通过优化输入特征改善基于机器学习的腐蚀率预测模型

低合金钢的耐腐蚀性严重影响其性能，特别作为在海洋环境中广泛使用的一类材料。在这项研究中，我们收集了低合金钢的海洋腐蚀数据，并使用机器学习算法建立了腐蚀率预测模型。将低合金钢的化学成分和环境因素作为输入特征，并选择随机森林算法作为建模算法。首先应用包括梯度提升决策树、肯德尔相关分析和主成分分析的特征选择方法，以选择对腐蚀率影响最大的因素。然后，我们提出了两种特征创建方法，将化学成分特征转换为一组原子和物理属性特征。因此，特征创建方法构建了一个不再局限于特定化学成分材料的模型。基于机器学习的腐蚀率预测模型也显示出良好的腐蚀率预测准确性。这项研究提高了腐蚀率预测模型的泛化能力，并证明了机器学习在耐腐蚀性评估中的可行性。