并且SVM-LOOCV模型的MAE和MAPE均优于SVR模型和BPNN模型，进一步说明了增加训练样本的数量可以提高模型的预测精度.骆正山等[44]以50组不同海水环境参数下的海洋挂片腐蚀速率数据为研究样本，腐蚀数据包含了海水温度、溶解氧含量、盐度、pH和氧化还原电位、腐蚀速率等参量，利用套索回归模型 (LASSO) 分析出了对海洋腐蚀影响较大的参量，以对海洋腐蚀影响较大的参量为输入量，以腐蚀速率为输出量，并选取腐蚀数据中的42组为训练集，8组为测试集，建立了LASSO -WOA (鲸鱼优化算法) -LSSVM (最小二乘支持向量机) 预测模型，并对比分析了FOA-LSSVM 、LSSVM以及LASSO-WOA-LSSVM等模型的预测效果，并将预测值与实际值进行比较.结果表明：对海洋管线腐蚀影响较大的因素为温度、溶解氧含量和pH值；与FOA-LSSVM 和 LSSVM 两个模型相比，LASSO-WOA-LSSVM的预测值与真实腐蚀速率的差距较小，拟合效果更佳，并且LASSO-WOA-LSSVM的均方根误差 (RMSE) 仅为 0.3248，并且决定系数R2达到了0.9708，远高于其他两个模型.张新生等[45]通过实海挂片试验，获得了海底油气管线在不同海水温度、溶氧量、盐度、pH值以及氧化还原电位条件下的腐蚀速率，利用因子分析 (FA) 对海水腐蚀影响因素进行降维处理，以降维后海水腐蚀影响因素为输入量，腐蚀速率为输出量，从获取到的50组腐蚀数据中选取43组为训练集，7组为测试集，建立了FA-BAS (天牛须搜索算法) -ELM (极限学习机) 预测模型，并综合对比了FA-BAS-ELM模型、FA-ELM模型、FA-FOA (果蝇优化算法)-ELM模型以及FA-BAS-BP模型的预测精度和拟合效果，并将预测值与实际值进行比较.研究表明：海水温度、溶氧量、盐度、pH值等4个参量对海水腐蚀的影响较大，综合考虑MAPE、RMSE、R2以及平均训练时间等因素，FA-BAS-ELM模型的预测精度和拟合效果均要优于FA-ELM模型、FA-FOA-ELM模型、FA-BAS-BP模型等3种模型，并且FA-BAS-ELM模型的MAPE仅为1.92%，R2高达0.9949，预测值与实际值基本吻合.刘学庆等[41]以海洋工程常用钢材3C、Q235、16Mn、10MnPNbRe、10CrMoAl、D36作为研究样本，依据电化学测定的不同海水环境下的腐蚀数据 (溶解氧，氧化还原电位，温度，盐度，pH值以及腐蚀速率) (3C钢26组腐蚀数据、Q235钢25组腐蚀数据、16Mn钢24组腐蚀数据、10MnPNbRe钢23组腐蚀数据、10CrMoAl钢23组腐蚀数据、D36钢24组腐蚀数据)，通过灰关联分析法分析了各环境因素对不同钢材腐蚀速度的影响大小，建立了BP神经网络模型，以溶解氧、氧化还原电位、温度、盐度、pH值为输入量，以腐蚀速率为输出量，并以3C钢腐蚀数据中的5组腐蚀数据、Q235钢腐蚀数据中的4组腐蚀数据、16Mn钢腐蚀数据中的4组腐蚀数据、10MnPNbRe钢腐蚀数据中的3组腐蚀数据、10CrMoAl钢腐蚀数据中的4组腐蚀数据、D36钢腐蚀数据中的4组腐蚀数据为测试集，钢材中的其他数据为训练集.研究表明：各环境参数关联度的平均值大小顺序为：溶解氧、氧化还原电位、温度、盐度、pH值，其中氧化还原电位和温度对腐蚀速度的影响程度几乎没有差别；BP人工神经网络模型的预测值与实际值的相对误差在10%以内，预测精度较高. ...
... 由上述实例可知，应用于海洋腐蚀环境下的机器学习算法类型要明显多于土壤环境，并且与土壤腐蚀预测研究相比，近些年对于海洋腐蚀的研究较多.目前对于海洋腐蚀影响因素权重的分析还没有具体统一的分析方法，有学者采用遗传算法、LASSO、FA (因子分析)、灰关联分析法等算法分析海洋环境因素对海洋腐蚀影响的权重[22,41,44,45]，并且大部分研究发现海水环境中的海水温度、溶氧量、盐度、pH值等因素均对海水腐蚀发挥着重要的作用[22,24,41~45].目前对于海水腐蚀速率预测多采用的机器学习算法是基于神经网络和支持向量机的优化算法[22,24,41~44]，并且预测精确度较高；也有少数学者采用随机森林算法、FA-BAS-ELM模型、FA-ELM 模型、FA-FOA-ELM模型等方法[45,47]. ...
... ~45].目前对于海水腐蚀速率预测多采用的机器学习算法是基于神经网络和支持向量机的优化算法[22,24,41~44]，并且预测精确度较高；也有少数学者采用随机森林算法、FA-BAS-ELM模型、FA-ELM 模型、FA-FOA-ELM模型等方法[45,47]. ...
... [45,47]. ...
Data mining to effect of key alloying elements on corrosion resistance of low alloy steels in Sanya seawater environment Alloying Elements
3
2021
... 机器学习算法不仅可以分析海洋腐蚀影响因素的权重大小以及预测腐蚀速率，还可以对海洋环境下工作的金属构件合金元素进行预测优化.Wei等[46]选用碳钢Q235、变质碳钢Q235和Q450NQR1、船用碳钢D36、Q345B和Q345DZ35、管线钢X70和X80、船用低合金钢 (LAS) 921、E460和E690、海洋结构钢超细晶粒钢1、超细晶粒钢2和微合金钢为研究对象，在国家自然环境腐蚀平台三亚海水站获取了196组腐蚀数据，腐蚀数据由15个化学元素参数 (C、Si、Mn、P、S、Ni、Cr、Mo、Cu、Nb、Ti、Al、V、B、N)、7个海水环境参数 (浸泡时间、温度、电导率、盐度、溶解氧、流速) 和1个腐蚀电位参数组成.通过皮尔逊系数分析了低合金钢的所有化学元素中哪些元素对海水腐蚀影响较大，并探讨了关键合金元素对低合金钢腐蚀电位的联合作用.研究表明，在低合金钢的所有化学元素中，Si、Ni、Cr、Mo和V对腐蚀电位的影响最大；并且当Ni和Cr共存度大于0.2%时，Q235钢的腐蚀电位从-690 mV升高到-660 mV；当Cr含量大于0.4%时，Q450NQR1的腐蚀电位从-690 mV升高到-665 mV；当Cr含量大于1%时，Q450NQR1的腐蚀电位又从-665 mV升高到-645 mV；当Cr含量高于0.2%和0.4%时，E460的腐蚀电位分别升高；随着Cr含量的增加，921钢的腐蚀电位逐渐升高；当Mo含量高于0.1%时，X70的腐蚀电位明显增加.Diao等[47]在4个不同的海洋腐蚀试验站共收集了85组20种低合金钢的1和2 a海水浸泡腐蚀数据，每组腐蚀数据由12个材料特征 (C、S、P、Mn、Si、Cr、Mo、Al、V、Ti、Cu、Nb等元素含量)、12个环境特征 (最高/平均/最小温度值、最高/平均/最小PH值、最高/平均/最小溶解氧含量、最高/平均/最小海水盐度值)、浸泡时间和对应的腐蚀速率组成，比较了不同机器学习算法 (K最近邻算法 (KNN)、多层感知器 (MLP)、RF、具有径向基函数的支持向量回归 (SVR.R)、具有线性内核的支持向量回归 (SVR.L) 以及具有多项式内核的支持向量回归 (SVR.P) 等) 的预测效果，并将原始数据分为训练集 (主要用于腐蚀速率预测模型的优化) 和测试集 (仅用于识别模型的预测精度)，这里使用了几种不同的划分比例 (即40%、50%、60%、70%、80%、90%的训练数据，其余为测试数据)，结果表明：在不同的训练数据分割比例下，随机森林模型对测试集的预测精度均最高，且训练集的比例为80%时预测效果最佳，因此该研究以80%的腐蚀数据为训练集，20%的腐蚀数据为测试集，建立随机森林预测模型，利用梯度增强决策树 (GBDT) 和Kendall相关系数组合法分析得出最大溶解氧含量、最大海水盐度、最小pH值、平均温度、Cr、C、Si、P、S为输入量，而利用PCA法将原来的12个环境特征、12个材料特征和浸泡时间转换为9个新特征，基于以上两组不同的输入特征，用随机森林算法训练了两个腐蚀速率预测模型，并对比了GBDT和Kendall相关系数组合法和PCA法的腐蚀速率预测模型的预测精度.研究表明，基于GBDT方法和Kendall相关分析相结合建立的随机森林预测模型的训练集和测试集都有较好的预测精度，其预测结果要优于基于PCA方法建立的随机森林预测模型；并在所选材料中，Cr、C、Si、P、S等合金元素是影响腐蚀速率的关键元素，同时最大溶解氧含量、最大海水盐度、最小pH值和平均温度是主要的环境因素.刘学庆等[41]以海洋工程常用钢材3C、A3、16Mn、10MnPNbRe、10CrMoAl、D36作为研究样本；结合钢材合金元素与实海挂片1a的腐蚀数据，利用灰关联分析钢材所含合金元素与其腐蚀速度之间的关联度大小顺序为：Si>C>Mn>Cr>Co>Al>(Ti，Ni，P)>S>Sn>Cu>(W，V)>(Mo，Nb). ...
... 以上研究表明，目前对于在海洋环境下工作的金属构件合金元素分析并没有建立统一的分析方法，有学者采用皮尔逊系数分析法、梯度增强决策树、Kendall相关分析、主成分分析、灰关联分析法等方法对合金元素对海洋腐蚀影响权重进行了分析研究[41,46,47]，大部分研究表明Si和Cr在目前的海洋腐蚀研究中均发挥着十分重要的作用[41,46,47]. ...
... ,46,47]. ...
Improvement of the machine learning-based corrosion rate prediction model through the optimization of input features
4
2021
... 由上述实例可知，应用于海洋腐蚀环境下的机器学习算法类型要明显多于土壤环境，并且与土壤腐蚀预测研究相比，近些年对于海洋腐蚀的研究较多.目前对于海洋腐蚀影响因素权重的分析还没有具体统一的分析方法，有学者采用遗传算法、LASSO、FA (因子分析)、灰关联分析法等算法分析海洋环境因素对海洋腐蚀影响的权重[22,41,44,45]，并且大部分研究发现海水环境中的海水温度、溶氧量、盐度、pH值等因素均对海水腐蚀发挥着重要的作用[22,24,41~45].目前对于海水腐蚀速率预测多采用的机器学习算法是基于神经网络和支持向量机的优化算法[22,24,41~44]，并且预测精确度较高；也有少数学者采用随机森林算法、FA-BAS-ELM模型、FA-ELM 模型、FA-FOA-ELM模型等方法[45,47]. ...
... 机器学习算法不仅可以分析海洋腐蚀影响因素的权重大小以及预测腐蚀速率，还可以对海洋环境下工作的金属构件合金元素进行预测优化.Wei等[46]选用碳钢Q235、变质碳钢Q235和Q450NQR1、船用碳钢D36、Q345B和Q345DZ35、管线钢X70和X80、船用低合金钢 (LAS) 921、E460和E690、海洋结构钢超细晶粒钢1、超细晶粒钢2和微合金钢为研究对象，在国家自然环境腐蚀平台三亚海水站获取了196组腐蚀数据，腐蚀数据由15个化学元素参数 (C、Si、Mn、P、S、Ni、Cr、Mo、Cu、Nb、Ti、Al、V、B、N)、7个海水环境参数 (浸泡时间、温度、电导率、盐度、溶解氧、流速) 和1个腐蚀电位参数组成.通过皮尔逊系数分析了低合金钢的所有化学元素中哪些元素对海水腐蚀影响较大，并探讨了关键合金元素对低合金钢腐蚀电位的联合作用.研究表明，在低合金钢的所有化学元素中，Si、Ni、Cr、Mo和V对腐蚀电位的影响最大；并且当Ni和Cr共存度大于0.2%时，Q235钢的腐蚀电位从-690 mV升高到-660 mV；当Cr含量大于0.4%时，Q450NQR1的腐蚀电位从-690 mV升高到-665 mV；当Cr含量大于1%时，Q450NQR1的腐蚀电位又从-665 mV升高到-645 mV；当Cr含量高于0.2%和0.4%时，E460的腐蚀电位分别升高；随着Cr含量的增加，921钢的腐蚀电位逐渐升高；当Mo含量高于0.1%时，X70的腐蚀电位明显增加.Diao等[47]在4个不同的海洋腐蚀试验站共收集了85组20种低合金钢的1和2 a海水浸泡腐蚀数据，每组腐蚀数据由12个材料特征 (C、S、P、Mn、Si、Cr、Mo、Al、V、Ti、Cu、Nb等元素含量)、12个环境特征 (最高/平均/最小温度值、最高/平均/最小PH值、最高/平均/最小溶解氧含量、最高/平均/最小海水盐度值)、浸泡时间和对应的腐蚀速率组成，比较了不同机器学习算法 (K最近邻算法 (KNN)、多层感知器 (MLP)、RF、具有径向基函数的支持向量回归 (SVR.R)、具有线性内核的支持向量回归 (SVR.L) 以及具有多项式内核的支持向量回归 (SVR.P) 等) 的预测效果，并将原始数据分为训练集 (主要用于腐蚀速率预测模型的优化) 和测试集 (仅用于识别模型的预测精度)，这里使用了几种不同的划分比例 (即40%、50%、60%、70%、80%、90%的训练数据，其余为测试数据)，结果表明：在不同的训练数据分割比例下，随机森林模型对测试集的预测精度均最高，且训练集的比例为80%时预测效果最佳，因此该研究以80%的腐蚀数据为训练集，20%的腐蚀数据为测试集，建立随机森林预测模型，利用梯度增强决策树 (GBDT) 和Kendall相关系数组合法分析得出最大溶解氧含量、最大海水盐度、最小pH值、平均温度、Cr、C、Si、P、S为输入量，而利用PCA法将原来的12个环境特征、12个材料特征和浸泡时间转换为9个新特征，基于以上两组不同的输入特征，用随机森林算法训练了两个腐蚀速率预测模型，并对比了GBDT和Kendall相关系数组合法和PCA法的腐蚀速率预测模型的预测精度.研究表明，基于GBDT方法和Kendall相关分析相结合建立的随机森林预测模型的训练集和测试集都有较好的预测精度，其预测结果要优于基于PCA方法建立的随机森林预测模型；并在所选材料中，Cr、C、Si、P、S等合金元素是影响腐蚀速率的关键元素，同时最大溶解氧含量、最大海水盐度、最小pH值和平均温度是主要的环境因素.刘学庆等[41]以海洋工程常用钢材3C、A3、16Mn、10MnPNbRe、10CrMoAl、D36作为研究样本；结合钢材合金元素与实海挂片1a的腐蚀数据，利用灰关联分析钢材所含合金元素与其腐蚀速度之间的关联度大小顺序为：Si>C>Mn>Cr>Co>Al>(Ti，Ni，P)>S>Sn>Cu>(W，V)>(Mo，Nb). ...
... 以上研究表明，目前对于在海洋环境下工作的金属构件合金元素分析并没有建立统一的分析方法，有学者采用皮尔逊系数分析法、梯度增强决策树、Kendall相关分析、主成分分析、灰关联分析法等方法对合金元素对海洋腐蚀影响权重进行了分析研究[41,46,47]，大部分研究表明Si和Cr在目前的海洋腐蚀研究中均发挥着十分重要的作用[41,46,47]. ...
... ,47]. ...
Research status of correlation and life prediction of atmospheric corrosion test of metal materials
1
2015
... 大气腐蚀是材料与其周围大气环境之间发生的化学、电化学或物理作用的结果[48].在该过程中，暴露在大气环境中的材料会因吸附了大气环境中的水分子及颗粒物而在材料表面形成薄液膜[49]，薄液膜的存在为材料腐蚀的发生提供了必须的反应场所[18].大气腐蚀主要受材料成分、环境因素以及腐蚀时间等因素的影响，其中环境因素主要包括：风速、降雨量、相对湿度、氯化物沉降、温度、SO2、NO2、PM2.5和PM10的浓度、锈层、以及pH等[18].近年来，随着机器学习在大气腐蚀领域的应用，极大的加快了大气腐蚀的研究进程，目前在大气腐蚀领域的研究侧重在分析材料成分、环境因素以及时间因素对大气腐蚀的影响和预测大气腐蚀速率两个方面. ...
