ISO 9223—2012标准碳钢大气腐蚀速率预测方程在我国典型地区的适用性研究

目的对ISO 9223—2012标准中碳钢大气腐蚀速率预测方程在我国的适用性进行验证。方法利用我国典型沿海地区、盐渍区、工业污染区的碳钢大气腐蚀数据和同期环境数据,分析碳钢大气腐蚀速率预测值和实测值之间的差异,验证ISO 9223—2012标准碳钢大气腐蚀速率预测方程在我国的适用性。结果根据ISO 9223—2012标准碳钢大气腐蚀速率预测方程,利用气温、相对湿度、二氧化硫沉积速率、氯离子沉积速率四项环境因素数据预测碳钢第一年大气腐蚀速率,在我国12个典型地区的预测效果较好,R^2达到0.90。根据预测值划分的腐蚀等级与实测值划分结果一致性好。结论 ISO 9223—2012标准碳钢大气腐蚀速率预测方程适用于我国大气环境,预测方程中氯离子沉积速率数据可以直接采用挂片法数据。     

典型大气腐蚀介质的灰色预测模型分析

利用武汉地区2002—2007年二氧化硫和氯化物含量数据,建立了这2种典型大气腐蚀介质的GM(11,)预测模型,探讨了不同维数GM(1,1)模型预测结果的差异。另外,对这2种典型大气腐蚀介质GM(1,1)模型进行了检验,结果表明,GM(1,1)模型的预测精度较高,精度检验等级达到1级。     

基于流形降维和梯度提升树的大气腐蚀速率预测模型

目的为了挖掘大气腐蚀速率与金属化学成分和暴露时间两个影响因素的定量关系,针对数据集特点,提出一种局部保持投影(Locality Preserving Projection)和梯度提升树(Gradient Boosting Decision Trees)结合的大气腐蚀速率预测模型(LPP-GBDT)。方法采用LPP算法对金属化学成分进行降维处理,得到金属化学成分低维特征,然后引入时间因素,并利用GBDT进行建立预测模型。以青岛海洋大气环境下积累的16年内的腐蚀速率数据进行模型性能验证,结果 LPP-GBDT模型测试集平均绝对误差为1.73μm/a,平均绝对百分误差为6.30%。正交化LPP-GBDT模型测试集平均绝对误差为1.21μm/a,平均绝对百分误差为4.42%。结论与多个典型预测模型相比,LPP-GBDT模型基于暴露时间和化学成分因素实现了大气腐蚀速率较为准确的预测,对特定环境下金属选材具有一定的参考价值。     

基于ANFIS改进的大气腐蚀环境缺失数据填补方法

目的针对大气腐蚀中重要环境数据缺失的复杂问题,提出一种相关因素(Relevance Factors)和自适应神经模糊推理系统(Adaptive Neuro-Fuzzy Inference System)结合的方法(RF-ANFIS)对缺失数据进行填补。方法首先采用相关因素方法计算缺失数据和多项环境因素间的相关程度,筛选出相关系数较大的因子,然后应用ANFIS构建缺失数据与所选环境因子的关系模型。最后以二氧化硫数据为具体对象,采用北京2015年的气象数据对所建立的模型进行检验。结果经过改进的RF-ANFIS模型在最优情况下样本均方误差为0.696,在14个测试样本中有13个相对误差在20%以内,针对有限样本的数据分析中更为适用。结论该方法有效提高了大气腐蚀环境数据缺失的填补精度,对在数据缺失情况下预测大气腐蚀速率具有重要意义。     

基于多层线性模型的铝合金大气腐蚀规律研究

目的 针对不同地区铝合金大气腐蚀差异性和样本数据利用不充分的问题,构建精度更高的铝合金大气腐蚀模型,研究铝合金在不同环境中的大气腐蚀规律。方法 基于多层线性模型,构建具备层次结构的腐蚀率模型。以某型号铝合金腐蚀数据为研究对象,逐步建立零模型、随机系数回归模型、完整模型探究大气腐蚀规律,并进行预测评估。结果 通过交叉验证进行模型评估,多层线性模型(MSE=0.001 3)优于幂函数回归(MSE=0.005 5),远优于线性回归(MSE=0.031 6),模型预测精度提升。多层线性模型能有效分解总方差,增强了模型的可解释性。结论 多层线性模型有效结合铝合金腐蚀数据区域差异性特征,能表征大气腐蚀规律,具有一定的实用价值。     

