文献类型：期刊文章

作　　者：麦嘉琪[1] 徐鹏程[2] 丁松[3] 孙阳庭[4] 陆文聪[1,2]

MAI Jiaqi;XU Pengcheng;DING Song;SUN Yangting;LU Wencong(College of Sciences,Shanghai University,Shanghai 200444,China;Center of Materials Informatics and Data Science,Materials Genome Institute,Shanghai University,Shanghai 200444,China;School of Computer Engineering and Science,Shanghai University,Shanghai 200444,China;Department of Materials Science,Fudan University,Shanghai 200433,China)

机构地区：[1]上海大学理学院,上海200444 [2]上海大学材料基因组工程研究院材料信息与数据科学中心,上海200444 [3]上海大学计算机工程与科学学院,上海200444 [4]复旦大学材料科学系,上海200433

出　　处：《上海大学学报（自然科学版）》

基　　金：国家重点研发计划资助项目(2018YFB0704400);云南省重大科技专项资助项目(202002AB080001-2);之江实验室科研攻关资助项目(2021PEOAC02)。

年　　份：2022

卷　　号：28

期　　号：3

起止页码：485-491

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD_E2021_2022、JST、MR、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：点蚀是不锈钢的主要腐蚀类型之一,常用点蚀电位来评价不锈钢腐蚀的难易程度.点蚀电位会受到多方面因素的影响.基于不锈钢的元素成分和工艺参数,采用支持向量回归(support vector regression,SVR)算法建立了预测点蚀电位的模型.结果表明:独立测试集的相关系数达到0.97,均方根误差(root mean square error,RMSE)仅为0.07;通过Pearson相关分析和敏感性分析,元素Cr、Mo的含量和温度对点蚀电位的影响较大;当存在少量稀土元素时可以提高不锈钢的抗腐蚀能力.

关 键 词：不锈钢 点蚀电位 机器学习  

分 类 号：TP391]