金属材料大气腐蚀试验相关性与寿命预测研究现状
1
2015
... 大气腐蚀是材料与其周围大气环境之间发生的化学、电化学或物理作用的结果[48].在该过程中，暴露在大气环境中的材料会因吸附了大气环境中的水分子及颗粒物而在材料表面形成薄液膜[49]，薄液膜的存在为材料腐蚀的发生提供了必须的反应场所[18].大气腐蚀主要受材料成分、环境因素以及腐蚀时间等因素的影响，其中环境因素主要包括：风速、降雨量、相对湿度、氯化物沉降、温度、SO2、NO2、PM2.5和PM10的浓度、锈层、以及pH等[18].近年来，随着机器学习在大气腐蚀领域的应用，极大的加快了大气腐蚀的研究进程，目前在大气腐蚀领域的研究侧重在分析材料成分、环境因素以及时间因素对大气腐蚀的影响和预测大气腐蚀速率两个方面. ...
The evaluation of atmospheric corrosivity category and corrosion behavior among China Southern Power Grid region-Guangxi Zhuang Autonomous region and Guizhou Province
1
2018
... 大气腐蚀是材料与其周围大气环境之间发生的化学、电化学或物理作用的结果[48].在该过程中，暴露在大气环境中的材料会因吸附了大气环境中的水分子及颗粒物而在材料表面形成薄液膜[49]，薄液膜的存在为材料腐蚀的发生提供了必须的反应场所[18].大气腐蚀主要受材料成分、环境因素以及腐蚀时间等因素的影响，其中环境因素主要包括：风速、降雨量、相对湿度、氯化物沉降、温度、SO2、NO2、PM2.5和PM10的浓度、锈层、以及pH等[18].近年来，随着机器学习在大气腐蚀领域的应用，极大的加快了大气腐蚀的研究进程，目前在大气腐蚀领域的研究侧重在分析材料成分、环境因素以及时间因素对大气腐蚀的影响和预测大气腐蚀速率两个方面. ...
南方电网地区输电杆塔大气腐蚀等级评估及腐蚀行为研究-广西壮族自治区和贵州省
1
2018
... 大气腐蚀是材料与其周围大气环境之间发生的化学、电化学或物理作用的结果[48].在该过程中，暴露在大气环境中的材料会因吸附了大气环境中的水分子及颗粒物而在材料表面形成薄液膜[49]，薄液膜的存在为材料腐蚀的发生提供了必须的反应场所[18].大气腐蚀主要受材料成分、环境因素以及腐蚀时间等因素的影响，其中环境因素主要包括：风速、降雨量、相对湿度、氯化物沉降、温度、SO2、NO2、PM2.5和PM10的浓度、锈层、以及pH等[18].近年来，随着机器学习在大气腐蚀领域的应用，极大的加快了大气腐蚀的研究进程，目前在大气腐蚀领域的研究侧重在分析材料成分、环境因素以及时间因素对大气腐蚀的影响和预测大气腐蚀速率两个方面. ...
Application of BP artifical nural network for prediction of atmosphere corrosion of carbonsteel and low alloy steel
3
2002
... 国内外学者通过机器学习分析环境因素和时间因素对大气腐蚀的影响开展了大量的工作.马小彦等[50]以我国大气腐蚀网站积累的环境、气象因素以及碳钢和低合金钢1、2、4、8 a腐蚀速率数据为研究样本，建立了BP神经网络模型，其中预测模型1以年平均温度、年平均相对湿度、年RH>80%时数、年降水量、年降雨日数、年日照时数、Cl-浓度、SO2浓度、NO2浓度、雨水pH值以及腐蚀时间为输入量，以金属平均腐蚀速率为输出量；预测模型2采用彼此关联性小的年平均温度、年平均相对湿度、年RH>80%时数、Cl-浓度、SO2浓度、雨水pH以及腐蚀时间为输入量，以金属平均腐蚀速率为输出量.结果表明：两种预测模型的预测结果与实际值基本一致，其中预测模型1的预测效果要优于预测模型2，造成这一结果的原因可能是预测模型2中所采用的输入变量较少或者训练样本的准确性和代表性不充分.王海涛等[51]以国家大气腐蚀站7个地区的17种碳钢、低合金钢在腐蚀1、2、4、8 a的腐蚀数据为研究样本，基于灰色模型GM (1，1) 对碳钢、低合金钢的大气腐蚀速率建立了预测模型，并利用灰关联分析方法研究了12号钢和12CrMnCu环境因素对大气腐蚀影响的程度，结果表明，相对湿度RH>80%的年时数、RH、温度是影响大气腐蚀的主要因素，并且该模型预测精度较高.Ji等[52]以7个城市测试站8 a的耐候钢 (Cor-ten A) 平均腐蚀速率数据为研究样本，利用灰关联分析法分析了大气环境各因素的灰关联等级排序，并选取影响最大的六个环境因素作为预测模型的环境调整因素，对比了改进的大气腐蚀预测模型和Dawn模型的拟合结果，结果表明：各因素的灰关联等级排序为：湿润时间>SO2>RH>Cl->降雨量>温度>NO2>日照，并且改进的大气腐蚀预测模型比Dawn模型具有更好的拟合效果和鲁棒性，改进的大气腐蚀预测模型的R2 (0.983) 也高于Dawn模型的R2 (0.881).为了进一步对比分析两个模型的预测性能，Ji等[52]以5个城市16 a的耐候钢 (Cor-ten B) 大气腐蚀数据为样本，利用8 a的腐蚀数据调整模型参数，然后预测16 a的腐蚀损失，对比了改进的大气腐蚀预测模型和Dawn模型的预测误差，并利用Sobol方法对改进的大气腐蚀预测模型进行了模型敏感性分析.结果表明：改进的大气腐蚀预测模型的腐蚀损失预测相对误差比较稳定，且保持在较低水平，每个城市的平均相对误差在7%~30%之间，而Dawn模型的相对误差范围在8%~59%之间，波动较大；Dawn模型的平均相对误差 (30%) 也明显高于改进的大气腐蚀预测模型 (19%)；通过计算每个参数对腐蚀模型的敏感性来研究参数对模型的影响，研究发现降雨量对模型的输出影响较大，而当RH达到CRH (临界相对湿度) 时，RH的变化可能对模型输出没有显着影响.Zhi等[53]以国家环境腐蚀平台10个试验点Q235钢的大气腐蚀数据为研究样本，其中腐蚀数据包括年平均RH、SO2、Cl-、pH值、年平均温度 (体温)、硫酸盐、NO2、海盐离子、降雨强度 (降雨量)、H2S、水溶性离子 (水溶性) 和非水溶性离子 (非水溶性) 等参量，对比分析了RF和Spearman 系数计算相结合的混合方法、最大信息系数 (MIC) 和主成分分析 (PCA) 方法在识别关键环境因子方面的作用，进一步将识别出的关键因素作为输入参数，建立了支持向量回归 (SVR) 腐蚀预测模型，并与以所有的12个环境参量作为输入量的SVR模型的预测效果进行了比较.结果表明：RF和Spearman系数计算相结合的混合方法在识别关键环境因子和降低输入数据的维数方面均要优于最大信息系数 (MIC) 和主成分分析 (PCA) 方法；其中不同的暴露年限，对大气腐蚀起作用的关键因素并不相同，第1年，Q235钢大气腐蚀的关键环境因素为：RH、pH、降雨量、SO2、水溶性、NO2和非水溶性；第2年，Q235钢大气腐蚀的关键环境因素为：年平均温度 (TEMP)、RH、SO2、NO2、pH、非水溶性和海盐；第5年，Q235钢大气腐蚀的关键环境因素为：RH、年平均温度 (TEMP)、pH、Cl-、水溶性和海盐；第8年，Q235钢大气腐蚀的关键环境因素为：RH、TEMP、pH、Cl-、水溶性和非水溶性；与使用所有12个环境因素作为输入量的SVR模型相比，以关键环境因素作为输入量的SVR模型的预测结果具有更高的准确性和泛化性. ...
... 近年来，国内外学者在研究大气腐蚀方面开展了大量的工作，所采用的机器学习算法也较为广泛.目前对大气腐蚀影响因素权重分析主要采用的机器学习算法是灰关联分析法和基于神经网络的优化算法[18,51,52]，也有部分学者采用基于随机森林的优化算法进行预测分析[53]，并且动态监测各因素对大气腐蚀的影响也是未来的一个研究趋势[54]；研究表明，相对湿度、温度以及腐蚀时间等因素在大气腐蚀中发挥着至关重要的作用[18,50~55]；而对于大气腐蚀速率预测的研究目前还没有统一的机器学习算法，有部分学者采用基于人工神经网络的优化算法、基于随机森林的优化算法、支持向量回归、灰色模型GM (1，1) 等算法对大气腐蚀速率进行研究[18,50~55]. ...
... ,50~55]. ...