碳钢及低合金钢在重庆和万宁地区大气腐蚀规律研究

通过对17种碳钢和低合金钢在重庆地区江津试验站和海南万宁试验站进行16年的长期暴露试验,得到各种钢在重庆和万宁地区的大气腐蚀长期变化规律。指出在江津地区,碳钢和低合金钢可以用4年的短期大气腐蚀数据预测长期大气腐蚀规律。在万宁地区初期腐蚀率较低,但一定时间后腐蚀率呈上升趋势,耐候钢的腐蚀可以采用短期腐蚀数据预测长期结果,对于其他钢种则不能用短期数据预测长期腐蚀情况。对于江津地区,工程上选材可主要考虑经济因素。在万宁地区,工程上选材应重点考虑材料性能的差异。     

基于CEEMD-BiGRU模型的徐州市大气污染物浓度预测

目前大气污染物对于地区经济以及人体健康的影响不容忽视。选取徐州市2016-01-01—2021-01-24大气污染物和气象要素数据,针对大气污染物浓度波动性强等特点,运用互补集成经验模态分解(CEEMD)将污染物数据分解为本征模态分量,提取出原始数据的各项特征,再对分解出的各本征模态分量构建双向门控循环单元模型(BiGRU),通过双向循环训练,学习各分量的特征趋势并获得最优训练参数,将输出结果重构,得到最终的预测值。结果表明:与BiGRU、BP模型相比,CEEMD-BiGRU模型预测各项大气污染物的平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)分别下降15%、20%和2百分点以上,预测精度有较大提升。在此基础上,利用CEEMD-BiGRU模型预测后一时间段残差,以修正原预测值,得到大气污染物预测区间上界,进一步扩展模型的适用性。     

XGBoost-LSTM变权组合模型支持下短期PM2.5浓度预测——以上海为例

为进一步提高PM_2.5浓度预测的精度,基于XGBoost和LSTM进行改进得到变权组合模型XGBoost-LSTM（Variable）.过对预测因子进行相关性分析,得到其它大气污染物和气象因素对PM_2.5浓度的影响,确定最优PM_2.5浓度预测因子,再将预处理后数据集输入LSTM模型和XGBoost模型分别进行预测,采用基于残差改进的自适应变权组合方法得到最终预测结果.结果表明,污染物变量的相对重要性高于气象因子变量,其中当前PM_2.5和CO浓度的相对重要性较高,而平均风速和相对湿度重要性较低.XGBoost-LSTM（Variable）模型的RMSE、MAE和MAPE值为1.75、1.12和6.06,优于LSTM、XGBoost、SVR、XGBoost-LSTM（Equal）和XGBoost-LSTM（Residual）模型.分季节预测结果表明,XGBoost-LSTM（Variable）模型在春季预测精度最好,而夏季预测精度较差.模型预测精度高的原因在于其不仅考虑了数据的时间序列特征,又兼顾了数据的非线性特征.     

基于GAN的小样本腐蚀失厚率数据增强方法

目的 对小样本腐蚀失厚率数据进行数据增强,实现数据扩充,以提升后续分析模型的预测精度,减轻过拟合程度,并提升模型的泛化能力。方法 利用生成对抗网络(Generative Adversarial Networks,GAN)扩充腐蚀失厚率数据,使数据分布更加全面。对生成数据进行降维可视化分析,探究生成数据与原始数据样本的分布规律,分析数据增强合理性,并从多个算法模型、多个评价指标角度对分析预测能力、泛化能力进行评估。结果 生成数据填补了原始数据在样本空间分布的薄弱环节,加入生成数据后,各机器学习算法模型得出的MSE均值为未加入生成数据的61.72%~91.74%,皮尔逊均值为99.01%~113.64%,预测准确度提升,结果关联性更强,模型泛化能力增强。结论 GAN能有效对小样本腐蚀失厚率数据进行增强,数据扩充对分析预测提供正向支持,生成数据不宜多于原始数据,防止扰乱训练样本分布,同时存在生成数据多样性受限的问题。     

我国大气腐蚀研究进展

总结了近几年来我国在大气腐蚀方面的研究现状和进展,尤其是国产、常用、量大、面广的4大类材料在我国9类主要典型大气环境下的腐蚀数据;各类典型材料在典型环境下的大气腐蚀行为规律;大气环境因素对材料大气腐蚀的影响;碳钢、低合金铜大气腐蚀行为预测.特别是在根据8年试验结果所总结出的大气腐蚀速度与试验时间之间具有幂函数关系的基础上,又进一步建立了腐蚀速度与合金元素之间的数学模型关系;探讨了采用ACM技术评估大气腐蚀严酷性;初步建立了大气腐蚀数据库,并进一步采用计算机发展网络查询服务系统,实现科学数据共享;经过20余年的研究,撰写并出版了中国材料自然环境腐蚀专著中的大气腐蚀篇,研制和生产了经济耐候钢.     

基于航空金属材料腐蚀的我国大气环境分区

目的针对我国服役飞机的腐蚀问题,实现飞机结构日历寿命的分区预测与精细化管理。方法收集我国大气环境17个典型地区的气象环境数据,编制各地区的气候、化学环境总谱,并根据腐蚀电荷当量原理,使用铝合金、合金钢两种材料的折算系数,将各地区的大气环境向标准潮湿空气作用时间进行折算。基于系统聚类的方法,根据大气腐蚀的差异性,将17个典型地区进行分类,确定各分区的划分标准和我国大气腐蚀分区个数,并综合考虑当前文献中可查的其他地区数据资料与我国气候、降水、大气污染的分布情况,对我国大气环境进行腐蚀分区。结果根据铝合金、合金钢的腐蚀特征量,可将我国大气环境划为5个分区。绘制了我国大气环境腐蚀分区图,给出了各分区的环境特点、地理位置分布和代表城市。结论应用我国大气环境分区结果,可以直观掌握我国飞机不同服役环境的腐蚀严酷程度,为编制加速腐蚀环境谱、评定飞机结构日历寿命、制定针对性的维护计划和飞行计划奠定基础。     

基于机器学习的交通碳排放预测模型构建与分析

针对交通运输碳排放问题,基于2005~2019年30个省份的面板数据,采用多种机器学习算法构建不同预测模型对30个省份的交通碳排放量与影响因素进行分析.首先,基于固定效应模型思想将省份差异转化为影响因素,进一步采用Pearson相关系数法与Spearman秩相关系数相结合的方法对18个交通碳排放影响因素进行筛选;其次,采用K-折交叉验证方法,并绘制学习曲线对各预测模型性能进行测试,选用MSE、MAE、R²和MAPE作为模型的评价指标进行分析,来选定最佳预测模型,并选择SHAP值来计算最佳预测模型中各解释变量的重要度.结果表明,省份差异、社会商品消费总额、城市绿地面积、货运周转量、私家车数量、交通运输业产值和常住人口这7个因素之间多重共线性弱且均通过显著性检验,可作为交通运输碳排放预测模型的解释变量;随机森林算法和XGBoost算法预测结果均表现优异,R²均高于0.97,误差均低于10 %,且不存在过拟合与欠拟合现象,其中XGBoost算法表现最优,而KNN算法表现欠佳;各解释变量的重要度排名为:省份差异 > 社会商品消费总额 > 私家车数量 > 常住人口 > 货运周转量 > 城市绿地面积 > 交通运输业产值, 综合相关性与重要性分析来看,在交通运输碳排放预测中,省份差异是一个不可忽视的变量.研究结果可为政策制定者和决策者提供参考,促进交通运输行业的可持续发展.     

大气环境分类的SVM联合决策方法

目的实现城市大气环境的精准快速归类预测。方法基于支持向量机(SVM)构建多分类问题的联合决策算法,将大量城市环境因素数据的主成分聚类结果作为输入,通过机器学习训练,组建大气环境的SVM联合决策模型。结果该模型根据大气环境因素将数据集91个城市划分为9类,其中河内与海防环境相似度最高,巴东与格尔木差异最大。9个SVM二分类器组建的联合决策模型通过逐点预测在主成分数据空间形成了分区预测云图。结论SVM联合决策模型可实现城市环境的快速分类辨识,分类预测结果精度高于95%。     

常压塔塔顶腐蚀关键参量相关性分析与预测

预测常压塔顶回流罐切水的关键离子浓度可以为常压塔顶系统工艺防腐提供技术指导。收集了某炼厂2014-2016年常压装置的生产实时工艺参数、原料及产品采样数据、水质分析化验参数,采用线性插值方法对不同时间尺度的数据进行补全。通过线性相关性分析获得了影响常压塔顶回流罐切水总铁离子浓度、pH的主要因素,并基于深度学习、支持向量机回归、粒子群优化方法建立了腐蚀关键参量预测模型。结果表明,pH值和总铁离子浓度的相关因素大部分重叠,与原料性质及产品馏出温度较强相关;建立的回归模型预测精度高,在训练集和预测集上,总铁离子浓度预测值与测量值最大偏差分别为4. 4%和9. 8%,pH值预测值与测量值最大偏差分别为0. 9%和1. 1%。     

