课程分销的网站怎么做,机械设计师网课,湖南响应式网站设计,百度小说免费阅读内容一览#xff1a;在被不锈钢包围的世界中#xff0c;我们可能都快忘记了腐蚀的存在。然而#xff0c;腐蚀存在于生活中的方方面面。无论是锈迹斑斑的钢钉#xff0c;老化漏液的电线#xff0c;还是失去光泽的汽车#xff0c;这一切的发生都与腐蚀有关。据统计#xf… 内容一览在被不锈钢包围的世界中我们可能都快忘记了腐蚀的存在。然而腐蚀存在于生活中的方方面面。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一切的发生都与腐蚀有关。据统计全世界每年由金属腐蚀带来的经济损失超过 2.5 万亿美元远超过其他自然灾害。其中腐蚀在中国造成的经济损失约 3,949 亿美元占中国 GDP 的 4.2%。正因为此研究者们一直在探索抗蚀性能更好的合金或是金属保护膜。如今在优化材料抗蚀性能的过程中AI 派上了用场。 关键词自然语言处理 深度神经网络 腐蚀 作者 | 雪菜 编辑 | 三羊
本文首发于 HyperAI 超神经微信公众平台~
据美国腐蚀工程师协会 (NACE, National Association of Corrosion Engineers) 统计2013 年全世界由腐蚀造成的经济损失超 2.5 万亿。同时中国也饱受腐蚀的困扰经济损失约 3,949 亿美元占当年 GDP 的 4.2%较其他发达国家比例略高。
作为对比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 年仅腐蚀为我国带来的经济损失就超过了 3 个汶川大地震。 表 12013 年世界各地因腐蚀造成的经济损失单位十亿美元
为破解腐蚀难题研究者们在致力于提升材料强度的同时也在不断寻找提升材料抗蚀性能的方法。 借助 AI他们已经取得了一定的进展如对高温下合金的腐蚀机制进行了预测对钢铁的大气腐蚀速率和钢筋混凝土的环境腐蚀进行了分析并能够用卷积神经网络 (CNN) 从图像中判断材料的腐蚀形式。
然而机器学习模型的输入数据多为数值数据。但在金属材料的加工和分析中除了 pH 值、测试温度等数值数据还有材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法对所有数据进行彻底读取和分析预测准确率较低。
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) 和自然语言处理 (NLP) 相结合开发了进程感知 DNN。 这一模型可以将数值数据和文本数据结合处理其准确率较其他模型提升了 15%。
同时他们将金属的物理化学特性转换为描述符构建了特征变换 DNN 可以用于预测训练集中不存在的元素对抗蚀性能的影响。这项研究已于 2023 年 8 月发表于《Science Advances》标题为「Enhancing corrosion-resistant alloy design through natural language processing and deep learning」。 相关研究已发表于《Science Advances》 论文链接 https://www.science.org/doi/10.1126/sciadv.adg7992
进程感知 DNN
模型设计
本研究数据集为 5 类 769 种合金的点蚀电位数据集中包括数值数据、分类数据及文本数据。其中数值数据被直接输入模型中分类数据通过顺序编号转为数值输入模型而文本型数据则通过 NLP 架构处理后输入模型。
NLP 架构主要分为三个部分包括词汇标记、向量化和向量序列的处理。
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)。
词汇标记之后虽然文本数据转换成了数值但数值之间没有任何关联无法承载原文的语义。因此整型向量会经过向量化转换为 n 维浮点型向量。在训练过程中 每个词汇的权重被不断优化。训练完成后向量间的接近度则对应着它们的语义相似性。
最后n 维浮点型向量通过长短期记忆递归神经网络 (LSTM) 转换为单一向量进入输入层。LSTM 可以通过门函数识别词汇间的长期依赖性。因此LSTM 可以从给定语句中找出关键的相关词汇将语句中最重要的部分传递给 DNN 的输入层。 图 1进程感知 DNN 模型结构 ANLP 数据处理工作流 B进程感知 DNN 模型示意图
训练及验证
训练之后研究者对模型的绝对平均误差进行了汇总。进程感知 DNN 的平均绝对误差约 150 mV较简单 DNN 降低了 20 mV。预测点蚀电位和实际点蚀电位之间的 R2 为 0.78 ± 0.06 较简单 DNN 的 0.61 ± 0.04 更高。上述结果说明在对文本数据进行分析之后进程感知 DNN 的性能优于简单 DNN 模型。 图 2进程感知 DNN 训练结果 A训练及验证过程中的平均绝对误差其中红线为简单 DNN 模型的平均绝对误差 B进程感知 DNN 与简单 DNN 模型的结果对比。