BP神经网络在碳钢及低合金钢大气腐蚀预测中的应用
3
2002
... 国内外学者通过机器学习分析环境因素和时间因素对大气腐蚀的影响开展了大量的工作.马小彦等[50]以我国大气腐蚀网站积累的环境、气象因素以及碳钢和低合金钢1、2、4、8 a腐蚀速率数据为研究样本，建立了BP神经网络模型，其中预测模型1以年平均温度、年平均相对湿度、年RH>80%时数、年降水量、年降雨日数、年日照时数、Cl-浓度、SO2浓度、NO2浓度、雨水pH值以及腐蚀时间为输入量，以金属平均腐蚀速率为输出量；预测模型2采用彼此关联性小的年平均温度、年平均相对湿度、年RH>80%时数、Cl-浓度、SO2浓度、雨水pH以及腐蚀时间为输入量，以金属平均腐蚀速率为输出量.结果表明：两种预测模型的预测结果与实际值基本一致，其中预测模型1的预测效果要优于预测模型2，造成这一结果的原因可能是预测模型2中所采用的输入变量较少或者训练样本的准确性和代表性不充分.王海涛等[51]以国家大气腐蚀站7个地区的17种碳钢、低合金钢在腐蚀1、2、4、8 a的腐蚀数据为研究样本，基于灰色模型GM (1，1) 对碳钢、低合金钢的大气腐蚀速率建立了预测模型，并利用灰关联分析方法研究了12号钢和12CrMnCu环境因素对大气腐蚀影响的程度，结果表明，相对湿度RH>80%的年时数、RH、温度是影响大气腐蚀的主要因素，并且该模型预测精度较高.Ji等[52]以7个城市测试站8 a的耐候钢 (Cor-ten A) 平均腐蚀速率数据为研究样本，利用灰关联分析法分析了大气环境各因素的灰关联等级排序，并选取影响最大的六个环境因素作为预测模型的环境调整因素，对比了改进的大气腐蚀预测模型和Dawn模型的拟合结果，结果表明：各因素的灰关联等级排序为：湿润时间>SO2>RH>Cl->降雨量>温度>NO2>日照，并且改进的大气腐蚀预测模型比Dawn模型具有更好的拟合效果和鲁棒性，改进的大气腐蚀预测模型的R2 (0.983) 也高于Dawn模型的R2 (0.881).为了进一步对比分析两个模型的预测性能，Ji等[52]以5个城市16 a的耐候钢 (Cor-ten B) 大气腐蚀数据为样本，利用8 a的腐蚀数据调整模型参数，然后预测16 a的腐蚀损失，对比了改进的大气腐蚀预测模型和Dawn模型的预测误差，并利用Sobol方法对改进的大气腐蚀预测模型进行了模型敏感性分析.结果表明：改进的大气腐蚀预测模型的腐蚀损失预测相对误差比较稳定，且保持在较低水平，每个城市的平均相对误差在7%~30%之间，而Dawn模型的相对误差范围在8%~59%之间，波动较大；Dawn模型的平均相对误差 (30%) 也明显高于改进的大气腐蚀预测模型 (19%)；通过计算每个参数对腐蚀模型的敏感性来研究参数对模型的影响，研究发现降雨量对模型的输出影响较大，而当RH达到CRH (临界相对湿度) 时，RH的变化可能对模型输出没有显着影响.Zhi等[53]以国家环境腐蚀平台10个试验点Q235钢的大气腐蚀数据为研究样本，其中腐蚀数据包括年平均RH、SO2、Cl-、pH值、年平均温度 (体温)、硫酸盐、NO2、海盐离子、降雨强度 (降雨量)、H2S、水溶性离子 (水溶性) 和非水溶性离子 (非水溶性) 等参量，对比分析了RF和Spearman 系数计算相结合的混合方法、最大信息系数 (MIC) 和主成分分析 (PCA) 方法在识别关键环境因子方面的作用，进一步将识别出的关键因素作为输入参数，建立了支持向量回归 (SVR) 腐蚀预测模型，并与以所有的12个环境参量作为输入量的SVR模型的预测效果进行了比较.结果表明：RF和Spearman系数计算相结合的混合方法在识别关键环境因子和降低输入数据的维数方面均要优于最大信息系数 (MIC) 和主成分分析 (PCA) 方法；其中不同的暴露年限，对大气腐蚀起作用的关键因素并不相同，第1年，Q235钢大气腐蚀的关键环境因素为：RH、pH、降雨量、SO2、水溶性、NO2和非水溶性；第2年，Q235钢大气腐蚀的关键环境因素为：年平均温度 (TEMP)、RH、SO2、NO2、pH、非水溶性和海盐；第5年，Q235钢大气腐蚀的关键环境因素为：RH、年平均温度 (TEMP)、pH、Cl-、水溶性和海盐；第8年，Q235钢大气腐蚀的关键环境因素为：RH、TEMP、pH、Cl-、水溶性和非水溶性；与使用所有12个环境因素作为输入量的SVR模型相比，以关键环境因素作为输入量的SVR模型的预测结果具有更高的准确性和泛化性. ...
... 近年来，国内外学者在研究大气腐蚀方面开展了大量的工作，所采用的机器学习算法也较为广泛.目前对大气腐蚀影响因素权重分析主要采用的机器学习算法是灰关联分析法和基于神经网络的优化算法[18,51,52]，也有部分学者采用基于随机森林的优化算法进行预测分析[53]，并且动态监测各因素对大气腐蚀的影响也是未来的一个研究趋势[54]；研究表明，相对湿度、温度以及腐蚀时间等因素在大气腐蚀中发挥着至关重要的作用[18,50~55]；而对于大气腐蚀速率预测的研究目前还没有统一的机器学习算法，有部分学者采用基于人工神经网络的优化算法、基于随机森林的优化算法、支持向量回归、灰色模型GM (1，1) 等算法对大气腐蚀速率进行研究[18,50~55]. ...
... ,50~55]. ...
Gray model and gray relation analysis for atmospheric corrosion of carbon steel and low alloy steel
2
2006
... 国内外学者通过机器学习分析环境因素和时间因素对大气腐蚀的影响开展了大量的工作.马小彦等[50]以我国大气腐蚀网站积累的环境、气象因素以及碳钢和低合金钢1、2、4、8 a腐蚀速率数据为研究样本，建立了BP神经网络模型，其中预测模型1以年平均温度、年平均相对湿度、年RH>80%时数、年降水量、年降雨日数、年日照时数、Cl-浓度、SO2浓度、NO2浓度、雨水pH值以及腐蚀时间为输入量，以金属平均腐蚀速率为输出量；预测模型2采用彼此关联性小的年平均温度、年平均相对湿度、年RH>80%时数、Cl-浓度、SO2浓度、雨水pH以及腐蚀时间为输入量，以金属平均腐蚀速率为输出量.结果表明：两种预测模型的预测结果与实际值基本一致，其中预测模型1的预测效果要优于预测模型2，造成这一结果的原因可能是预测模型2中所采用的输入变量较少或者训练样本的准确性和代表性不充分.王海涛等[51]以国家大气腐蚀站7个地区的17种碳钢、低合金钢在腐蚀1、2、4、8 a的腐蚀数据为研究样本，基于灰色模型GM (1，1) 对碳钢、低合金钢的大气腐蚀速率建立了预测模型，并利用灰关联分析方法研究了12号钢和12CrMnCu环境因素对大气腐蚀影响的程度，结果表明，相对湿度RH>80%的年时数、RH、温度是影响大气腐蚀的主要因素，并且该模型预测精度较高.Ji等[52]以7个城市测试站8 a的耐候钢 (Cor-ten A) 平均腐蚀速率数据为研究样本，利用灰关联分析法分析了大气环境各因素的灰关联等级排序，并选取影响最大的六个环境因素作为预测模型的环境调整因素，对比了改进的大气腐蚀预测模型和Dawn模型的拟合结果，结果表明：各因素的灰关联等级排序为：湿润时间>SO2>RH>Cl->降雨量>温度>NO2>日照，并且改进的大气腐蚀预测模型比Dawn模型具有更好的拟合效果和鲁棒性，改进的大气腐蚀预测模型的R2 (0.983) 也高于Dawn模型的R2 (0.881).为了进一步对比分析两个模型的预测性能，Ji等[52]以5个城市16 a的耐候钢 (Cor-ten B) 大气腐蚀数据为样本，利用8 a的腐蚀数据调整模型参数，然后预测16 a的腐蚀损失，对比了改进的大气腐蚀预测模型和Dawn模型的预测误差，并利用Sobol方法对改进的大气腐蚀预测模型进行了模型敏感性分析.结果表明：改进的大气腐蚀预测模型的腐蚀损失预测相对误差比较稳定，且保持在较低水平，每个城市的平均相对误差在7%~30%之间，而Dawn模型的相对误差范围在8%~59%之间，波动较大；Dawn模型的平均相对误差 (30%) 也明显高于改进的大气腐蚀预测模型 (19%)；通过计算每个参数对腐蚀模型的敏感性来研究参数对模型的影响，研究发现降雨量对模型的输出影响较大，而当RH达到CRH (临界相对湿度) 时，RH的变化可能对模型输出没有显着影响.Zhi等[53]以国家环境腐蚀平台10个试验点Q235钢的大气腐蚀数据为研究样本，其中腐蚀数据包括年平均RH、SO2、Cl-、pH值、年平均温度 (体温)、硫酸盐、NO2、海盐离子、降雨强度 (降雨量)、H2S、水溶性离子 (水溶性) 和非水溶性离子 (非水溶性) 等参量，对比分析了RF和Spearman 系数计算相结合的混合方法、最大信息系数 (MIC) 和主成分分析 (PCA) 方法在识别关键环境因子方面的作用，进一步将识别出的关键因素作为输入参数，建立了支持向量回归 (SVR) 腐蚀预测模型，并与以所有的12个环境参量作为输入量的SVR模型的预测效果进行了比较.结果表明：RF和Spearman系数计算相结合的混合方法在识别关键环境因子和降低输入数据的维数方面均要优于最大信息系数 (MIC) 和主成分分析 (PCA) 方法；其中不同的暴露年限，对大气腐蚀起作用的关键因素并不相同，第1年，Q235钢大气腐蚀的关键环境因素为：RH、pH、降雨量、SO2、水溶性、NO2和非水溶性；第2年，Q235钢大气腐蚀的关键环境因素为：年平均温度 (TEMP)、RH、SO2、NO2、pH、非水溶性和海盐；第5年，Q235钢大气腐蚀的关键环境因素为：RH、年平均温度 (TEMP)、pH、Cl-、水溶性和海盐；第8年，Q235钢大气腐蚀的关键环境因素为：RH、TEMP、pH、Cl-、水溶性和非水溶性；与使用所有12个环境因素作为输入量的SVR模型相比，以关键环境因素作为输入量的SVR模型的预测结果具有更高的准确性和泛化性. ...
