申请/专利权人：浙江工业大学;浙江浙工大检测技术有限公司

申请日：2024-01-18

公开（公告）日：2024-04-16

公开（公告）号：CN117894411A

主分类号：G16C60/00

分类号：G16C60/00;G16C20/70;G06F30/27;G06F119/04

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.03#实质审查的生效;2024.04.16#公开

摘要：一种基于机器学习的土壤中碳钢腐蚀速率预测方法，包括以下步骤：1根据土壤中的各环境因素，选取影响碳钢腐蚀速率的8个特征变量作为机器学习的输入值，形成8维初始数据集；2对初始数据集的缺失值进行剔除，并对剩余数据进行标准化处理；3利用网格搜索法对随机森林模型、支持向量回归模型、多层感知器模型的超参数进行选取,构建出精准度高的模型；4对三个模型的预测结果进行准确性定量评估并得出最佳预测模型；5基于皮尔逊相关系数和最佳预测模型的特征权重进行模型优化，得到最优预测模型；6将待预测数据集输入最优预测模型，输出对应的碳钢在土壤中的腐蚀速率预测结果。本发明对碳钢腐蚀速率进行了有效的预测。

主权项：1.一种基于机器学习的土壤中碳钢腐蚀速率预测方法，其特征在于，所述方法包括以下步骤：1根据土壤中的各环境因素，选取影响碳钢腐蚀速率的8个特征变量作为机器学习的输入值：暴露时间、水分含量、pH、电阻率、氯化物含量、硫酸盐含量、硫化物和平均总有机碳含量，并以这8个特征变量作为最初的8维数据集；腐蚀电流密度作为输出值，与8维输入数据集一起形成初始数据集；2对初始数据集进行数据分析，将少量的缺失值进行剔除，并对剩余的数据以标准化的方法进行特征工程处理以防止输入变量的量纲不同而导致的机器学习模型计算过于依赖量纲大的输入变量，以免导致预测精度下降；3采用随机森林模型、支持向量回归模型和多层感知机模型作为预测的三种机器学习模型，并利用网格搜索法对各模型的超参数进行择优选取以保证每个模型得到最佳的预测效果；4将处理过的8维数据集作为输入变量，将碳钢腐蚀电流密度作为预测结果，基于评价指标对各模型预测结果进行准确性评价以得出最佳预测模型。5基于步骤4中最佳预测模型，通过皮尔逊相关系数计算得出各变量之间的相关程度，以及各变量对腐蚀电流密度的权重排序。以最少变量和最佳准确性为判断标准，将权重高于权重阈值的变量定为重要变量，将皮尔逊相关系数高于相关系数阈值的两个变量定为相关变量，根据重要变量及其相关变量，分析确定影响碳钢腐蚀速率的变量组合，最终得出碳钢腐蚀速率最优预测模型；6将待预测数据集输入步骤5中碳钢腐蚀速率最优模型，得到碳钢在土壤中的腐蚀速率预测结果。

全文数据：

权利要求：

百度查询： 浙江工业大学;浙江浙工大检测技术有限公司 一种基于机器学习的土壤中碳钢腐蚀速率预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD