和斯皮尔曼相关分析得到影响碳钢大气腐蚀的重要环境变量，并以重要环境变量作为输入变量构建 支持向量回归模型：Ya2采用统计方法和机器学习算法分析了合金元素和海洋大气环境变量对低 合金钢腐蚀行为的影响，建立了基于随机森林算法的腐蚀速率预测模型。然而，腐蚀挂片法试验周 期漫长，所获试验数据量少，无法用以推测碳钢的实时腐蚀速率。 大气腐蚀监测仪(Atmospheric Corrosion Monitor,ACM)ls通过监测腐蚀电偶电流来定量评估 材料的实时腐蚀速率。以F/Cu电偶组成的ACM传感器为例，当ACM传感器表面形成一层液膜 时，F电偶和Cu电偶之间就会产生腐蚀电偶电流，腐蚀电偶电流与腐蚀速率具有很强的正相关关 系，可以定量评估腐蚀环境以及材料的腐蚀状态4，均。基于ACM传感器获取的腐蚀电偶电流数据 以及实时环境数据，石雅楠6利用皮尔逊相关分析法确定了温度、相对湿度和污染物浓度为影响腐 蚀电偶电流的主要环境变量，提出了用以表征大气环境腐蚀强度的腐蚀指数并建立了腐蚀电偶电流 和腐蚀指数的隐马尔可夫模型：裴梓博利用统计学的方法研究了相对湿度、温度和降雨等环境变 量对碳钢早期大气腐蚀的影响，确定了降雨是影响早期大气腐蚀的最重要变量。述方法挖掘出了 腐蚀电偶电流与环境变量的关系，但不足之处在于：(1)相关性分析只能得到腐蚀电偶电流和单 一环境变量的二元关系，没有考虑其他环境变量的影响：(2)不能将环境变量对腐蚀电偶电流的 影响可视化。此外，虽然机器学习模型广泛应用于预测特定环境下的脑蚀速率，但是此类黑箱模型 透明性低、模型可解释性差剧，阻碍了此类方法在材料腐蚀领域的应用因此，有必要在机器学习 模型的基础上进一步挖掘材料腐蚀现象中的因果关系，增加模型在实际应用中的可靠性。 为了解决材料腐蚀领域中机器学习算法的“黑箱”问题本文少讹京、杭州、武汉、青岛、三 亚的碳钢ACM腐蚀数据为例，利用多模型集成重要变量选择算法(Multi--model Ensemble Important Variable Selection,MEIVS)量化不同地区碳钢早期大气腐蚀过程中环境变量的重要性，并绘制了各 个环境变量的局部依赖曲线(Partial-dependence Plot, 将不同环境变量对腐蚀电偶电流的影 响可视化。 1大气试验 本试验陆续起始于2018年7月底， 结束于2018年9月初，试验地点为位于中国北京、杭州、 武汉、青岛、三亚的五个野外试验站点，实验样品为45号钢，质量分数为 C(0.47%)、Mn(0.59%)、Si0.18%yS(0.010%)、P(0.014%)、Ni(0.015%)、Cr(0.016%)、Cu(<0.01%) 和F(剩余部分)。野外试验站点的地理和气候信息如表1所示。在本研究中，使用大气腐蚀监测仪 来量化大气环境中碳钢的腐蚀速率。ACM由7对F-Cu电偶交替排列组成，每片碳钢与铜的外部 裸露面积为21×1mm2,实验时约家装在离地面1米以上并朝南45°外露。更多关于ACM的介绍请 参考文献[19]。实验期间通过A℃M传感器获取采集频率为1次/分钟的电偶电流数据，同时传感器 记录同一地点的温度和相对湿度，降雨、O、SO2、NO2、PM2.5、PM10等小时级环境数据从中国 气象局获得。将传感器数据与环境数据统一到最低采样频率，即1小时1次。短期的大气腐蚀没有 考虑氯化物的影响，因为氯化物的影响是长期的、累积性的，根据S09225标准，氯化物的沉积 速率应以干板法每月测定一次。夏季频繁的降雨也大大降低了氯化物的沉积速率，减弱了氯化物对 腐蚀的影响20。 表1大气离烛试验场地通和气候信息 Table 1 Geographic and climatic information of atmospheric corrosion test site Region Longitude and latitude Climate type External environment Corrosion grade Beijing 116e71F39°5gN Temperate monsoon climate Country C3-C4 Hangzhou 12030E,30°22N Subtropical monsoon humid climate Industrial zone C4 Wuhan 1141SE,30°34N Subtropical monsoon climate Country C3-C4 Qingdao 12026E,3604'N Temperate monsoon climate Coastal industrial zone C5-CX Sanya 109°21'E18°17"N Tropical marine monsoon climate Coastal industrial zone C4 2算法原理和斯皮尔曼相关分析得到影响碳钢大气腐蚀的重要环境变量，并以重要环境变量作为输入变量构建 支持向量回归模型；Yan[12]采用统计方法和机器学习算法分析了合金元素和海洋大气环境变量对低 合金钢腐蚀行为的影响，建立了基于随机森林算法的腐蚀速率预测模型。