... 近年来，国内外学者在研究大气腐蚀方面开展了大量的工作，所采用的机器学习算法也较为广泛.目前对大气腐蚀影响因素权重分析主要采用的机器学习算法是灰关联分析法和基于神经网络的优化算法[18,51,52]，也有部分学者采用基于随机森林的优化算法进行预测分析[53]，并且动态监测各因素对大气腐蚀的影响也是未来的一个研究趋势[54]；研究表明，相对湿度、温度以及腐蚀时间等因素在大气腐蚀中发挥着至关重要的作用[18,50~55]；而对于大气腐蚀速率预测的研究目前还没有统一的机器学习算法，有部分学者采用基于人工神经网络的优化算法、基于随机森林的优化算法、支持向量回归、灰色模型GM (1，1) 等算法对大气腐蚀速率进行研究[18,50~55]. ...
碳钢、低合金钢大气腐蚀的灰色模型预测及灰色关联分析
2
2006
... 国内外学者通过机器学习分析环境因素和时间因素对大气腐蚀的影响开展了大量的工作.马小彦等[50]以我国大气腐蚀网站积累的环境、气象因素以及碳钢和低合金钢1、2、4、8 a腐蚀速率数据为研究样本，建立了BP神经网络模型，其中预测模型1以年平均温度、年平均相对湿度、年RH>80%时数、年降水量、年降雨日数、年日照时数、Cl-浓度、SO2浓度、NO2浓度、雨水pH值以及腐蚀时间为输入量，以金属平均腐蚀速率为输出量；预测模型2采用彼此关联性小的年平均温度、年平均相对湿度、年RH>80%时数、Cl-浓度、SO2浓度、雨水pH以及腐蚀时间为输入量，以金属平均腐蚀速率为输出量.结果表明：两种预测模型的预测结果与实际值基本一致，其中预测模型1的预测效果要优于预测模型2，造成这一结果的原因可能是预测模型2中所采用的输入变量较少或者训练样本的准确性和代表性不充分.王海涛等[51]以国家大气腐蚀站7个地区的17种碳钢、低合金钢在腐蚀1、2、4、8 a的腐蚀数据为研究样本，基于灰色模型GM (1，1) 对碳钢、低合金钢的大气腐蚀速率建立了预测模型，并利用灰关联分析方法研究了12号钢和12CrMnCu环境因素对大气腐蚀影响的程度，结果表明，相对湿度RH>80%的年时数、RH、温度是影响大气腐蚀的主要因素，并且该模型预测精度较高.Ji等[52]以7个城市测试站8 a的耐候钢 (Cor-ten A) 平均腐蚀速率数据为研究样本，利用灰关联分析法分析了大气环境各因素的灰关联等级排序，并选取影响最大的六个环境因素作为预测模型的环境调整因素，对比了改进的大气腐蚀预测模型和Dawn模型的拟合结果，结果表明：各因素的灰关联等级排序为：湿润时间>SO2>RH>Cl->降雨量>温度>NO2>日照，并且改进的大气腐蚀预测模型比Dawn模型具有更好的拟合效果和鲁棒性，改进的大气腐蚀预测模型的R2 (0.983) 也高于Dawn模型的R2 (0.881).为了进一步对比分析两个模型的预测性能，Ji等[52]以5个城市16 a的耐候钢 (Cor-ten B) 大气腐蚀数据为样本，利用8 a的腐蚀数据调整模型参数，然后预测16 a的腐蚀损失，对比了改进的大气腐蚀预测模型和Dawn模型的预测误差，并利用Sobol方法对改进的大气腐蚀预测模型进行了模型敏感性分析.结果表明：改进的大气腐蚀预测模型的腐蚀损失预测相对误差比较稳定，且保持在较低水平，每个城市的平均相对误差在7%~30%之间，而Dawn模型的相对误差范围在8%~59%之间，波动较大；Dawn模型的平均相对误差 (30%) 也明显高于改进的大气腐蚀预测模型 (19%)；通过计算每个参数对腐蚀模型的敏感性来研究参数对模型的影响，研究发现降雨量对模型的输出影响较大，而当RH达到CRH (临界相对湿度) 时，RH的变化可能对模型输出没有显着影响.Zhi等[53]以国家环境腐蚀平台10个试验点Q235钢的大气腐蚀数据为研究样本，其中腐蚀数据包括年平均RH、SO2、Cl-、pH值、年平均温度 (体温)、硫酸盐、NO2、海盐离子、降雨强度 (降雨量)、H2S、水溶性离子 (水溶性) 和非水溶性离子 (非水溶性) 等参量，对比分析了RF和Spearman 系数计算相结合的混合方法、最大信息系数 (MIC) 和主成分分析 (PCA) 方法在识别关键环境因子方面的作用，进一步将识别出的关键因素作为输入参数，建立了支持向量回归 (SVR) 腐蚀预测模型，并与以所有的12个环境参量作为输入量的SVR模型的预测效果进行了比较.结果表明：RF和Spearman系数计算相结合的混合方法在识别关键环境因子和降低输入数据的维数方面均要优于最大信息系数 (MIC) 和主成分分析 (PCA) 方法；其中不同的暴露年限，对大气腐蚀起作用的关键因素并不相同，第1年，Q235钢大气腐蚀的关键环境因素为：RH、pH、降雨量、SO2、水溶性、NO2和非水溶性；第2年，Q235钢大气腐蚀的关键环境因素为：年平均温度 (TEMP)、RH、SO2、NO2、pH、非水溶性和海盐；第5年，Q235钢大气腐蚀的关键环境因素为：RH、年平均温度 (TEMP)、pH、Cl-、水溶性和海盐；第8年，Q235钢大气腐蚀的关键环境因素为：RH、TEMP、pH、Cl-、水溶性和非水溶性；与使用所有12个环境因素作为输入量的SVR模型相比，以关键环境因素作为输入量的SVR模型的预测结果具有更高的准确性和泛化性. ...
... 近年来，国内外学者在研究大气腐蚀方面开展了大量的工作，所采用的机器学习算法也较为广泛.目前对大气腐蚀影响因素权重分析主要采用的机器学习算法是灰关联分析法和基于神经网络的优化算法[18,51,52]，也有部分学者采用基于随机森林的优化算法进行预测分析[53]，并且动态监测各因素对大气腐蚀的影响也是未来的一个研究趋势[54]；研究表明，相对湿度、温度以及腐蚀时间等因素在大气腐蚀中发挥着至关重要的作用[18,50~55]；而对于大气腐蚀速率预测的研究目前还没有统一的机器学习算法，有部分学者采用基于人工神经网络的优化算法、基于随机森林的优化算法、支持向量回归、灰色模型GM (1，1) 等算法对大气腐蚀速率进行研究[18,50~55]. ...
