Improvement of the machine learning-based corrosion rate prediction model through the optimization of input features

材料科学 随机森林 腐蚀 决策树 预测建模 主成分分析 梯度升压 机器学习 一般化 人工智能 冶金 计算机科学 数学 数学分析
作者
Yupeng Diao,Luchun Yan,Kewei Gao
出处
期刊:Materials & Design [Elsevier]
卷期号:198: 109326-109326 被引量:91
标识
DOI:10.1016/j.matdes.2020.109326
摘要

The corrosion resistance of low-alloy steel seriously influences its performance, particularly as a class of materials widely used in marine environments. In this study, we collected the marine corrosion data of low-alloy steels and established corrosion rate prediction models with machine learning algorithms. Both the chemical composition of low-alloy steel and environmental factors were used as input features, and the random forest algorithm was selected as the modeling algorithm. Feature reduction methods, including the gradient boosting decision tree, Kendall correlation analysis and principal component analysis, were first applied to select the dominating factors on the corrosion rate. Then, we proposed two feature creation methods to convert the chemical composition features into a set of atomic and physical property features. As a result, the feature creation method crafted a model no longer limited to materials with specific chemical compositions. The machine learning-based corrosion rate prediction model also showed good prediction accuracy of the corrosion rate. This study improved the generalization ability of the corrosion rate prediction model and proved the feasibility of machine learning in corrosion resistance evaluation.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
虎虎虎hu完成签到,获得积分20
1秒前
1秒前
研友_西门孤晴完成签到,获得积分10
2秒前
念念完成签到,获得积分10
3秒前
冰勾板勾完成签到,获得积分0
4秒前
5秒前
认真子默完成签到,获得积分10
5秒前
ivying0209完成签到,获得积分10
5秒前
伶俐的星月完成签到,获得积分10
6秒前
i1完成签到 ,获得积分10
7秒前
ffff发布了新的文献求助10
7秒前
970465242@qq.com完成签到,获得积分10
8秒前
蓝冰完成签到,获得积分10
8秒前
等待的谷波完成签到 ,获得积分10
8秒前
充电宝应助1234567采纳,获得30
8秒前
鳗鱼飞绿完成签到 ,获得积分20
9秒前
9秒前
年华完成签到,获得积分10
10秒前
阿莫西林胶囊完成签到,获得积分10
10秒前
10秒前
廖元枫完成签到,获得积分10
10秒前
阳光的嫣关注了科研通微信公众号
10秒前
彩色的过客完成签到,获得积分10
10秒前
草原狼发布了新的文献求助10
11秒前
无名之辈发布了新的文献求助10
12秒前
南城发布了新的文献求助30
12秒前
河河发布了新的文献求助10
12秒前
含糊的代丝完成签到 ,获得积分10
12秒前
hfgeyt发布了新的文献求助20
14秒前
LiXii完成签到,获得积分10
14秒前
14秒前
14秒前
14秒前
chowjb完成签到,获得积分10
14秒前
14秒前
星你完成签到,获得积分10
15秒前
yzlsci完成签到,获得积分0
16秒前
思源应助Dunley采纳,获得10
16秒前
wbgwudi完成签到,获得积分10
16秒前
suwan完成签到,获得积分10
16秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 1000
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3244993
求助须知:如何正确求助?哪些是违规求助? 2888654
关于积分的说明 8254529
捐赠科研通 2557066
什么是DOI,文献DOI怎么找? 1385741
科研通“疑难数据库(出版商)”最低求助积分说明 650214
邀请新用户注册赠送积分活动 626422