合金组分优化
为了对比进程感知 DNN 与简单 DNN 在合金组分优化过程中的差异研究者从相似的合金组分开始用相同的学习率利用两种模型分别对合金组分进行了优化。 图 3组分优化结果 AB铁基合金优化结果 CDNi-Cr-Mo 合金优化结果 EFAl-Cr 合金优化结果 GH高墒合金优化结果。
图中可以看到两种模型对铁基合金和 FeCrNiCo 高墒合金的优化结果存在部分的相似性但对其他两种合金的优化结果差异很大。 首先进程感知 DNN 预测 Mo 元素含量增加会显著提高铁基合金和 Ni-Cr-Mo 合金的点蚀电位。其次进程感知 DNN 认为在 Ni-Cr-Mo 合金中间隙氮和间隙碳可以提升合金的点蚀电位。最后在 Al-Cr 合金中Cu 元素也有利于点蚀电位的提升。这些都是简单 DNN 所忽视的。
特征变换 DNN
模型设计
通过合金组分特征化函数「WenAlloys」合金的组分信息还可以被分解为一系列原子、物理及化学特性并变换为不同的描述符作为 DNN 模型的输入值。 表 2部分特征的变换结果 其中 ci、ri、Xi 及 Ec,i 分别代表原子分数、原子半径、泡利电负性、元素结合能。
训练及验证 图 4特征变换 DNN 的训练结果 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实际点蚀电位的回归曲线 C特征变换 DNN 及简单 DNN 的结果对比。
训练后特征变换 DNN 的平均绝对误差约 168 mVR2 为 0.66性能较简单 DNN 模型略有提升。
特征变换 DNN 对抗蚀机制的分析
从五类合金中各选出一种进行特征变换之后输入模型中进行优化。基于优化曲线输入特征可以被分为两类。一类特征曲线在优化过程中变化显著超出了训练集中的预期另一类特征在优化过程中只有微小的变化。 图 5不同输入特征的优化曲线 图中是 4 个优化过程中发生显著变化的特征这意味着这些特征可能是提升合金点蚀电位的重要参数。
特征变换 DNN 对 Al-Cu-Sc-Zr 合金的预测
由于特征变换 DNN 的输入中只有组分的原子、物理及化学特征因此它可以对训练集中不存在的元素进行预测。
在多种合金中Sc 和 Zr 元素都展现出了对抗蚀性能的提升。因此研究团队利用特征变换 DNN 对这两种元素对 Al-Cu 合金的影响进行了分析。 图 6特征变换 DNN 对 Al-Cu-Sc-Zr 合金的点蚀电位预测结果 如图所示随着 Zr 和 Sc 元素含量的增加合金的点蚀电位不断提升说明合金的抗蚀性能有所提高。这一结果验证了特征变换 DNN 对新元素的预测能力。
上述结果说明将 NLP 与 DNN 结合之后模型能够读取有关合金加工和测试方法的文本数据 因此较传统的 DNN 模型性能更好并能够发现简单 DNN 所忽略的元素对合金抗蚀性能的影响。而特征变换 DNN 则可以从合金的原子、物理及化学性质出发 对训练集中不存在的元素的性能进行预测。
腐蚀沉默的金属杀手
2009 年世界腐蚀组织 (WCO) 将每年的 4 月 24 日确立为世界腐蚀日以提升公众对腐蚀的认知。作为一种常见的化学现象腐蚀存在于我们生活中的每个角落。无论是厨房的各种用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腐蚀的困扰。可以说有金属的地方就有腐蚀。
金属腐蚀包括化学腐蚀和电化学腐蚀其中电化学腐蚀的发生更为普遍危害更大。电化学腐蚀是指两种金属在电解质溶液中形成回路构成原电池导致活泼金属被腐蚀的现象。常见的电化学腐蚀包括均匀腐蚀、点蚀、应力腐蚀、间隙腐蚀等。其中非均匀腐蚀尤其是点蚀等不易被发现的腐蚀形式对金属的危害更大极易造成事故。 图 7常见的电化学腐蚀类型 2013 年 11 月 22 日山东省青岛市的输油管路由于长期处于高氯和干湿交替环境下管壁腐蚀减薄最终发生破裂导致原油泄漏。之后的清理抢修过程中 由于现场操作不当导致原油爆燃最终造成 62 人死亡163 人受伤。
腐蚀往往难以察觉因此避免腐蚀事故需要定期的人工检查和抢修耗费大量的人力物力。现在在 AI 的帮助下我们可以对合金的组成进行优化找到抗蚀性能更好的材料。 同时数字化的腐蚀监测系统也正投入使用帮助我们迅速定位腐蚀电位让「沉默的杀手」不再沉默。
参考链接
[1] http://impact.nace.org/documents/Nace-International-Report.pdf
[2] https://whatispiping.com/corrosion/?expand_article1
[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~