An improved atmospheric corrosion prediction model considering various environmental factors
3
2021
... 国内外学者通过机器学习分析环境因素和时间因素对大气腐蚀的影响开展了大量的工作.马小彦等[50]以我国大气腐蚀网站积累的环境、气象因素以及碳钢和低合金钢1、2、4、8 a腐蚀速率数据为研究样本，建立了BP神经网络模型，其中预测模型1以年平均温度、年平均相对湿度、年RH>80%时数、年降水量、年降雨日数、年日照时数、Cl-浓度、SO2浓度、NO2浓度、雨水pH值以及腐蚀时间为输入量，以金属平均腐蚀速率为输出量；预测模型2采用彼此关联性小的年平均温度、年平均相对湿度、年RH>80%时数、Cl-浓度、SO2浓度、雨水pH以及腐蚀时间为输入量，以金属平均腐蚀速率为输出量.结果表明：两种预测模型的预测结果与实际值基本一致，其中预测模型1的预测效果要优于预测模型2，造成这一结果的原因可能是预测模型2中所采用的输入变量较少或者训练样本的准确性和代表性不充分.王海涛等[51]以国家大气腐蚀站7个地区的17种碳钢、低合金钢在腐蚀1、2、4、8 a的腐蚀数据为研究样本，基于灰色模型GM (1，1) 对碳钢、低合金钢的大气腐蚀速率建立了预测模型，并利用灰关联分析方法研究了12号钢和12CrMnCu环境因素对大气腐蚀影响的程度，结果表明，相对湿度RH>80%的年时数、RH、温度是影响大气腐蚀的主要因素，并且该模型预测精度较高.Ji等[52]以7个城市测试站8 a的耐候钢 (Cor-ten A) 平均腐蚀速率数据为研究样本，利用灰关联分析法分析了大气环境各因素的灰关联等级排序，并选取影响最大的六个环境因素作为预测模型的环境调整因素，对比了改进的大气腐蚀预测模型和Dawn模型的拟合结果，结果表明：各因素的灰关联等级排序为：湿润时间>SO2>RH>Cl->降雨量>温度>NO2>日照，并且改进的大气腐蚀预测模型比Dawn模型具有更好的拟合效果和鲁棒性，改进的大气腐蚀预测模型的R2 (0.983) 也高于Dawn模型的R2 (0.881).为了进一步对比分析两个模型的预测性能，Ji等[52]以5个城市16 a的耐候钢 (Cor-ten B) 大气腐蚀数据为样本，利用8 a的腐蚀数据调整模型参数，然后预测16 a的腐蚀损失，对比了改进的大气腐蚀预测模型和Dawn模型的预测误差，并利用Sobol方法对改进的大气腐蚀预测模型进行了模型敏感性分析.结果表明：改进的大气腐蚀预测模型的腐蚀损失预测相对误差比较稳定，且保持在较低水平，每个城市的平均相对误差在7%~30%之间，而Dawn模型的相对误差范围在8%~59%之间，波动较大；Dawn模型的平均相对误差 (30%) 也明显高于改进的大气腐蚀预测模型 (19%)；通过计算每个参数对腐蚀模型的敏感性来研究参数对模型的影响，研究发现降雨量对模型的输出影响较大，而当RH达到CRH (临界相对湿度) 时，RH的变化可能对模型输出没有显着影响.Zhi等[53]以国家环境腐蚀平台10个试验点Q235钢的大气腐蚀数据为研究样本，其中腐蚀数据包括年平均RH、SO2、Cl-、pH值、年平均温度 (体温)、硫酸盐、NO2、海盐离子、降雨强度 (降雨量)、H2S、水溶性离子 (水溶性) 和非水溶性离子 (非水溶性) 等参量，对比分析了RF和Spearman 系数计算相结合的混合方法、最大信息系数 (MIC) 和主成分分析 (PCA) 方法在识别关键环境因子方面的作用，进一步将识别出的关键因素作为输入参数，建立了支持向量回归 (SVR) 腐蚀预测模型，并与以所有的12个环境参量作为输入量的SVR模型的预测效果进行了比较.结果表明：RF和Spearman系数计算相结合的混合方法在识别关键环境因子和降低输入数据的维数方面均要优于最大信息系数 (MIC) 和主成分分析 (PCA) 方法；其中不同的暴露年限，对大气腐蚀起作用的关键因素并不相同，第1年，Q235钢大气腐蚀的关键环境因素为：RH、pH、降雨量、SO2、水溶性、NO2和非水溶性；第2年，Q235钢大气腐蚀的关键环境因素为：年平均温度 (TEMP)、RH、SO2、NO2、pH、非水溶性和海盐；第5年，Q235钢大气腐蚀的关键环境因素为：RH、年平均温度 (TEMP)、pH、Cl-、水溶性和海盐；第8年，Q235钢大气腐蚀的关键环境因素为：RH、TEMP、pH、Cl-、水溶性和非水溶性；与使用所有12个环境因素作为输入量的SVR模型相比，以关键环境因素作为输入量的SVR模型的预测结果具有更高的准确性和泛化性. ...
... [52]以5个城市16 a的耐候钢 (Cor-ten B) 大气腐蚀数据为样本，利用8 a的腐蚀数据调整模型参数，然后预测16 a的腐蚀损失，对比了改进的大气腐蚀预测模型和Dawn模型的预测误差，并利用Sobol方法对改进的大气腐蚀预测模型进行了模型敏感性分析.结果表明：改进的大气腐蚀预测模型的腐蚀损失预测相对误差比较稳定，且保持在较低水平，每个城市的平均相对误差在7%~30%之间，而Dawn模型的相对误差范围在8%~59%之间，波动较大；Dawn模型的平均相对误差 (30%) 也明显高于改进的大气腐蚀预测模型 (19%)；通过计算每个参数对腐蚀模型的敏感性来研究参数对模型的影响，研究发现降雨量对模型的输出影响较大，而当RH达到CRH (临界相对湿度) 时，RH的变化可能对模型输出没有显着影响.Zhi等[53]以国家环境腐蚀平台10个试验点Q235钢的大气腐蚀数据为研究样本，其中腐蚀数据包括年平均RH、SO2、Cl-、pH值、年平均温度 (体温)、硫酸盐、NO2、海盐离子、降雨强度 (降雨量)、H2S、水溶性离子 (水溶性) 和非水溶性离子 (非水溶性) 等参量，对比分析了RF和Spearman 系数计算相结合的混合方法、最大信息系数 (MIC) 和主成分分析 (PCA) 方法在识别关键环境因子方面的作用，进一步将识别出的关键因素作为输入参数，建立了支持向量回归 (SVR) 腐蚀预测模型，并与以所有的12个环境参量作为输入量的SVR模型的预测效果进行了比较.结果表明：RF和Spearman系数计算相结合的混合方法在识别关键环境因子和降低输入数据的维数方面均要优于最大信息系数 (MIC) 和主成分分析 (PCA) 方法；其中不同的暴露年限，对大气腐蚀起作用的关键因素并不相同，第1年，Q235钢大气腐蚀的关键环境因素为：RH、pH、降雨量、SO2、水溶性、NO2和非水溶性；第2年，Q235钢大气腐蚀的关键环境因素为：年平均温度 (TEMP)、RH、SO2、NO2、pH、非水溶性和海盐；第5年，Q235钢大气腐蚀的关键环境因素为：RH、年平均温度 (TEMP)、pH、Cl-、水溶性和海盐；第8年，Q235钢大气腐蚀的关键环境因素为：RH、TEMP、pH、Cl-、水溶性和非水溶性；与使用所有12个环境因素作为输入量的SVR模型相比，以关键环境因素作为输入量的SVR模型的预测结果具有更高的准确性和泛化性. ...
... 近年来，国内外学者在研究大气腐蚀方面开展了大量的工作，所采用的机器学习算法也较为广泛.目前对大气腐蚀影响因素权重分析主要采用的机器学习算法是灰关联分析法和基于神经网络的优化算法[18,51,52]，也有部分学者采用基于随机森林的优化算法进行预测分析[53]，并且动态监测各因素对大气腐蚀的影响也是未来的一个研究趋势[54]；研究表明，相对湿度、温度以及腐蚀时间等因素在大气腐蚀中发挥着至关重要的作用[18,50~55]；而对于大气腐蚀速率预测的研究目前还没有统一的机器学习算法，有部分学者采用基于人工神经网络的优化算法、基于随机森林的优化算法、支持向量回归、灰色模型GM (1，1) 等算法对大气腐蚀速率进行研究[18,50~55]. ...
