材料腐蚀大数据建模与预测新技术

大气环境腐蚀对基础设施、交通、能源等诸多行业的影响广泛，每年全球因腐蚀造成的损失高达数万亿美元。大气腐蚀过程极其复杂，受多种高度动态的环境因素及其耦合作用影响，难以基于传统物理模型实现准确的建模分析与预测仿真。针对这一问题，国家材料腐蚀与防护科学数据中心利用腐蚀大数据传感器监测腐蚀动态过程，在收集海量腐蚀数据及耦合环境数据基础上，利用机器学习建模方法深入挖掘腐蚀行为与环境因素的复杂作用关系。

结合长周期腐蚀野外观测实验数据与全国800余个城市的气象数据，开展数据降维映射与机器学习建模研究，绘制了常用金属、高分子材料和有机涂层材料大气环境腐蚀老化失效预测地图。研发了系列化的腐蚀监测传感器产品，开展典型自然环境和工业应用场景的高通量腐蚀监测，基于随机森林等相关性-因果性机器学习方法，高效处理海量腐蚀监测大数据，建立模拟腐蚀萌生发展动力学过程的随机森林迭代模型，实现多环境动态耦合作用下大气腐蚀的实时精准预测。同时通过腐蚀大数据采集与分析结果，对已有大数据分析技术进行总结和改进，提出了基于随机森林模型的关键环境因子识别和数据降维方法，优化大气腐蚀预测的机器学习模型。与最大信息系数（MIC）和主成分分析（PCA）相比，在支持向量回归（SVR）建模之前，通过结合随机森林（RF）和Spearman相关分析的混合方法降低数据集的维数。采用混合方法识别的关键环境因子作为输入参数，SVR模型比MIC和PCA降维模型具有更高的精度，降维也显著提高了SVR模型的准确性和泛化性。

研究成果已申请授权国家发明专利55项，制定国家标准3项，参编国家标准2项，行业标准65项。获国家科技进步奖二等奖，各类省部级奖励12项等。

图1为天宫一号提供腐蚀安全性能评估服务

图2为“一带一路”中马友谊大桥、“冬奥大跳台”耐蚀新品种等国家重点工程项目提供支持