支持向量回归预测不锈钢的点蚀电位

doi:10.12066/j.issn.1007-2861.2378

上海大学学报(自然科学版) ›› 2022, Vol. 28 ›› Issue (3): 485-491.doi: 10.12066/j.issn.1007-2861.2378

支持向量回归预测不锈钢的点蚀电位

麦嘉琪¹, 徐鹏程², 丁松³, 孙阳庭⁴, 陆文聪¹^,²()

1.上海大学理学院, 上海 200444
2.上海大学材料基因组工程研究院材料信息与数据科学中心, 上海 200444
3.上海大学计算机工程与科学学院, 上海 200444
4.复旦大学材料科学系, 上海 200433

收稿日期:2022-03-15 出版日期:2022-06-30 发布日期:2022-05-27
通讯作者: 陆文聪 E-mail:wclu@shu.edu.cn
作者简介:陆文聪(1964—), 男, 教授, 博士生导师, 博士, 研究方向为材料信息学、机器学习. E-mail: wclu@shu.edu.cn
基金资助:
国家重点研发计划资助项目(2018YFB0704400);云南省重大科技专项资助项目(202002AB080001-2);之江实验室科研攻关资助项目(2021PE0AC02)

Prediction of pitting potential for stainless steel by support vector regression

MAI Jiaqi¹, XU Pengcheng², DING Song³, SUN Yangting⁴, LU Wencong¹^,²()

1. College of Sciences, Shanghai University, Shanghai 200444, China
2. Center of Materials Informatics and Data Science, Materials Genome Institute, Shanghai University, Shanghai 200444, China
3. School of Computer Engineering and Science, Shanghai University, Shanghai 200444, China
4. Department of Materials Science, Fudan University, Shanghai 200433, China

Received:2022-03-15 Online:2022-06-30 Published:2022-05-27
Contact: LU Wencong E-mail:wclu@shu.edu.cn

摘要/Abstract

摘要：

点蚀是不锈钢的主要腐蚀类型之一, 常用点蚀电位来评价不锈钢腐蚀的难易程度. 点蚀电位会受到多方面因素的影响. 基于不锈钢的元素成分和工艺参数, 采用支持向量回归(support vector regression, SVR)算法建立了预测点蚀电位的模型. 结果表明: 独立测试集的相关系数达到 0.97, 均方根误差(root mean square error, RMSE)仅为 0.07; 通过 Pearson 相关分析和敏感性分析, 元素 Cr、Mo 的含量和温度对点蚀电位的影响较大; 当存在少量稀土元素时可以提高不锈钢的抗腐蚀能力.

关键词: 不锈钢, 点蚀电位, 机器学习

Abstract:

Pitting corrosion is a primary corrosion type of stainless steel, and pitting potential is often used to evaluate the difficulty of corrosion of stainless steel. The pitting potential is affected by many factors. Based on the elemental composition and process parameters of stainless steel, support vector regression (SVR) was used to establish a model for predicting the pitting potential. The results showed that the correlation coefficient of the independent test set could reach 0.97 with the corresponding root mean square error (RMSE) of only 0.07. From the Pearson correlation analysis and sensitivity analysis, the element contents of Cr and Mo and the temperature had a crucial influence on the pitting potential, and a small amount of rare earth elements could improve the corrosion resistance of stainless steel.

Key words: stainless steel, pitting potential, machine learning (ML)

中图分类号:

TP 391

麦嘉琪, 徐鹏程, 丁松, 孙阳庭, 陆文聪. 支持向量回归预测不锈钢的点蚀电位[J]. 上海大学学报(自然科学版), 2022, 28(3): 485-491.

MAI Jiaqi, XU Pengcheng, DING Song, SUN Yangting, LU Wencong. Prediction of pitting potential for stainless steel by support vector regression[J]. Journal of Shanghai University（Natural Science Edition）, 2022, 28(3): 485-491.