Improving atmospheric corrosion prediction through key environmental factor identification by random forest-based model
2
2021
... 国内外学者通过机器学习分析环境因素和时间因素对大气腐蚀的影响开展了大量的工作.马小彦等[50]以我国大气腐蚀网站积累的环境、气象因素以及碳钢和低合金钢1、2、4、8 a腐蚀速率数据为研究样本，建立了BP神经网络模型，其中预测模型1以年平均温度、年平均相对湿度、年RH>80%时数、年降水量、年降雨日数、年日照时数、Cl-浓度、SO2浓度、NO2浓度、雨水pH值以及腐蚀时间为输入量，以金属平均腐蚀速率为输出量；预测模型2采用彼此关联性小的年平均温度、年平均相对湿度、年RH>80%时数、Cl-浓度、SO2浓度、雨水pH以及腐蚀时间为输入量，以金属平均腐蚀速率为输出量.结果表明：两种预测模型的预测结果与实际值基本一致，其中预测模型1的预测效果要优于预测模型2，造成这一结果的原因可能是预测模型2中所采用的输入变量较少或者训练样本的准确性和代表性不充分.王海涛等[51]以国家大气腐蚀站7个地区的17种碳钢、低合金钢在腐蚀1、2、4、8 a的腐蚀数据为研究样本，基于灰色模型GM (1，1) 对碳钢、低合金钢的大气腐蚀速率建立了预测模型，并利用灰关联分析方法研究了12号钢和12CrMnCu环境因素对大气腐蚀影响的程度，结果表明，相对湿度RH>80%的年时数、RH、温度是影响大气腐蚀的主要因素，并且该模型预测精度较高.Ji等[52]以7个城市测试站8 a的耐候钢 (Cor-ten A) 平均腐蚀速率数据为研究样本，利用灰关联分析法分析了大气环境各因素的灰关联等级排序，并选取影响最大的六个环境因素作为预测模型的环境调整因素，对比了改进的大气腐蚀预测模型和Dawn模型的拟合结果，结果表明：各因素的灰关联等级排序为：湿润时间>SO2>RH>Cl->降雨量>温度>NO2>日照，并且改进的大气腐蚀预测模型比Dawn模型具有更好的拟合效果和鲁棒性，改进的大气腐蚀预测模型的R2 (0.983) 也高于Dawn模型的R2 (0.881).为了进一步对比分析两个模型的预测性能，Ji等[52]以5个城市16 a的耐候钢 (Cor-ten B) 大气腐蚀数据为样本，利用8 a的腐蚀数据调整模型参数，然后预测16 a的腐蚀损失，对比了改进的大气腐蚀预测模型和Dawn模型的预测误差，并利用Sobol方法对改进的大气腐蚀预测模型进行了模型敏感性分析.结果表明：改进的大气腐蚀预测模型的腐蚀损失预测相对误差比较稳定，且保持在较低水平，每个城市的平均相对误差在7%~30%之间，而Dawn模型的相对误差范围在8%~59%之间，波动较大；Dawn模型的平均相对误差 (30%) 也明显高于改进的大气腐蚀预测模型 (19%)；通过计算每个参数对腐蚀模型的敏感性来研究参数对模型的影响，研究发现降雨量对模型的输出影响较大，而当RH达到CRH (临界相对湿度) 时，RH的变化可能对模型输出没有显着影响.Zhi等[53]以国家环境腐蚀平台10个试验点Q235钢的大气腐蚀数据为研究样本，其中腐蚀数据包括年平均RH、SO2、Cl-、pH值、年平均温度 (体温)、硫酸盐、NO2、海盐离子、降雨强度 (降雨量)、H2S、水溶性离子 (水溶性) 和非水溶性离子 (非水溶性) 等参量，对比分析了RF和Spearman 系数计算相结合的混合方法、最大信息系数 (MIC) 和主成分分析 (PCA) 方法在识别关键环境因子方面的作用，进一步将识别出的关键因素作为输入参数，建立了支持向量回归 (SVR) 腐蚀预测模型，并与以所有的12个环境参量作为输入量的SVR模型的预测效果进行了比较.结果表明：RF和Spearman系数计算相结合的混合方法在识别关键环境因子和降低输入数据的维数方面均要优于最大信息系数 (MIC) 和主成分分析 (PCA) 方法；其中不同的暴露年限，对大气腐蚀起作用的关键因素并不相同，第1年，Q235钢大气腐蚀的关键环境因素为：RH、pH、降雨量、SO2、水溶性、NO2和非水溶性；第2年，Q235钢大气腐蚀的关键环境因素为：年平均温度 (TEMP)、RH、SO2、NO2、pH、非水溶性和海盐；第5年，Q235钢大气腐蚀的关键环境因素为：RH、年平均温度 (TEMP)、pH、Cl-、水溶性和海盐；第8年，Q235钢大气腐蚀的关键环境因素为：RH、TEMP、pH、Cl-、水溶性和非水溶性；与使用所有12个环境因素作为输入量的SVR模型相比，以关键环境因素作为输入量的SVR模型的预测结果具有更高的准确性和泛化性. ...
... 近年来，国内外学者在研究大气腐蚀方面开展了大量的工作，所采用的机器学习算法也较为广泛.目前对大气腐蚀影响因素权重分析主要采用的机器学习算法是灰关联分析法和基于神经网络的优化算法[18,51,52]，也有部分学者采用基于随机森林的优化算法进行预测分析[53]，并且动态监测各因素对大气腐蚀的影响也是未来的一个研究趋势[54]；研究表明，相对湿度、温度以及腐蚀时间等因素在大气腐蚀中发挥着至关重要的作用[18,50~55]；而对于大气腐蚀速率预测的研究目前还没有统一的机器学习算法，有部分学者采用基于人工神经网络的优化算法、基于随机森林的优化算法、支持向量回归、灰色模型GM (1，1) 等算法对大气腐蚀速率进行研究[18,50~55]. ...
Long-term corrosion monitoring of carbon steels and environmental correlation analysis via the random forest method
3
2022
... 近年来，利用动态监测技术获取了大量的大气腐蚀数据，也首度考虑了风速对大气腐蚀的影响，进一步完善和丰富了大气腐蚀的影响因素，使大气腐蚀的预测结果具有更好的说服力和可信度.Li等[54]采用Fe/Cu型电镀 ACM (大气腐蚀监测) 技术，在6个不同的地点对碳钢的大气腐蚀进行了12个月的监测，收集了超过300万个ACM和质量损失数据，基于多维腐蚀数据集 (包括腐蚀速率、质量损失、风速、降雨量、相对湿度、氯化物沉降、温度、SO2、NO2、PM 2.5和PM 10的浓度)，随机选择了整个数据集的90%作为训练集，剩下的10%作为测试集，建立了一个RF模型来预测碳钢在动态气氛下的大气腐蚀.研究表明，所有6个站点中，I ACM的值每天都有很大的波动，这表明与实验室实验相比，大气腐蚀具有高度不稳定性.Li等[54]又深入分析了青岛地区各环境因素对大气腐蚀的影响，在建模过程中，锈层的生长也被认为是一个腐蚀因素，研究发现：测试集和训练集的均方根误差都较小，且R2都达到了0.9以上，RF模型具有较好的预测精度；其中大气腐蚀影响因素中的锈层、风速、降雨量、相对湿度和氯化物浓度在腐蚀过程中发挥了重要作用，并且风速的初始重要性远高于其他因素，然后随着暴露时间的延长，风速对腐蚀的影响逐渐减弱，锈层和氯化物的影响越来越大，降雨量对大气腐蚀的影响与RH相似. ...
... [54]又深入分析了青岛地区各环境因素对大气腐蚀的影响，在建模过程中，锈层的生长也被认为是一个腐蚀因素，研究发现：测试集和训练集的均方根误差都较小，且R2都达到了0.9以上，RF模型具有较好的预测精度；其中大气腐蚀影响因素中的锈层、风速、降雨量、相对湿度和氯化物浓度在腐蚀过程中发挥了重要作用，并且风速的初始重要性远高于其他因素，然后随着暴露时间的延长，风速对腐蚀的影响逐渐减弱，锈层和氯化物的影响越来越大，降雨量对大气腐蚀的影响与RH相似. ...
... 近年来，国内外学者在研究大气腐蚀方面开展了大量的工作，所采用的机器学习算法也较为广泛.目前对大气腐蚀影响因素权重分析主要采用的机器学习算法是灰关联分析法和基于神经网络的优化算法[18,51,52]，也有部分学者采用基于随机森林的优化算法进行预测分析[53]，并且动态监测各因素对大气腐蚀的影响也是未来的一个研究趋势[54]；研究表明，相对湿度、温度以及腐蚀时间等因素在大气腐蚀中发挥着至关重要的作用[18,50~55]；而对于大气腐蚀速率预测的研究目前还没有统一的机器学习算法，有部分学者采用基于人工神经网络的优化算法、基于随机森林的优化算法、支持向量回归、灰色模型GM (1，1) 等算法对大气腐蚀速率进行研究[18,50~55]. ...
