基于綜合智能模型的碳鋼大氣腐蝕重要變量提取和依賴關(guān)系挖掘

張 明，付冬梅，張達(dá)威，馬菱薇，邵立珍

1) 北京科技大學(xué)順德研究生院，佛山 528300 2) 北京科技大學(xué)自動(dòng)化學(xué)院，北京 100083 3) 北京市工業(yè)波譜成像工程技術(shù)研究中心，北京 100083 4) 北京科技大學(xué)新材料技術(shù)研究院，北京 100083 5) 國(guó)家材料腐蝕與防護(hù)科學(xué)數(shù)據(jù)中心，北京 100083

碳鋼的大氣腐蝕是一種電解質(zhì)膜下的電化學(xué)反應(yīng)[1].由于腐蝕現(xiàn)象的廣泛存在，并且近年來對(duì)腐蝕過程細(xì)致深入的研究，促使人們對(duì)腐蝕模型不斷提出了更高的精度要求，還希望通過模型可以對(duì)腐蝕現(xiàn)象做出機(jī)理解釋.相對(duì)濕度、溫度以及降雨與液膜厚度的變化相關(guān)，在大氣腐蝕過程中起到重要作用[2–4]，常見的硫化物、氯化物、臭氧、固體顆粒物等污染性雜質(zhì)對(duì)大氣腐蝕也有促進(jìn)作用[5–7].影響腐蝕過程的環(huán)境變量眾多，并且不同的環(huán)境變量之間也會(huì)產(chǎn)生相互作用，使得金屬的大氣腐蝕更加復(fù)雜[8].

傳統(tǒng)的腐蝕掛片法通過把參數(shù)已知的金屬試片放入特定環(huán)境下，計(jì)算暴露期間內(nèi)試樣的質(zhì)量變化來計(jì)算腐蝕速率.ISO 9226—2012標(biāo)準(zhǔn)[9]給出了測(cè)定標(biāo)準(zhǔn)試樣在大氣環(huán)境下腐蝕速率的方法.ISO 9223—2012標(biāo)準(zhǔn)[10]則以相對(duì)濕度（Relative humidity, RH）、溫度（Temperature, T）、SO2沉積速率、Cl–沉積速率的年平均值量化碳鋼等四種材料在第一年的腐蝕速率，并據(jù)此推測(cè)環(huán)境的腐蝕性等級(jí).基于傳統(tǒng)掛片法，支元杰等[11]利用失重法測(cè)得Q235碳鋼在10個(gè)試驗(yàn)地點(diǎn)的腐蝕速率，結(jié)合隨機(jī)森林和斯皮爾曼相關(guān)分析得到影響碳鋼大氣腐蝕的重要環(huán)境變量，并以重要環(huán)境變量作為輸入變量構(gòu)建支持向量回歸模型；Yan等[12]采用統(tǒng)計(jì)方法和機(jī)器學(xué)習(xí)算法分析了合金元素和海洋大氣環(huán)境變量對(duì)低合金鋼腐蝕行為的影響，建立了基于隨機(jī)森林算法的腐蝕速率預(yù)測(cè)模型.然而，腐蝕掛片法試驗(yàn)周期漫長(zhǎng)，所獲試驗(yàn)數(shù)據(jù)量少，無法用以推測(cè)碳鋼的實(shí)時(shí)腐蝕速率.

