共计 3796 个字符，预计需要花费 10 分钟才能阅读完成。
内容一览：在被不锈钢突围的世界中，咱们可能都快遗记了侵蚀的存在。然而，侵蚀存在于生存中的方方面面。无论是锈迹斑斑的钢钉，老化漏液的电线，还是失去光泽的汽车，这所有的产生都与侵蚀无关。据统计，全世界每年由金属腐蚀带来的经济损失超过
2.5 万亿美元，远超过其余自然灾害。其中，侵蚀在中国造成的经济损失约 3,949 亿美元，占中国 GDP 的 4.2%。正因为此，研究者们始终在摸索抗蚀性能更好的合金或是金属保护膜。现在，在优化资料抗蚀性能的过程中，AI 派上了用场。关键词：自然语言解决 深度神经网络 侵蚀
作者 | 雪菜
编辑 | 三羊
本文首发于 HyperAI 超神经微信公众平台~
据美国侵蚀工程师协会 (NACE, National Association of Corrosion Engineers) 统计，2013 年全世界由侵蚀造成的经济损失超 2.5 万亿。同时，中国也饱受侵蚀的困扰，经济损失约 3,949 亿美元，占当年 GDP 的 4.2%，较其余发达国家比例略高。
作为比照，2008 年汶川大地震造成的经济损失约 1,100 亿美元。也就是说，早在 2013 年，仅侵蚀为我国带来的经济损失，就超过了 3 个汶川大地震。
表 1：2013 年世界各地因侵蚀造成的经济损失（单位：十亿美元）
为破解侵蚀难题，研究者们在致力于晋升资料强度的同时，也在一直寻找晋升资料抗蚀性能的办法。 借助 AI，他们曾经获得了肯定的停顿，如对低温下合金的侵蚀机制进行了预测，对钢铁的大气侵蚀速率和钢筋混凝土的环境侵蚀进行了剖析，并可能用卷积神经网络 (CNN) 从图像中判断资料的侵蚀模式。
然而，机器学习模型的输出数据多为数值数据。但在金属材料的加工和剖析中，除了 pH 值、测试温度等数值数据，还有资料类型等分类数据及热处理过程、测试方法等文本数据。传统的机器学习模型无奈对所有数据进行彻底读取和剖析，预测准确率较低。
为此，德国马克思普朗克铁研究所 (MPIE, Max-Planck-Institut für Eisenforschung) 将深度神经网络 (DNN) 和自然语言解决 (NLP) 相结合开发了过程感知 DNN。 这一模型能够将数值数据和文本数据联合解决，其准确率较其余模型晋升了 15%。
同时他们将金属的物理化学个性转换为描述符，构建了特色变换 DNN， 能够用于预测训练集中不存在的元素反抗蚀性能的影响。这项钻研已于 2023 年 8 月发表于《Science Advances》，题目为「Enhancing corrosion-resistant alloy design through natural language processing and deep learning」。
相干钻研已发表于《Science Advances》
论文链接：
https://www.science.org/doi/10.1126/sciadv.adg7992
过程感知 DNN
模型设计
本钻研数据集为 5 类 769 种合金的点蚀电位，数据集中包含数值数据、分类数据及文本数据。其中，数值数据被间接输出模型中，分类数据通过程序编号转为数值输出模型，而文本型数据则通过 NLP 架构解决后输出模型。
NLP 架构次要分为三个局部，包含词汇标记、向量化和向量序列的解决。
词汇标记过程中，每个词汇被一个特定的整型数字 (integer token) 替换。通过词汇标记，一个词组或句子就被转换为一个整型向量 (integer vector)。
词汇标记之后，尽管文本数据转换成了数值，但数值之间没有任何关联，无奈承载原文的语义。因而，整型向量会通过向量化转换为 n 维浮点型向量。在训练过程中，每个词汇的权重被一直优化。训练实现后，向量间的靠近度则对应着它们的语义相似性。
最初，n 维浮点型向量通过长短期记忆递归神经网络 (LSTM) 转换为繁多向量，进入输出层。LSTM 能够通过门函数，辨认词汇间的长期依赖性。因而，LSTM 能够从给定语句中找出要害的相干词汇，将语句中最重要的局部传递给 DNN 的输出层。
图 1：过程感知 DNN 模型构造
A：NLP 数据处理工作流
B：过程感知 DNN 模型示意图
训练及验证
训练之后，研究者对模型的相对平均误差进行了汇总。过程感知 DNN 的均匀绝对误差约 150 mV，较简略 DNN 升高了 20 mV。预测点蚀电位和理论点蚀电位之间的 R2 为 0.78 ± 0.06，较简略 DNN 的 0.61 ± 0.04 更高。上述后果阐明，在对文本数据进行剖析之后，过程感知 DNN 的性能优于简略 DNN 模型。
图 2：过程感知 DNN 训练后果
A：训练及验证过程中的均匀绝对误差，其中红线为简略 DNN 模型的均匀绝对误差；
B：过程感知 DNN 与简略 DNN 模型的后果比照。