图/表 8

图1

表1

表2

图2

图3

图4

图5

图6

参考文献 17

[1]	纪开强, 何兆如, 闫晓波, 等. 试验条件对动电位极化曲线测量不锈钢点蚀电位的影响[J]. 腐蚀与防护, 2021, 42(9): 7-10, 60.
[2]	邢易, 李树枝. 基于随机森林的点蚀电位预测[J]. 电焊机, 2020, 50(5): 45-49, 135.
[3]	田文明, 杜楠, 赵晴. 电子散斑干涉技术测量304 不锈钢点蚀电位的方法研究[J]. 中国腐蚀与防护学报, 2012, 32(5): 431-436.
[4]	纪开强, 李光福. 不锈钢点蚀电位测试标准及测试参数影响的研究[C]// 2020 第七届海洋材料与腐蚀防护大会暨 2020 第一届钢筋混凝土耐久性与设施服役安全大会摘要集. 2020: 128.
[5]	戴明杰, 刘静, 黄峰, 等. 基于正交方法研究阴极保护电位波动下 X100 管线钢的点蚀行为[J]. 中国腐蚀与防护学报, 2020, 40(5): 425-431.
[6]	樊学华, 于勇, 张子如, 等. 316L 奥氏体不锈钢在不同电位下的点蚀和再钝化行为研究[J]. 表面技术, 2020, 49(7): 287-293, 318.
[7]	陈越峰. Z3CN20.09M 不锈钢中 G 相对点蚀性能的影响[D]. 北京: 北京科技大学, 2019.
[8]	Tao Q L, Lu T, Sheng Y, et al. Machine learning aided design of perovskite oxide materials for photocatalytic water splitting[J]. Journal of Energy Chemistry, 2021, 60(9): 351-359. doi: 10.1016/j.jechem.2021.01.035
[9]	Yang C, Ren C, Jia Y F, et al. A machine learning-based alloy design system to facilitate the rational design of high entropy alloys with enhanced hardness[J]. Acta Materialia, 2022, 222: 117431. doi: 10.1016/j.actamat.2021.117431
[10]	陆文聪, 李国正, 刘亮, 等. 化学数据挖掘方法与应用[M]. 北京: 化学工业出版社, 2012.
[11]	邱彤. 基于支持向量回归估计算法的小样本集回归分析[J]. 现代化工, 2004, 24(S2): 160-162.
[12]	王志伟. 445J2 超纯铁素体不锈钢腐蚀行为研究[D]. 太原: 太原理工大学, 2021.
[13]	赵迪, 李光福, 纪开强, 等. 乏燃料池用 S32101/ER2209 双相不锈钢焊接板的点蚀行为[J]. 腐蚀与防护, 2019, 40(12): 861-870.
[14]	黄嘉琥, 付逸芳. 耐点蚀当量(PRE)与压力容器用超级不锈钢[J]. 压力容器, 2013, 30(4): 41-50.
[15]	金玉婷, 纪开强, 胡俊, 等. 环境因素对两种不锈钢在模拟海水中点蚀行为的影响[J]. 腐蚀与防护, 2018, 39(09): 663-667, 672.
[16]	熊刚. 稀土 La 和 Cu 对 S32205 双相不锈钢中夹杂物及其致点蚀微区活性的影响[D]. 武汉: 武汉科技大学, 2021.
[17]	吕嗣轩. 稀土元素 Ce/Y 对 Cf/5056Al 复合材料力学性能和耐腐蚀性能的影响[D]. 哈尔滨: 哈尔滨工业大学, 2021.

支持向量回归预测不锈钢的点蚀电位

Prediction of pitting potential for stainless steel by support vector regression

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 17

相关文章 13

编辑推荐

Metrics

本文评价

[1]	岳溪朝, 冯燕, 刘健, 于烨泳, 席慷杰, 钱权. 材料基因组工程专用数据库[J]. 上海大学学报(自然科学版), 2022, 28(3): 399-412.
[2]	胡瑞, 刘庆, 张光捷, 李俊杰, 陈晓玉, 魏晓, 戴东波. 基于特征工程和机器学习的铝基高熵合金稳定性预测[J]. 上海大学学报(自然科学版), 2022, 28(3): 476-484.
[3]	武星, 胡明涛, 丁鹏. 陶瓷涂层材料多模态数据表征学习[J]. 上海大学学报(自然科学版), 2022, 28(3): 492-503.
[4]	陈水洲, 王晓书, 欧阳求保, 钱权. 数据驱动的铝基复合材料性能预测和逆向设计[J]. 上海大学学报(自然科学版), 2022, 28(3): 512-522.
[5]	陶立, 朱杰江, 蔡洪浩. 基于经典机器学习的墙柱施工图图像识别[J]. 上海大学学报(自然科学版), 2021, 27(5): 940-949.
[6]	李一航, 肖斌, 唐宇超, 刘馥, 王小梦, 刘轶. 尖晶石氧化物能量和结构的第一性原理计算和机器学习[J]. 上海大学学报(自然科学版), 2021, 27(4): 635-649.
[7]	游洋, 杜婉, 李惟驹, 陈竞哲. 基于机器学习方法的二维材料带隙预测[J]. 上海大学学报(自然科学版), 2020, 26(5): 824-833.
[8]	危志强, 陈湘茹, 仲红刚, 翟启杰. N 含量对 Fe-21Cr-3Ni-1Mo-N 双相不锈钢组织的影响[J]. 上海大学学报(自然科学版), 2018, 24(6): 955-960.
[9]	夏爽, 周邦新. 快中子增殖反应堆燃料元件包壳材料的晶界工程技术应用展望[J]. 上海大学学报(自然科学版), 2015, 21(2): 152-159.
[10]	石璐璐, 马正欢, 崔世云, 李钧, 肖学山, 赵钧良. 新型节镍Cr22双相不锈钢中铜的作用[J]. 上海大学学报(自然科学版), 2011, 17(6): 768-773.
[11]	马世伟,袁康. SUS306不锈钢平均晶粒尺寸的超声无损检测及其评价[J]. 上海大学学报(自然科学版), 2010, 16(2): 125-129.
[12]	罗鑫,夏爽,李慧,周邦新,陈文觉. 晶界特征分布对304不锈钢应力腐蚀开裂的影响[J]. 上海大学学报(自然科学版), 2010, 16(2): 177-182.
[13]	肖学山;李钧;江来珠;赵钧良. 00Cr25Ni2Mo3Mn10N高氮超级双相不锈钢的组织和性能[J]. 上海大学学报(自然科学版), 2008, 14(5): 472-474 .