大气腐蚀作为最为常见的一种腐蚀形式，广泛影响着轨道交通、建筑结构、石油石化及能源等行业基础设施设备的服役安全。研究表明，钢铁材料的大气腐蚀行为受到各种环境因素的影响，如温度、湿度、氯离子及各种污染物的含量等。这些环境因素具有明显的地域特征，因此钢铁的大气腐蚀行为也具有鲜明的地域特征。收集环境信息、获取材料的实时腐蚀数据，对快速、低成本筛选与设计新材料，实现其耐蚀性快速验证及材料腐蚀数据的快速积累有着重要意义，这也是腐蚀大数据的理论基础。

为了获取更多、更准确的腐蚀数据，研究人员开发了多种在线监测传感器技术，如电阻探针、石英电子微天平、电偶探针技术等。其中，电偶型腐蚀监测传感器被广泛应用于大气环境中金属的腐蚀检测与评价工作。其基本原理是利用电位不同的两种金属配对组成电偶腐蚀传感器，通过高灵敏度电流计检测的腐蚀电流反映阳极金属在指定环境中的腐蚀速率。有研究人员采用大气腐蚀监测（ACM）传感器在中国6个室外动态大气环境中对碳钢的初始大气腐蚀进行了为期1月的研究，发现环境因素的影响大小排序是降雨状态、相对湿度、温度。

腐蚀大数据研究严重依赖于基础数据的处理。数据挖掘技术是一种利用数学方法挖掘复杂数据因果关联性的方法。通过数据挖掘技术如机器学习，可以探索材料的腐蚀数据与其环境因素之间的关系，因此其在材料腐蚀中的应用逐渐引起关注。机器学习技术的主要方式是通过算法对输入的数据进行不间断训练，从而得到预测模型，以此指导新材料的发展。作为一种介于计算机和统计学之间的交叉学科，机器学习技术能够为腐蚀试验相关数据建立起拓扑结构，其具有非线性分析的优势，能对金属材料腐蚀行为进行科学的预测。但是，金属材料的腐蚀过程复杂，受到多种腐蚀因素的影响，而且环境数据不断变化，因此准确预测金属材料的腐蚀行为仍是研究的难点。任何预测方法都存在一定的偏差，但预测结果仍然具有很好的参考价值，能够为金属材料的使用维护提供可靠依据。

Q345碳钢被广泛应用于桥梁、车辆、船舶等领域，是大气腐蚀研究中一种常用的材料。因此，南昌航空大学和北京科技大学的研究人员采用ACM传感器在我国4种典型大气环境中对Q345碳钢的腐蚀数据进行长期连续监测，同时记录了气温、相对湿度等环境数据。利用机器学习如人工神经网络及深度学习网络，研究了碳钢腐蚀行为与室外动态大气环境中各种环境因素之间的关系，寻找碳钢大气腐蚀行为最主要的影响因素。

试验方法

1 试验材料

试验使用ACM传感器对Q345碳钢在我国4种典型大气环境中的腐蚀行为进行了长期连续监测。传感器阳极材料（工作电极WE）为Q345碳钢，阴极材料（参比电极RE和辅助电极CE）均为纯铜（纯度大于99.5%），其示意图如图1所示。

图1 ACM腐蚀传感器的示意图

分别从同一块Q345碳钢板和纯铜板上切割传感器的阳极材料和阴极材料，且加工方向一致，加工尺寸为21 mm×12 mm×1 mm。采用雕刻机加工绝缘垫片，尺寸为21 mm×10 mm×0.1 mm，材料为玻璃纤维环氧复合板（FR4）。将阳极材料和阴极材料与绝缘垫片一对一紧密结合，用两芯镀银屏蔽线分别连接阴阳极的金属材料，并用环氧树脂进行封装。在试样组装过程中，导线连接接触点的接触电阻均小于0.1 mΩ。然后，用环氧树脂灌封胶将传感器密封，室温下固化48小时以上。

2 腐蚀大数据采集

试验选取国家材料环境腐蚀平台4个腐蚀试验站安装ACM传感器及数据采集设备，试验地经纬度信息及环境类型如下：

天津  位于环渤海地区，东经117°24′，北纬39°33′，属于温带沿海城市环境，具有典型的城市海洋大气环境特征。

南京  位于长江下游，东经118°45′，北纬32°12′，属于潮湿的亚热带环境，具有典型的城市大气环境特征。

青岛  位于黄海沿岸，东经120°25′，北纬36°05′，气候湿润温和，具有典型的工业海洋大气环境特征。

三亚  位于南海之滨，东经109°21′，北纬18°18′，属于沿海潮湿热带环境，具有典型的热带海洋大气环境特征。

将封装好的铜/钢ACM传感器用SiC砂纸逐级（至2000号）打磨，并用去离子水和无水乙醇清洗吹干，然后放置在上述4个腐蚀试验站进行长时间曝晒试验。传感器在线监测并实时反馈记录工作电极（WE）和参比/辅助电极（RE/CE）之间的相对电流密度，采样频率为1次/min。