大氣腐蝕監(jiān)測(cè)儀（Atmospheric corrosion monitor，ACM）[13]通過監(jiān)測(cè)腐蝕電偶電流來定量評(píng)估材料的實(shí)時(shí)腐蝕速率.以Fe/Cu電偶組成的ACM傳感器為例，當(dāng)ACM傳感器表面形成一層液膜時(shí)，F(xiàn)e電偶和Cu電偶之間就會(huì)產(chǎn)生腐蝕電偶電流，腐蝕電偶電流與腐蝕速率具有很強(qiáng)的正相關(guān)關(guān)系，可以定量評(píng)估腐蝕環(huán)境以及材料的腐蝕狀態(tài)[14–15].基于ACM傳感器獲取的腐蝕電偶電流數(shù)據(jù)以及實(shí)時(shí)環(huán)境數(shù)據(jù)，石雅楠等[16]利用皮爾遜相關(guān)分析法確定了溫度、相對(duì)濕度和污染物濃度為影響腐蝕電偶電流的主要環(huán)境變量，提出了用以表征大氣環(huán)境腐蝕強(qiáng)度的腐蝕指數(shù)并建立了腐蝕電偶電流和腐蝕指數(shù)的隱馬爾可夫模型；裴梓博等[17]利用統(tǒng)計(jì)學(xué)的方法研究了相對(duì)濕度、溫度和降雨等環(huán)境變量對(duì)碳鋼早期大氣腐蝕的影響，確定了降雨是影響早期大氣腐蝕的最重要變量.上述方法挖掘出了腐蝕電偶電流與環(huán)境變量的關(guān)系，但不足之處在于：（1）相關(guān)性分析只能得到腐蝕電偶電流和單一環(huán)境變量的二元關(guān)系，沒有考慮其他環(huán)境變量的影響；（2）不能將環(huán)境變量對(duì)腐蝕電偶電流的影響可視化.此外，雖然機(jī)器學(xué)習(xí)模型廣泛應(yīng)用于預(yù)測(cè)特定環(huán)境下的腐蝕速率，但是此類黑箱模型透明性低、模型可解釋性差[18]，阻礙了此類方法在材料腐蝕領(lǐng)域的應(yīng)用.因此，有必要在機(jī)器學(xué)習(xí)模型的基礎(chǔ)上進(jìn)一步挖掘材料腐蝕現(xiàn)象中的因果關(guān)系，增加模型在實(shí)際應(yīng)用中的可靠性.

為了解決材料腐蝕領(lǐng)域中機(jī)器學(xué)習(xí)算法的“黑箱”問題，本文以北京、杭州、武漢、青島、三亞的碳鋼ACM腐蝕數(shù)據(jù)為例，利用多模型集成重要 變 量 選 擇 算 法 （Multi-model ensemble important variable selection, MEIVS）量化不同地區(qū)碳鋼早期大氣腐蝕過程中環(huán)境變量的重要性，并繪制了各個(gè)環(huán)境變量的局部依賴曲線（Partial-dependence plot, PDP），將不同環(huán)境變量對(duì)腐蝕電偶電流的影響可視化.

1 大氣暴露試驗(yàn)

本試驗(yàn)陸續(xù)起始于2018年7月底，結(jié)束于2018年9月初，試驗(yàn)地點(diǎn)為位于中國(guó)北京、杭州、武漢、青島、三亞的五個(gè)野外試驗(yàn)站點(diǎn)，實(shí)驗(yàn)樣品為 45號(hào)鋼，質(zhì)量分?jǐn)?shù)為 C(0.47%)、Mn(0.59%)、Si(0.18%)、 S(0.010%)、 P(0.014%)、 Ni(0.015%)、Cr(0.016%)、Cu(<0.01%)和 Fe(剩余部分).野外試驗(yàn)站點(diǎn)的地理和氣候信息如表1所示.在本研究中，使用大氣腐蝕監(jiān)測(cè)儀來量化大氣環(huán)境中碳鋼的腐蝕速率.ACM由7對(duì)Fe–Cu電偶交替排列組成，每片碳鋼與銅的外部裸露面積為 21 mm × 1 mm，實(shí)驗(yàn)時(shí)均安裝在離地面1 m以上并朝南45°外露.更多關(guān)于ACM的介紹請(qǐng)參考文獻(xiàn)[19].實(shí)驗(yàn)期間通過ACM傳感器獲取采集頻率為1 min–1的電偶電流數(shù)據(jù)，同時(shí)傳感器記錄同一地點(diǎn)的溫度和相對(duì)濕度，降雨、O3、SO2、NO2、PM2.5、PM10等小時(shí)級(jí)環(huán)境數(shù)據(jù)從中國(guó)氣象局獲得.將傳感器數(shù)據(jù)與環(huán)境數(shù)據(jù)統(tǒng)一到最低采樣頻率，即每小時(shí)1次.短期的大氣腐蝕沒有考慮氯化物的影響，因?yàn)槁然锏挠绊懯情L(zhǎng)期的、累積性的，根據(jù)ISO 9225標(biāo)準(zhǔn)，氯化物的沉積速率應(yīng)以干板法每月測(cè)定一次.夏季頻繁的降雨也大大降低了氯化物的沉積速率，減弱了氯化物對(duì)腐蝕的影響[20].

