基于综合智能模型的碳钢大气腐蚀重要变量提取和依赖关系挖掘

TG172.3; 针对碳钢在大气腐蚀过程中影响变量多且作用机制复杂的问题,提出一种基于综合智能模型的重要变量挖掘框架,利用该框架可以挖掘影响碳钢早期大气腐蚀的重要环境变量及其对腐蚀电偶电流产生的影响.本文通过大气腐蚀监测仪(ACM)收集了我国5个试验站点的大气腐蚀数据,首先,构建了随机森林(RF)、梯度提升回归树(GBRT)和BP神经网络(BPNN)三种机器学习模型;其次,利用多模型集成重要变量选择算法(MEIVS)量化环境变量的重要性并提取影响碳钢早期大气腐蚀的重要环境变量;最后,绘制了环境变量与腐蚀电偶电流的局部依赖曲线(PDP).仿真结果显示,MEIVS算法挖掘出的重要环境变量更符合大气...

Full description

Saved in:
Bibliographic Details
Published in工程科学学报 Vol. 45; no. 3; pp. 407 - 418
Main Authors 张明, 付冬梅, 张达威, 马菱薇, 邵立珍
Format Journal Article
LanguageChinese
Published 北京科技大学自动化学院,北京100083%北京科技大学顺德研究生院,佛山528300 01.03.2023
国家材料腐蚀与防护科学数据中心,北京100083
北京科技大学顺德研究生院,佛山528300
北京市工业波谱成像工程技术研究中心,北京100083%北京科技大学新材料技术研究院,北京100083
Subjects
碳钢
大气腐蚀
局部依赖曲线
模型集成
重要变量提取
Online AccessGet full text
ISSN2095-9389
DOI10.13374/j.issn2095-9389.2022.01.10.007

Cover

More Information
Summary:TG172.3; 针对碳钢在大气腐蚀过程中影响变量多且作用机制复杂的问题,提出一种基于综合智能模型的重要变量挖掘框架,利用该框架可以挖掘影响碳钢早期大气腐蚀的重要环境变量及其对腐蚀电偶电流产生的影响.本文通过大气腐蚀监测仪(ACM)收集了我国5个试验站点的大气腐蚀数据,首先,构建了随机森林(RF)、梯度提升回归树(GBRT)和BP神经网络(BPNN)三种机器学习模型;其次,利用多模型集成重要变量选择算法(MEIVS)量化环境变量的重要性并提取影响碳钢早期大气腐蚀的重要环境变量;最后,绘制了环境变量与腐蚀电偶电流的局部依赖曲线(PDP).仿真结果显示,MEIVS算法挖掘出的重要环境变量更符合大气腐蚀的先验规律;PDP与MEIVS算法的结论具有很好的一致性,重要环境变量对应的PDP的变化幅度大,且PDP的变化趋势能够反映环境变量对腐蚀电偶电流的影响.
ISSN:2095-9389
DOI:10.13374/j.issn2095-9389.2022.01.10.007