Forecast of atmosphere corrosion for aluminum alloys by RBF neural network
3
2009
... 也有部分学者利用机器学习综合分析了材料成分、环境因素、时间因素对大气腐蚀的影响.韩德胜等[55]以铝合金外场大气腐蚀数据为研究样本，以合金元素含量、主要合金元素含量、大气温度、大气相对湿度、大气中Cl-沉降量、HCl浓度、SO3沉降量、SO2浓度、时间等9个参量为输入量，以年腐蚀增重为输出量，将获得的217组数据选取前200组为训练集，后17组为测试集，构建了RBF类型的铝合金腐蚀预测模型.结果表明：该预测模型具有良好的预测精度，并且该预测模型可以随着外场腐蚀数据的增加不断地做更深入的改进.支元杰等[18]以国内6个大气站点的17种低合金钢的409组户外大气腐蚀数据为研究样本，其中17种低合金钢的成分差异由8种化学元素 (Mn、S、P、Si、Cr、Cu、Ni和Fe) 组成，将腐蚀数据按照4:1:2的比例分为训练集、验证集和测试集，并以材料成分、环境因素 (平均相对湿度、平均温度、降雨量、SO2浓度、降雨pH值和氯化物浓度)、暴露时间 (1、2、4、8和16 a) 为输入量，腐蚀速率为输出量，通过基于加权Ｋ近邻的随机森林动态集成选择算法 (RF-WKNNs) 分析了材料成分、环境因素、时间因素对大气腐蚀的影响；又以D36材料在北京试验站户外试验1 a的腐蚀数据为研究样本，深入分析了单个环境变量对腐蚀的影响，从408组腐蚀数据随机选取306组作为训练集，102组作为验证集，绘制了单个环境变量值变化时的腐蚀速率预测曲线；最后综合对比分析了人工神经网络 (ANN)、支持向量回归 (SVR)、线性回归 (LR)、RF、RF-KNNs、RF-KWNNs、cForest (基于随机森林的多粒度级联森林模型)、DCGF (全连接级联森林模型)、DCCF-WKNNs (全连接级联动态集成选择森林算法) 等不同算法的拟合结果和泛化结果.研究发现：在大气腐蚀的初期阶段，环境因素对大气腐蚀的影响较大，但随着时间的增长，环境因素对大气腐蚀的影响的逐渐降低，材料自身对大气腐蚀的影响则逐渐增大；又深入分析了各环境因素对大气腐蚀的影响程度，结果表明：pH在所有时间段内都是最重要的；在大气腐蚀初期阶段，大气污染物 (SO2和Cl-) 对腐蚀的影响程度比气象因素 (温度和湿度) 更强烈，尤其是SO2的作用；在大气腐蚀稳定阶段，pH对腐蚀的影响高于气象因素 (温度、湿度) 和Cl-，SO2的作用相对较小；由绘制的单个环境变量值变化时的腐蚀速率预测曲线可知每个变量的阈值，并在该阈值上腐蚀速率急剧变化；综合考虑ANN、SVR、LR、RF、RF-KNNs、RF-KWNNs、cForest、DCGF、DCCF-WKNNs等算法的拟合结果和泛化结果，DCCF-WKNNs模型在预测腐蚀速率方面均要优于其他模型，该模型不仅可以在所有时间段上取得最优的预测效果，而且在预测长期腐蚀领域具有十分优异的性能. ...
... 近年来，国内外学者在研究大气腐蚀方面开展了大量的工作，所采用的机器学习算法也较为广泛.目前对大气腐蚀影响因素权重分析主要采用的机器学习算法是灰关联分析法和基于神经网络的优化算法[18,51,52]，也有部分学者采用基于随机森林的优化算法进行预测分析[53]，并且动态监测各因素对大气腐蚀的影响也是未来的一个研究趋势[54]；研究表明，相对湿度、温度以及腐蚀时间等因素在大气腐蚀中发挥着至关重要的作用[18,50~55]；而对于大气腐蚀速率预测的研究目前还没有统一的机器学习算法，有部分学者采用基于人工神经网络的优化算法、基于随机森林的优化算法、支持向量回归、灰色模型GM (1，1) 等算法对大气腐蚀速率进行研究[18,50~55]. ...
... ~55]. ...
用RBF人工神经网络构建铝合金大气腐蚀预测模型
3
2009
... 也有部分学者利用机器学习综合分析了材料成分、环境因素、时间因素对大气腐蚀的影响.韩德胜等[55]以铝合金外场大气腐蚀数据为研究样本，以合金元素含量、主要合金元素含量、大气温度、大气相对湿度、大气中Cl-沉降量、HCl浓度、SO3沉降量、SO2浓度、时间等9个参量为输入量，以年腐蚀增重为输出量，将获得的217组数据选取前200组为训练集，后17组为测试集，构建了RBF类型的铝合金腐蚀预测模型.结果表明：该预测模型具有良好的预测精度，并且该预测模型可以随着外场腐蚀数据的增加不断地做更深入的改进.支元杰等[18]以国内6个大气站点的17种低合金钢的409组户外大气腐蚀数据为研究样本，其中17种低合金钢的成分差异由8种化学元素 (Mn、S、P、Si、Cr、Cu、Ni和Fe) 组成，将腐蚀数据按照4:1:2的比例分为训练集、验证集和测试集，并以材料成分、环境因素 (平均相对湿度、平均温度、降雨量、SO2浓度、降雨pH值和氯化物浓度)、暴露时间 (1、2、4、8和16 a) 为输入量，腐蚀速率为输出量，通过基于加权Ｋ近邻的随机森林动态集成选择算法 (RF-WKNNs) 分析了材料成分、环境因素、时间因素对大气腐蚀的影响；又以D36材料在北京试验站户外试验1 a的腐蚀数据为研究样本，深入分析了单个环境变量对腐蚀的影响，从408组腐蚀数据随机选取306组作为训练集，102组作为验证集，绘制了单个环境变量值变化时的腐蚀速率预测曲线；最后综合对比分析了人工神经网络 (ANN)、支持向量回归 (SVR)、线性回归 (LR)、RF、RF-KNNs、RF-KWNNs、cForest (基于随机森林的多粒度级联森林模型)、DCGF (全连接级联森林模型)、DCCF-WKNNs (全连接级联动态集成选择森林算法) 等不同算法的拟合结果和泛化结果.研究发现：在大气腐蚀的初期阶段，环境因素对大气腐蚀的影响较大，但随着时间的增长，环境因素对大气腐蚀的影响的逐渐降低，材料自身对大气腐蚀的影响则逐渐增大；又深入分析了各环境因素对大气腐蚀的影响程度，结果表明：pH在所有时间段内都是最重要的；在大气腐蚀初期阶段，大气污染物 (SO2和Cl-) 对腐蚀的影响程度比气象因素 (温度和湿度) 更强烈，尤其是SO2的作用；在大气腐蚀稳定阶段，pH对腐蚀的影响高于气象因素 (温度、湿度) 和Cl-，SO2的作用相对较小；由绘制的单个环境变量值变化时的腐蚀速率预测曲线可知每个变量的阈值，并在该阈值上腐蚀速率急剧变化；综合考虑ANN、SVR、LR、RF、RF-KNNs、RF-KWNNs、cForest、DCGF、DCCF-WKNNs等算法的拟合结果和泛化结果，DCCF-WKNNs模型在预测腐蚀速率方面均要优于其他模型，该模型不仅可以在所有时间段上取得最优的预测效果，而且在预测长期腐蚀领域具有十分优异的性能. ...
... 近年来，国内外学者在研究大气腐蚀方面开展了大量的工作，所采用的机器学习算法也较为广泛.目前对大气腐蚀影响因素权重分析主要采用的机器学习算法是灰关联分析法和基于神经网络的优化算法[18,51,52]，也有部分学者采用基于随机森林的优化算法进行预测分析[53]，并且动态监测各因素对大气腐蚀的影响也是未来的一个研究趋势[54]；研究表明，相对湿度、温度以及腐蚀时间等因素在大气腐蚀中发挥着至关重要的作用[18,50~55]；而对于大气腐蚀速率预测的研究目前还没有统一的机器学习算法，有部分学者采用基于人工神经网络的优化算法、基于随机森林的优化算法、支持向量回归、灰色模型GM (1，1) 等算法对大气腐蚀速率进行研究[18,50~55]. ...
... ~55]. ...