表1 大氣腐蝕試驗(yàn)場(chǎng)地理和氣候信息Table 1 Geographic and climatic information of the atmospheric corrosion test sites

2 算法原理

2.1 MEIVS 算法

MEIVS算法[21]借鑒于排列的思想，以打亂輸入變量在測(cè)試集上的序列后模型預(yù)測(cè)誤差的增加來衡量變量的重要性（圖1）.基于排序的變量重要性度量方法是Breiman通過隨機(jī)森林算法[22]引入的，F(xiàn)isher等[23]將該算法拓展到任意模型.其思路是模型會(huì)更依賴于重要的輸入變量做預(yù)測(cè)，如果打亂某個(gè)輸入變量的序列會(huì)大幅度增加模型的預(yù)測(cè)誤差，這個(gè)輸入變量則被認(rèn)為是重要的；反之，如果打亂某個(gè)輸入變量的序列幾乎不影響的預(yù)測(cè)誤差，這個(gè)輸入變量則被認(rèn)為是不重要的.不同的重要變量提取方法得到的變量重要性得分(Variable importance score, VIS)存在差異，因?yàn)槊糠N方法對(duì)映射輸入變量和輸出變量的底層回歸函數(shù)有不同的假設(shè).為保證結(jié)果的穩(wěn)定性，MEIVS算法組合了隨機(jī)森林 (Random forest, RF)、梯度提升回歸樹 (Gradient boosted regression trees, GBRT)、 BP 神經(jīng)網(wǎng)絡(luò)（Back-propagation neural network, BPNN）三種具有代表性的機(jī)器學(xué)習(xí)算法，使得該算法不依賴于單一的機(jī)器學(xué)習(xí).其中RF和GBRT都屬于決策樹的集成學(xué)習(xí)算法，但RF采用Bagging的計(jì)算策略，GBRT采用Boosting的計(jì)算策略；BPNN采用雙隱層結(jié)構(gòu)，激活函數(shù)采用雙曲正切函數(shù).本文的損失函數(shù)采用的是均方根誤差(Root mean squared error, RMSE):

式中，N為樣本個(gè)數(shù)，y?i為第i個(gè)樣本的預(yù)測(cè)值，yi為第i個(gè)樣本的實(shí)際值.以樣本的80%作為訓(xùn)練集，20%作為測(cè)試集，使用Z-Score標(biāo)準(zhǔn)化方法對(duì)輸入變量進(jìn)行預(yù)處理，經(jīng)過處理的數(shù)據(jù)的均值為0，標(biāo)準(zhǔn)差為1.為便于分析，對(duì)腐蝕電偶電流數(shù)據(jù)做對(duì)數(shù)化處理.記m個(gè)環(huán)境變量的集合為{S1,···,Sm}，最終得到n個(gè)重要環(huán)境變量的集合{X1,···,Xn}，具體算法請(qǐng)參考文獻(xiàn)[21].給出算法流程圖如圖1.

圖1 MEIVS 算法流程圖.(a) MEIVS 算法主流程; (b) 排列算法流程Fig.1 Flowchart of the multimodel ensemble important variable selection (MEIVS) algorithm: (a) main process steps of the MEIVS algorithm;(b) process steps of the permutation algorithm

2.2 局部依賴曲線

設(shè)f()表示輸入變量與輸出變量的映射關(guān)系，在樣本上對(duì)于第j(j≤m)個(gè)輸入變量的Ceterisparibus函數(shù)h′(z)為：

式中，h′(z)是描述輸出變量的預(yù)測(cè)值與第j個(gè)輸入變量xj的依賴關(guān)系的函數(shù)，代表其他輸入變量取樣本xnew的實(shí)際值、第j個(gè)輸入變量任取z值時(shí)構(gòu)造的樣本，z可在變量xj的整個(gè)數(shù)值范圍內(nèi)取值.考慮更廣泛的情況，本文隨機(jī)挑選100個(gè)樣本并記為xi(1≤i≤100)，計(jì)算 100 個(gè)樣本的 Ceterisparibus函數(shù)，取其均值得到局部依賴函數(shù)gj(z)，通過該函數(shù)所繪制的曲線為PDP[24–25].