基于组合模型的PM2.5浓度预测及其不确定性分析

运用GIS软件及克里金（Kriging）插值等方法分析合肥城市圈PM_2.5浓度的时空分布,根据合肥市环境监测历史数据、地面气象站点数据及历史气象数据,采用多元回归分析、相关分析等方法,研究合肥市PM_2.5浓度的影响因素。结果表明:1）PM_2.5 浓度整体变化情况为冬季 > 秋季 > 春季 > 夏季,大部分城市PM_2.5浓度峰值出现在1月,之后浓度开始逐渐下降,7月达到最低值,此后浓度逐渐升高。2）PM_2.5浓度与CO呈高度正相关,相关系数高达0.875;与PM₁₀、SO₂、NO₂的相关性也较高;与O₃呈负相关。PM_2.5浓度与气压、风速、降雨量以及能见度呈负相关,与温度、相对湿度呈强正相关。基于2018—2019年合肥市地面站点PM_2.5浓度监测数据,构建预测PM_2.5浓度的组合模型:对比三次指数平滑模型,确定模拟退火+遗传+三次指数平滑为优组合模型,拟合度达到95%。通过Kappa及MAPE指数对组合模型不确定性进行分析评价,两者分别为0.654和0.072,说明该模型具有高度稳定性。恰当的预测因子组合和模型不确定性研究有助于模型预测精度的提升和改善,从而为大气环境质量监测和评价提供参考。     

基于深度学习模型的广州市大气PM2.5和PM10浓度预测

精准预测大气污染颗粒物PM_2.5、PM₁₀浓度能为大气污染防治提供科学依据,但目前较多PM_2.5和PM₁₀浓度预测在缺少污染源排放清单和能见度数据时,预测精度不高。而目前深度学习模型应用于PM_2.5和PM₁₀浓度预测的研究还鲜见报道。基于广州市2015年6月1日—2018年1月10日的空气质量和气象监测历史数据,分别构建了随机森林模型(RF)、XGBoost模型2种传统的机器学习模型和长短时记忆网络(LSTM)、门控循环单元网络(GRU)2种深度学习模型,并对广州市的PM_2.5、PM₁₀日均浓度值进行预测。结果表明:在缺少污染源排放清单和能见度数据时,4种模型也能较好地预测PM_2.5、PM₁₀日均浓度。根据MSE、RMSE、MAPE、MAE和R2等评价指标,对4个模型的PM_2.5、PM₁₀预测效果进行测评,得出深度学习GRU模型预测效果均为最佳,RF模型的预测结果均为最差。相比目前研究及应用较多的RF模型、XGBoost模型、LSTM模型,基于深度学习的GRU模型能更好地预测PM_2.5、PM₁₀浓度。     

基于ARIMA和BP神经网络的猪舍氨气浓度预测

为了从源头减少生猪养殖过程中的氨气排放,降低猪舍氨气浓度,提出了基于ARIMA-BP神经网络的猪舍氨气浓度组合预测方法,分别从最优权重和残差优化角度对基于ARIMA-BP神经网络的组合预测方法进行了对比研究.将该预测方法应用于江苏省宜兴市某养猪场的氨气浓度预测中,预测结果表明：基于ARIMA-BP神经网络残差优化组合预测方法的预测精度最高,与BP神经网络、ARIMA预测方法和基于ARIMA-BP神经网络最优权重组合预测方法对比分析,评价指标MAE、MAPE和RMSE分别为0.0319、0.1580%和0.0365.本文提出的氨气预测方法可以为猪舍环境精准化调控管理提供科学依据以减小猪舍氨气排放对生态环境的污染.     

随机应用下的锂离子电池剩余寿命预测

目的为模拟海洋工程与水下科考装备电池的真实使用情况,进行随机电流放电下的锂离子电池老化实验,通过高斯过程回归模型进行电池剩余寿命预测。方法从数据驱动方法中选取具备不确定性表达能力的高斯过程回归模型,选定核函数后通过训练数据来优化超参数建立预测模型。用随机应用下的电池充放电循环实验数据验证预测结果。结果与SE核函数相比,基于Matern核函数的模型预测效果更优。训练数据越多,预测起始点越大,模型预测绝对误差越小、MAPE与RMSE值更低。对两种不同实验温度、不同随机电流放电模式下的三组电池,模型预测绝对误差大多在40 cycle内,MAPE与RMSE值分别低于0.06、0.09,均能实现准确剩余寿命预测。结论对于随机应用下的锂离子电池剩余寿命预测,高斯过程回归模型具备高精度与适用性。