然而，腐蚀挂片法试验周 期漫长，所获试验数据量少，无法用以推测碳钢的实时腐蚀速率。 大气腐蚀监测仪（Atmospheric Corrosion Monitor，ACM）[13]通过监测腐蚀电偶电流来定量评估 材料的实时腐蚀速率。以 Fe/Cu 电偶组成的 ACM 传感器为例，当 ACM 传感器表面形成一层液膜 时，Fe 电偶和 Cu 电偶之间就会产生腐蚀电偶电流，腐蚀电偶电流与腐蚀速率具有很强的正相关关 系，可以定量评估腐蚀环境以及材料的腐蚀状态[14,15]。基于 ACM 传感器获取的腐蚀电偶电流数据 以及实时环境数据，石雅楠[16]利用皮尔逊相关分析法确定了温度、相对湿度和污染物浓度为影响腐 蚀电偶电流的主要环境变量，提出了用以表征大气环境腐蚀强度的腐蚀指数并建立了腐蚀电偶电流 和腐蚀指数的隐马尔可夫模型；裴梓博[17]利用统计学的方法研究了相对湿度、温度和降雨等环境变 量对碳钢早期大气腐蚀的影响，确定了降雨是影响早期大气腐蚀的最重要变量。上述方法挖掘出了 腐蚀电偶电流与环境变量的关系，但不足之处在于：（1）相关性分析只能得到腐蚀电偶电流和单 一环境变量的二元关系，没有考虑其他环境变量的影响；（2）不能将环境变量对腐蚀电偶电流的 影响可视化。此外，虽然机器学习模型广泛应用于预测特定环境下的腐蚀速率，但是此类黑箱模型 透明性低、模型可解释性差[18]，阻碍了此类方法在材料腐蚀领域的应用。因此，有必要在机器学习 模型的基础上进一步挖掘材料腐蚀现象中的因果关系，增加模型在实际应用中的可靠性。 为了解决材料腐蚀领域中机器学习算法的“黑箱”问题，本文以北京、杭州、武汉、青岛、三 亚的碳钢 ACM 腐蚀数据为例，利用多模型集成重要变量选择算法（Multi-model Ensemble Important Variable Selection, MEIVS）量化不同地区碳钢早期大气腐蚀过程中环境变量的重要性，并绘制了各 个环境变量的局部依赖曲线（Partial-dependence Plot, PDP），将不同环境变量对腐蚀电偶电流的影 响可视化。 1 大气暴露试验 本试验陆续起始于 2018 年 7 月底，结束于 2018 年 9 月初，试验地点为位于中国北京、杭州、 武 汉 、 青 岛 、 三 亚 的 五 个 野 外 试 验 站 点 ， 实 验 样 品 为 45 号 钢 ， 质 量 分 数 为 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)。野外试验站点的地理和气候信息如表 1 所示。在本研究中，使用大气腐蚀监测仪 来量化大气环境中碳钢的腐蚀速率。ACM 由 7 对 Fe-Cu 电偶交替排列组成，每片碳钢与铜的外部 裸露面积为 21×1mm2，实验时均安装在离地面 1 米以上并朝南 45°外露。更多关于 ACM 的介绍请 参考文献[19]。实验期间通过 ACM 传感器获取采集频率为 1 次/分钟的电偶电流数据，同时传感器 记录同一地点的温度和相对湿度，降雨、O3、SO2、NO2、PM2.5、PM10 等小时级环境数据从中国 气象局获得。将传感器数据与环境数据统一到最低采样频率，即 1 小时 1 次。短期的大气腐蚀没有 考虑氯化物的影响，因为氯化物的影响是长期的、累积性的，根据 ISO 9225 标准，氯化物的沉积 速率应以干板法每月测定一次。夏季频繁的降雨也大大降低了氯化物的沉积速率，减弱了氯化物对 腐蚀的影响[20]。 表 1 大气腐蚀试验场地理和气候信息 Table 1 Geographic and climatic information of atmospheric corrosion test site Region Longitude and latitude Climate type External environment Corrosion grade Beijing 116°21'E, 39°59'N Temperate monsoon climate Country C3-C4 Hangzhou 120°30'E, 30°22'N Subtropical monsoon humid climate Industrial zone C4 Wuhan 114°15'E, 30°34'N Subtropical monsoon climate Country C3-C4 Qingdao 120°26'E, 36°04'N Temperate monsoon climate Coastal industrial zone C5-CX Sanya 109°21'E, 18°17'N Tropical marine monsoon climate Coastal industrial zone C4 2 算法原理 录用稿件，非最终出版稿