本文以PDP描述環(huán)境變量的變化對(duì)腐蝕電偶電流的平均影響，PDP由三個(gè)模型的預(yù)測(cè)均值產(chǎn)生.PDP的變化越劇烈，表示環(huán)境變量對(duì)腐蝕電偶電流產(chǎn)生的影響越大.

3 仿真結(jié)果與分析

3.1 大氣腐蝕重要變量分析

本文以Z-Score標(biāo)準(zhǔn)化后的相對(duì)濕度、溫度、降雨、O3濃度、SO2濃度、NO2濃度、PM2.5濃度、PM10濃度數(shù)據(jù)作為輸入變量，對(duì)數(shù)腐蝕電偶電流為輸出變量，分別對(duì)五個(gè)地區(qū)的大氣腐蝕數(shù)據(jù)建立RF、GBRT、BPNN模型.本文以80%的數(shù)據(jù)作為訓(xùn)練集，20%的數(shù)據(jù)作為測(cè)試集，為每個(gè)地區(qū)的模型進(jìn)行了調(diào)參.對(duì)于RF，采用100棵CART樹作為基學(xué)習(xí)器，超參數(shù)為用于CART樹的變量個(gè)數(shù)；對(duì)于GBRT，超參數(shù)為提升迭代次數(shù)、最大樹深度、學(xué)習(xí)速率、最小終端節(jié)點(diǎn)大?。粚?duì)于BPNN，采用雙隱層結(jié)構(gòu)，激活函數(shù)為tanh函數(shù)，學(xué)習(xí)速率設(shè)置為0.0001，最大迭代次數(shù)為10000，超參數(shù)為隱層神經(jīng)元個(gè)數(shù).采用網(wǎng)格搜索法和十折交叉驗(yàn)證法對(duì)3個(gè)模型進(jìn)行調(diào)優(yōu)，其他未調(diào)參數(shù)采用默認(rèn)值.模型預(yù)測(cè)結(jié)果如表2所示.評(píng)價(jià)指標(biāo)采用可決系數(shù) (Coefficient of determination,R2)和 RMSE.

表2 三種模型在不同地區(qū)的擬合表現(xiàn)Table 2 Fitting performance of the three models in different regions

式中，ˉ為所有樣本實(shí)際值的均值.

MEIVS算法得到的環(huán)境變量的重要性得分如圖2.條形圖中橫軸表示影響大氣腐蝕的環(huán)境變量，縱軸表示每個(gè)環(huán)境變量的重要性總得分，每個(gè)環(huán)境變量在各模型上的得分以不同的顏色區(qū)分，并且根據(jù)總得分降序排列.在本文中，取0.3作為判定環(huán)境變量是否重要的閾值，在該閾值附近，環(huán)境變量得分變化較大，重要環(huán)境變量的得分是不重要環(huán)境變量得分的兩倍以上，有明顯的分界.如北京、杭州、武漢、三亞地區(qū)，以該閾值劃分的重要變量得分是不重要變量得分的三倍以上；如青島地區(qū)，以該閾值劃分的重要變量得分是不重要變量得分的2.3倍.

圖2 各地區(qū)環(huán)境變量重要性得分.(a) 北京; (b) 杭州; (c) 武漢; (d) 青島; (e) 三亞Fig.2 Importance score of the environmental variables in each region: (a) Beijing; (b) Hangzhou; (c) Wuhan; (d) Qingdao; (e) Sanya

8 PDP of RH with rainPDP of RH without rain VIS=1.281

結(jié)果顯示，雖然在之前的研究中，相對(duì)濕度、溫度、降雨被認(rèn)為是影響早期大氣腐蝕的重要變量[17,20]，但是在具體的情況下，重要變量的選擇還應(yīng)結(jié)合當(dāng)?shù)氐臍夂驐l件進(jìn)行考慮.對(duì)于杭州、北京、武漢、青島四個(gè)地區(qū)，溫度、相對(duì)濕度和降雨的重要性明顯高于其他環(huán)境變量.對(duì)于三亞地區(qū)，除所討論的相對(duì)濕度、溫度、降雨外，O3的重要性較高.具體將在3.2節(jié)討論.