在曝晒试验过程中，除了采集Q345碳钢腐蚀电流密度外，还需要采集曝晒试验现场的空气污染指数（CO、O3、NO、SO2、PM10和PM2.5等污染物含量）、温度、湿度、降雨状态等环境参数。

3 人工神经网络及深度神经网络

人工神经网络及深度神经网络（ANN/DNN）的结构如图2所示。该系统由输入层，隐藏层（多层）和输出层等多层网络组成。

图2 ANN/DNN模型的结构

ANN和DNN之间的拓扑差异是隐藏层数。通常，当神经网络只有一个隐藏层时，称为ANN。当神经网络有两个或多个隐藏层时，称为DNN。这两个神经网络有一个相同之处，即只有相邻层的节点被连接，而同一层和跨层节点之间不相互连接。这些层是完全连接的，也就是说，i层中的任何神经元都必须连接到(i+1)层中的任何神经元，每层都可以视为逻辑回归模型。

在这项研究中，神经网络的活动规则是Sigmoidal函数，每个相邻层之间的关系是线性关系。

ANN和DNN之间的学习规则完全不同。在人工神经网络中，学习规则采用了反向传播的方法。反向传播是使用迭代算法训练整个网络，随机设置初始值，计算当前网络的输出，然后根据当前输出和标签之间的差异更改前几层的参数，直到收敛（整体是梯度下降法）。

深度学习是一种分层训练机制，采用DNN正向传播算法计算。DNN正向传播算法将使用多个权重系数矩阵W和偏差向量b对输入值向量x进行一系列线性运算和激活运算。计算从输入层开始，逐层执行，直到计算到达输出层。

各站点腐蚀数据及环境数据分析

在天津、南京、青岛和三亚4种典型大气环境中通过ACM传感器对Q345碳钢的腐蚀行为进行了1年左右连续大数据监测，采集了包括空气污染指数、温度、相对湿度、降雨状态以及Q345碳钢腐蚀电流密度等10维数据。数据显示，所有随时间变化的参数都表现出规则的锯齿形模式，即呈周期性（24小时）重复。

根据ACM传感器工作原理，ACM输出的电流密度与阳极材料在该环境中的腐蚀速率存在一定关系，因此可以通过数学方法将ACM传感器的测试结果转换成材料的腐蚀数据，ACM传感器输出电流密度越大，阳极材料在该环境中的腐蚀速率越大。为了方便试验数据处理，作者直接使用ACM传感器输出电流密度表征Q345碳钢的大气腐蚀速率，并未对二者进行转换。

在4个典型站点中，Q345碳钢的腐蚀速率与温度呈现出相反的变化趋势，即温度升高腐蚀速率降低，而与相对湿度呈现出相同的变化趋势，即相对湿度升高腐蚀速率增大。温度和相对湿度对Q345碳钢的腐蚀速率具有很大的影响。

根据数据曲线很难判断空气污染物含量与Q345碳钢腐蚀速率的关系。尽管如此，仍不可否认空气污染物对大气腐蚀性有重要影响。由于污染物对碳钢腐蚀的影响非常复杂，无法直接通过线性或指数关系将其可视化。因此，必须使用辅助方法来探索大气腐蚀与污染物含量之间的关系。作者将使用人工神经网络（ANN）模型对收集到的4种典型环境中的环境数据和Q345碳钢的腐蚀速率进行分析处理。

基于ANN模型的Q345碳钢腐蚀速率预测

ANN和DNN模型模仿人类大脑的神经元结构，可以通过预先设定的数学函数，自动调整神经单元间的连接强度，不断更新自变量在拟合过程中的权重，从而使模型计算结果更加接近真实值。

作者使用只有一个隐藏层的ANN模型进行训练，讨论各种环境因素与Q345碳钢大气腐蚀速率的关系。输入层为各种环境因素每小时的平均值。输出层以传感器输出电流作为预测对象。

训练结果如图3所示，横坐标为ACM传感器输出的Q345碳钢腐蚀电流密度（真实值），纵坐标为ANN模型计算结果（拟合值）。总体而言，真实值与拟合值之间存在一定的线性关系，但是在4种典型大气环境中均存在一定的误差，表现出散点的分布离散性较大。

图3 基于ANN模型的Q345碳钢腐蚀速率训练结果

使用图3得到的ANN训练结果对某一时期Q345碳钢的腐蚀速率进行预测，预测时输入的环境数据为随机选取的一段时间内4个站点的环境数据，将预测结果与ACM传感器监测得到的同时期Q345碳钢的腐蚀电流密度进行对比，结果如图4所示。

图4 基于ANN模型的Q345碳钢腐蚀速率预测结果

结果表明，ANN模型得到的预测值与真实值的变化趋势整体一致，只有部分阶段存在误差，这表明ANN模型可以预测碳钢的腐蚀趋势。但是，某一时期具体的预测值与真实值之间仍有较大误差，还需要对模型进行反复训练并不断修正。

大气环境因素权重分析

建立人工神经网络学习算法的目的除了用于预测材料大气腐蚀趋势外，还希望确定各种环境因素对材料大气腐蚀影响的权重。

想要得到输入因素（大气环境）与输出因素（腐蚀速率）之间的关系，需建立输入因素对输出结果之间的决策权重，因此有必要对各神经元之间的权重加以分析处理。

一般来说，输入参量与输出参量之间的关系可利用以下计算方法来描述：

相关显著性系数

相关指数

绝对影响系数

式中：i为人工神经网络的输入单元，i=1,…,m；j为神经网络的输出单元，j=1,…,n；k为神经网络的隐含单元，k=1,…,P；ωjk为输出层神经元j和隐含层神经元k之间的权重系数。

由以上公式计算的绝对影响系数Sij就是所求的各个输入因素的权重系数，结果如下：

可见无论哪种大气环境，相对湿度、降雨状态和温度都是影响碳钢大气腐蚀最重要的因素。4个站点的环境因素影响由大到小的顺序分别为：

天津  降雨状态>温度>相对湿度

南京  相对湿度>温度>降雨状态

青岛  降雨状态>温度>相对湿度

三亚  降雨状态>温度>相对湿度

根据一般的腐蚀理论，温度越高，腐蚀速率越快。而本次试验中ACM传感器监测得到的Q345碳钢腐蚀速率与温度的关系是负相关的。这可能与相对湿度影响有关。当相对湿度较低时，试样表面无法形成薄液膜，因此腐蚀速率较慢；当相对湿度超过临界值时，试样表面形成了肉眼不可见的薄液膜，发生电化学腐蚀，因此腐蚀速率较快；当相对湿度较大时，如下雨时，薄液膜较厚，反而阻碍了阴极溶解过程中氧的传输，故腐蚀速率降低。

降雨状态和温度都会影响相对湿度，降雨或温度越低，空气中的相对湿度就越大，因此有理由认为相对湿度是影响Q345碳钢大气腐蚀速率的最重要因素，其次是温度。这也可以解释Q345碳钢腐蚀电流密度随温度呈负相关变化。

在4种大气腐蚀环境中，空气污染指数对Q345碳钢大气腐蚀的影响权重不同。4个站点的空气污染指数影响权重由大到小的顺序分别为：

天津  PM2.5含量>PM10含量>O3含量>NO2含量>CO含量>SO2含量

南京  PM10含量>PM2.5含量>O3含量>NO2含量>CO含量>SO2含量

青岛  PM2.5含量>PM10含量>SO2含量>O3含量>CO含量>NO2含量

三亚  PM10含量>PM2.5含量>O3含量>NO2含量>SO2含量>CO含量

在所有大气污染物中，对Q345碳钢大气腐蚀影响最大的污染物为悬浮颗粒物，在天津和青岛大气环境中影响最大的污染物是PM2.5，而在南京和三亚大气环境中影响最大的污染物为PM10。

除了颗粒状污染物，O3、NO2和SO2也是对Q345碳钢腐蚀影响较大的污染物。不过，在天津、南京、三亚3种大气环境中O3的影响大于NO2和SO2，而在青岛大气环境中SO2的影响大于O3和NO2。

结 论

(1) 使用人工神经网络模型对ACM传感器输出的腐蚀电流密度进行训练，其训练结果可以预测Q345碳钢的腐蚀趋势，但具体的腐蚀电流密度预测值误差较大，还需要对模型进行反复训练并不断修正。

(2) 通过天津、南京、青岛和三亚4个站点大气环境因素的权重分析发现，在4种典型大气环境中相对湿度和温度是影响Q345碳钢大气腐蚀最重要的因素，其中相对湿度对Q345碳钢的影响最大。大气污染物中对Q345碳钢腐蚀影响最大的是大气中的悬浮颗粒。