合金组分优化
为了比照过程感知 DNN 与简略 DNN 在合金组分优化过程中的差别，研究者从类似的合金组分开始，用雷同的学习率，利用两种模型别离对合金组分进行了优化。
图 3：组分优化后果
A&B：铁基合金优化后果；
C&D：Ni-Cr-Mo 合金优化后果；
E&F：Al-Cr 合金优化后果；
G&H：高墒合金优化后果。
图中能够看到，两种模型对铁基合金和 FeCrNiCo 高墒合金的优化后果存在局部的相似性，但对其余两种合金的优化后果差别很大。 首先，过程感知 DNN 预测 Mo 元素含量减少，会显著进步铁基合金和 Ni-Cr-Mo 合金的点蚀电位。其次，过程感知 DNN 认为在 Ni-Cr-Mo 合金中，间隙氮和间隙碳能够晋升合金的点蚀电位。最初，在 Al-Cr 合金中，Cu 元素也有利于点蚀电位的晋升。这些都是简略 DNN 所漠视的。
特色变换 DNN
模型设计
通过合金组分特色化函数「WenAlloys」，合金的组分信息还能够被合成为一系列原子、物理及化学个性，并变换为不同的描述符，作为 DNN 模型的输出值。
表 2：局部特色的变换后果
其中 ci、ri、Xi 及 Ec,i 别离代表原子分数、原子半径、泡利电负性、元素结合能。
训练及验证
图 4：特色变换 DNN 的训练后果
A：模型训练及验证过程中的误差曲线；
B：训练之后预测点蚀电位和理论点蚀电位的回归曲线；
C：特色变换 DNN 及简略 DNN 的后果比照。
训练后，特色变换 DNN 的均匀绝对误差约 168 mV，R2 为 0.66，性能较简略 DNN 模型略有晋升。
特色变换 DNN 反抗蚀机制的剖析
从五类合金中各选出一种进行特色变换，之后输出模型中进行优化。基于优化曲线，输出特色能够被分为两类。一类特色曲线在优化过程中变动显著，超出了训练集中的预期；另一类特色在优化过程中只有渺小的变动。
图 5：不同输出特色的优化曲线
图中是 4 个优化过程中产生显著变动的特色，这意味着这些特色可能是晋升合金点蚀电位的重要参数。
特色变换 DNN 对 Al-Cu-Sc-Zr 合金的预测
因为特色变换 DNN 的输出中只有组分的原子、物理及化学特色，因而它能够对训练集中不存在的元素进行预测。
在多种合金中，Sc 和 Zr 元素都展现出了反抗蚀性能的晋升。因而，钻研团队利用特色变换 DNN 对这两种元素对 Al-Cu 合金的影响进行了剖析。
图 6：特色变换 DNN 对 Al-Cu-Sc-Zr 合金的点蚀电位预测后果
如图所示，随着 Zr 和 Sc 元素含量的减少，合金的点蚀电位一直晋升，阐明合金的抗蚀性能有所提高。这一后果验证了特色变换 DNN 对新元素的预测能力。
上述后果阐明，将 NLP 与 DNN 联合之后，模型可能读取无关合金加工和测试方法的文本数据， 因而较传统的 DNN 模型性能更好，并可能发现简略 DNN 所疏忽的元素对合金抗蚀性能的影响。而特色变换 DNN 则能够从合金的原子、物理及化学性质登程，对训练集中不存在的元素的性能进行预测。
## 侵蚀：缄默的金属杀手
2009 年，世界侵蚀组织 (WCO) 将每年的 4 月 24 日确立为世界侵蚀日，以晋升公众对侵蚀的认知。作为一种常见的化学景象，侵蚀存在于咱们生存中的每个角落。无论是厨房的各种器具，还是家用的各类电器，还有横跨海陆空的的交通工具，乃至独具设计的各种建筑物，都饱受侵蚀的困扰。 能够说，有金属的中央就有侵蚀。
金属腐蚀包含化学侵蚀和电化学侵蚀，其中电化学侵蚀的产生更为广泛，危害更大。电化学侵蚀是指两种金属在电解质溶液中造成回路，形成原电池，导致活跃金属被侵蚀的景象。常见的电化学侵蚀包含平均侵蚀、点蚀、应力侵蚀、间隙侵蚀等。其中，非平均侵蚀尤其是点蚀等不易被发现的侵蚀模式，对金属的危害更大，极易造成事变。
图 7：常见的电化学侵蚀类型
2013 年 11 月 22 日，山东省青岛市的输油管路因为长期处于高氯和干湿交替环境下，管壁侵蚀减薄，最终产生破裂，导致原油透露。之后的清理抢修过程中，因为现场操作不当，导致原油爆燃，最终造成 62 人死亡，163 人受伤。
侵蚀往往难以觉察，因而防止侵蚀事变须要定期的人工检查和抢修，消耗大量的人力物力。当初，在 AI 的帮忙下，咱们能够对合金的组成进行优化，找到抗蚀性能更好的资料。 同时，数字化的侵蚀监测零碎也正投入使用，帮忙咱们迅速定位侵蚀电位，让「缄默的杀手」不再缄默。
参考链接：
[1] http://impact.nace.org/documents/Nace-International-Report.pdf
[2] https://whatispiping.com/corrosion/?expand_article=1
[3] https://www.gov.cn/govweb/jrzg/2014-01/11/content_2564654.htm#:
本文首发于 HyperAI 超神经微信公众平台~