此外，為了與上述方法作對(duì)比，表3列舉了皮爾 遜 相 關(guān) 性 分 析 (Pearson's correlation coefficient,PCC)、斯皮爾曼相關(guān)性分析(Spearman's correlation coefficient, SCC)的相關(guān)性分析結(jié)果.PCC 和 SCC具體算法見文獻(xiàn)[11,16].

表3 不同地區(qū) PCC 和 SCC 分析結(jié)果Table 3 Pearson’s and Spearman’s correlation coefficient results in different regions

在多數(shù)情況下，通過Pearson和Spearman相關(guān)分析得到的標(biāo)準(zhǔn)化腐蝕電偶電流與污染物濃度成負(fù)相關(guān)關(guān)系，與先驗(yàn)腐蝕知識(shí)相違背.可能的原因是，Pearson和Spearman相關(guān)分析用來反映兩個(gè)變量線性相關(guān)程度，無法較好地表現(xiàn)變量間的非線性關(guān)系.此外，影響大氣腐蝕的不同的變量之間也會(huì)產(chǎn)生相互作用，但是大多數(shù)統(tǒng)計(jì)相關(guān)系數(shù)法需要在其他變量保持不變的情況下才能準(zhǔn)確衡量?jī)蓚€(gè)變量的相關(guān)性，不適用于此類耦合數(shù)據(jù)分析[6]，基于模型的MEIVS算法可以有效避免此類問題.

3.2 環(huán)境變量對(duì)大氣腐蝕速率的影響

3.2.1 溫度、相對(duì)濕度及降雨對(duì)大氣腐蝕的影響

五個(gè)地區(qū)降雨和未降雨?duì)顟B(tài)下相對(duì)濕度的PDP如圖3，其中實(shí)線表示降雨?duì)顟B(tài)下相對(duì)濕度的PDP，虛線表示未降雨?duì)顟B(tài)下相對(duì)濕度的PDP.由于降雨往往伴隨著較高的相對(duì)濕度，因此實(shí)線從降雨?duì)顟B(tài)下相對(duì)濕度的最低值處開始繪制.

圖3 各地區(qū)相對(duì)濕度的局部依賴圖.(a)北京;(b)杭州;(c)武漢;(d)青島;(e)三亞Fig.3 PDP of the relative humidity in each region: (a) Beijing; (b) Hangzhou; (c) Wuhan; (d) Qingdao; (e) Sanya

由圖3可知，隨著相對(duì)濕度增大，對(duì)數(shù)腐蝕電偶電流增大.電解質(zhì)膜在大氣腐蝕起到重要的影響作用[26–27].一般來說，相對(duì)濕度越大，碳鋼表面越容易形成薄電解質(zhì)膜，腐蝕速率也相應(yīng)增加.當(dāng)相對(duì)濕度太低時(shí)，碳鋼表面難以形成完整的薄電解質(zhì)膜，阻礙腐蝕的發(fā)生.從相對(duì)濕度的PDP變化幅度來看，相對(duì)濕度對(duì)腐蝕電偶電流的影響并非是一成不變的，在相對(duì)濕度較低的區(qū)域，相對(duì)濕度的變化對(duì)腐蝕電偶電流的影響較??；在相對(duì)濕度較高的區(qū)域，相對(duì)濕度的變化對(duì)腐蝕電偶電流的影響較大.由于各地區(qū)氣候條件不一致，很難劃分一個(gè)統(tǒng)一的變化區(qū)間.從總體上看，在臨界相對(duì)濕度（60%）下，腐蝕電偶電流處于較低水平，相對(duì)濕度的增加幾乎不會(huì)引起腐蝕電偶電流的增加.

五個(gè)地區(qū)溫度的PDP如圖4所示.

首先，PDP表明，在杭州、武漢、青島、三亞地區(qū)，腐蝕電偶電流會(huì)隨著溫度的升高而降低，原因是溫度的升高加速了金屬表面電解質(zhì)膜的蒸發(fā)，從而延緩腐蝕速率.然而在北京地區(qū)未發(fā)生降雨情況下，腐蝕電偶電流會(huì)隨著溫度的升高而增加，這可能是由北京地區(qū)普遍較低的相對(duì)濕度導(dǎo)致的.在未發(fā)生降雨情況下，北京地區(qū)的平均相對(duì)濕度為58.82%，遠(yuǎn)低于杭州(70.24%)、武漢(70.64%)、青島(76.42%)、三亞(82.15%)地區(qū).北京地區(qū)夏季更加干燥，金屬表面較難形成完整的電解質(zhì)膜，此時(shí)溫度的升高對(duì)電解質(zhì)膜的蒸發(fā)作用不明顯，反而由于溫度本身的升高，促進(jìn)材料與環(huán)境的腐蝕電化學(xué)反應(yīng)過程，使得腐蝕速率有上升的趨勢(shì).隨著溫度的降低，相對(duì)濕度增加，促使ACM傳感器表面凝結(jié)更厚、更連續(xù)的薄電解質(zhì)膜，從而引發(fā)鋼與銅電極之間的電偶腐蝕[28–29].

降雨的重要性體現(xiàn)在降雨?duì)顟B(tài)下的PDP高于未降雨?duì)顟B(tài)下的PDP.一方面，降雨給金屬表面提供了充足的電解質(zhì)膜，從而促進(jìn)金屬的腐蝕；另一方面，大雨的沖洗效應(yīng)會(huì)沖刷掉金屬表面沉積的氯化物等污染物，從而減緩腐蝕[3,6,30–31].在大氣腐蝕初期，腐蝕產(chǎn)物和沉積的污染物較少，因此降雨的沖刷作用較弱，對(duì)腐蝕的促進(jìn)作用明顯.

3.2.2 溫度、相對(duì)濕度及降雨的相互影響作用

在腐蝕過程中，溫度和相對(duì)濕度存在著較強(qiáng)的負(fù)相關(guān)關(guān)系[17].在大氣環(huán)境中絕對(duì)濕度不變的情況下，溫度可以改變飽和水汽壓，從而影響相對(duì)濕度.即，溫度升高導(dǎo)致相對(duì)濕度降低，溫度降低導(dǎo)致相對(duì)濕度升高.此外，降雨也會(huì)顯著增加相對(duì)濕度[32].圖5展示了三種模型在污染物濃度處于試驗(yàn)期間的均值條件下溫度、相對(duì)濕度及降雨對(duì)于對(duì)數(shù)腐蝕電偶電流的預(yù)測(cè)均值.在笛卡爾坐標(biāo)系中，X軸、Y軸分別代表溫度與相對(duì)濕度，Z軸代表3.1中三個(gè)模型對(duì)于對(duì)數(shù)腐蝕電偶電流的預(yù)測(cè)均值.為了區(qū)別降雨的影響，分別繪制了降雨?duì)顟B(tài)下的回歸曲面（上方）和未降雨?duì)顟B(tài)下的回歸曲面（下方）.X–Y平面中，紅色樣本點(diǎn)代表降雨?duì)顟B(tài)下的真實(shí)溫濕度樣本數(shù)據(jù)，藍(lán)色樣本點(diǎn)代表未降雨?duì)顟B(tài)下的真實(shí)溫濕度樣本數(shù)據(jù)，樣本數(shù)據(jù)分布的邊界以樣本相應(yīng)顏色表示.

圖5 各地區(qū)特定環(huán)境下溫度、相對(duì)濕度及降雨對(duì)對(duì)數(shù)腐蝕電偶電流的影響.(a)北京;(b)杭州;(c)武漢;(d)青島;(e)三亞Fig.5 Influence of temperature, relative humidity, and rainfall on the logarithmic corrosion galvanic current in a specific environment of each region: (a)Beijing; (b) Hangzhou; (c) Wuhan; (d) Qingdao; (e) Sanya

大氣環(huán)境中下，溫度、相對(duì)濕度和降雨持續(xù)動(dòng)態(tài)變化，部分變量存在耦合作用.圖5中，X–Y平面中溫度和相對(duì)濕度呈帶狀分布，具有明顯的負(fù)相關(guān)性，相對(duì)濕度隨著溫度的升高而降低，隨著溫度的降低而升高，并且不太可能出現(xiàn)高溫–高濕、低溫–低濕的情況.降雨會(huì)促使相對(duì)濕度增加，在降雨的情況下相對(duì)濕度普遍較高.部分降雨時(shí)刻對(duì)應(yīng)的相對(duì)濕度較低，但是此類情況的樣本更稀疏，右下方區(qū)域樣本邊界為窄長(zhǎng)尖形表明出現(xiàn)個(gè)別離群點(diǎn).除北京地區(qū)未降雨情況外，對(duì)數(shù)腐蝕電偶電流在相對(duì)濕度最高、溫度最低處到達(dá)最大值，在相對(duì)濕度最低、溫度最高處到達(dá)最小值.北京地區(qū)未降雨?duì)顟B(tài)下，對(duì)數(shù)腐蝕電偶電流在相對(duì)濕度最高、溫度最高處到達(dá)最大值.此外，降雨?duì)顟B(tài)下的回歸曲面均高于未降雨?duì)顟B(tài)下的回歸曲面，說明降雨促進(jìn)了腐蝕.

3.2.3 污染物濃度對(duì)大氣腐蝕的影響

圖6展示了各污染物濃度的PDP.如圖所示，除三亞地區(qū)的O3外，污染物對(duì)腐蝕速率的影響非常微弱，直觀表現(xiàn)為各污染物的PDP趨于水平，這可能與夏季較低的污染物濃度有關(guān).三亞地區(qū)O3的影響要高于其他污染物變量，隨著O3濃度的增加，對(duì)數(shù)腐蝕電偶電流增加的趨勢(shì)較明顯，并且3.1節(jié)中三亞地區(qū)O3較高的重要性得分也支持了這一結(jié)論.可能的原因是三亞地區(qū)更強(qiáng)的紫外線加劇了O3氧化SO2和NO2并生成硫酸鹽和硝酸鹽，從而加速腐蝕[33].雖然之前的研究表明SO2但在大氣腐蝕中的影響作用較強(qiáng)[16]，但是由于試驗(yàn)期間五個(gè)試驗(yàn)站點(diǎn)大氣環(huán)境中的SO2濃度很低，因此可以認(rèn)為SO2在本研究中沒有發(fā)揮重要作用.

圖6 各地區(qū)污染物的局部依賴圖.(a)北京;(b)杭州;(c)武漢;(d)青島;(e)三亞Fig.6 PDP of pollutants in each region: (a) Beijing; (b) Hangzhou; (c) Wuhan; (d) Qingdao; (e) Sanya

結(jié)合MEIVS算法以及各環(huán)境變量的PDP，不但可以提取影響大氣腐蝕的重要變量，還可以形象地展示變量如何對(duì)腐蝕速率產(chǎn)生影響.與常見的重要變量提取方法相比，其優(yōu)勢(shì)在于：①M(fèi)EIVS算法得到的結(jié)果更符合碳鋼早期大氣腐蝕的基本規(guī)律；②PDP考慮了大樣本范圍內(nèi)自變量對(duì)因變量的平均影響，可以更形象地刻畫變量間的相關(guān)關(guān)系.

4 結(jié)論

本文基于中國(guó)5個(gè)試驗(yàn)站點(diǎn)45號(hào)鋼的腐蝕數(shù)據(jù)，構(gòu)建碳鋼早期大氣腐蝕的綜合智能模型，提取了影響碳鋼早期大氣腐蝕的重要環(huán)境變量，并探討了環(huán)境變量對(duì)大氣腐蝕的影響機(jī)制.本研究中獲得的發(fā)現(xiàn)總結(jié)如下.

(1) 經(jīng)MEIVS法確定，影響45號(hào)鋼早期大氣腐蝕的重要環(huán)境變量因地區(qū)而異，包括：

杭州：相對(duì)濕度、降雨、溫度；

武漢：相對(duì)濕度、溫度、降雨；

青島：溫度、降雨、相對(duì)濕度；

三亞：相對(duì)濕度、降雨、溫度、臭氧濃度；

北京：相對(duì)濕度、降雨、溫度.

(2) PDP表明，在大氣腐蝕初期，45號(hào)碳鋼的腐蝕速率與溫度呈負(fù)相關(guān)、與相對(duì)濕度呈正相關(guān)關(guān)系.北京地區(qū)由于相對(duì)濕度較低，未降雨情況下，腐蝕速率與溫度呈正相關(guān)關(guān)系.

(3) 仿真結(jié)果證明，PDP與MEIVS算法的結(jié)論具有很好的一致性.重要變量對(duì)應(yīng)的PDP的變化幅度大，不重要變量對(duì)應(yīng)的PDP趨于平穩(wěn).