文|入夢菲記
編輯|入夢菲記
前言：
近幾年來關于土地的問題層出不窮，而其中的土壤腐蝕便引起了廣泛關注。因為存在着許多地下基礎設施的執行個體，其中包含核廢料的已使用核燃料容器。這些基礎設施至關重要，在現代生活中發揮着重要作用。
放射性廢物的長期儲存仍然是全球面臨的主要挑戰。如果容器在長時間使用後腐蝕、開裂且無法更換，将會對經濟産生重大影響。是以說提前了解金屬的腐蝕速率和土壤的性質對工程師來說非常有幫助，以找到适合管道的保護方法。
但是在複雜環境如土壤中預測腐蝕速率并不容易，畢竟土壤環境有許多影響腐蝕速率的因素，包括土壤水中的化學濃度、土壤濕度和土壤結構。
很多研究人員着力于這方面的研究，那麼這一些研究人員有何方法能夠解決土壤腐蝕的問題，現在結果是否有了更大的進步呢？
機器學習在腐蝕科學中的嶄露頭角
在現在這個社會當中，隻要是所有的手動任務都可以使用機器學習算法進行自動化處理。機器學習具有廣泛的潛在工業應用，具備很強的發展空間性。更何況機器學習方法适用于具有多個變量的預測模型。
近段時間許多科學領域都應用了機器學習進行跨學科的預測，其中便包括了腐蝕領域，越來越多的科學家開始應用機器學習來預測大氣中的腐蝕速率、腐蝕抑制劑的性能和腐蝕行為。
雖然說很多研究人員已經開始應用機器，但是關于預測土壤環境中碳鋼容器的腐蝕速率的研究并不多。根據以前的研究涉及基于土壤溶液的pH值、氯離子和硫酸鹽濃度的影響，使用響應面法和土壤溶液的pH值、氯離子、溫度等進行預測，使用了響應面法和人工神經網絡。
利用機器多種算法的應用與模型優化
研究人員使用多種機器學習算法，考慮真實土壤條件下的腐蝕，來預測碳鋼在土壤環境中的腐蝕速率。碳鋼是一種成本效益高的容器材料，廣泛用于土壤環境。簡單來說就是在最終預測碳鋼容器在土壤中的腐蝕，示範如何将機器學習應用于腐蝕科學。
研究的過程當中，需要采用三種機器學習算法和內建學習方法，以此來預測腐蝕速率，并且還需要重點關注土壤溶液的組成及其溫度，最後再去使用IBM SPSS Modeler軟體進行模型優化，以找到最佳參數來預測腐蝕速率。
IBM SPSS Modeler是一個強大的支援軟體，它能夠幫助非資料科學家更容易使用和通路機器學習。研究的過程當中需要選擇五個影響腐蝕速率的因素，其中包含着pH值、氯離子、硫代硫酸鹽、硫酸鹽和溫度。
機器學習：無需程式設計，準确預測，推動科技進步
機器學習是一種人工智能類型，它使軟體應用能夠更準确地預測結果，是以機器學習的方法對腐蝕科學的發展至關重要。為了能夠确定碳鋼容器在土壤中的外部腐蝕速率問題的預測，研究當中需要選擇最佳和适合的機器學習算法。
機器學習算法庫非常多樣，而當下目前流行的機器學習算法有兩種類型，包括監督學習和無監督學習。監督學習是一種算法，它基于已知的輸入和輸出對來預測新資料的輸出。
無監督學習是一組允許機器自行學習并發現未标記資料集中隐藏的某種模式或配置的算法。這意味着它隻有輸入資料集，不知道結果是什麼使用這些方法更多地涉及對資料的表征。
監督算法如果進一步細分，也可以分為兩個主要部分：分類和回歸。回歸和分類算法之間最重要的差別在于，分類算法通常用于預測類别和離散值，而回歸算法通常用于預測連續值。在研究人員的研究當中，腐蝕電流密度是一個具體的數量，得知具體的前提之下，是以在使用監督算法的時候需要選擇回歸方法。
在回歸監督學習領域有許多不同的算法，在研究的時候除了會選擇的單一算法，還會應用內建學習方法，以提高預測性能。內建學習方法是将多個算法合并在一起，以獲得比單一算法更好的預測性能。
人工神經網絡算法的基本結構和類型
人工神經網絡是通過生物神經元建構的數學模型，人工神經網絡算法由一組工作和人工神經元組成，這些神經元可以通過沿着連接配接傳遞資訊，然後在節點處計算新值來連接配接和處理資訊。許多人工神經網絡算法也是模組化非線性統計資料的工具。
人工神經網絡算法體系結構主要是分為兩個主要類型，前饋網絡和回報網絡。在前饋網絡中，資訊信号僅在神經網絡中單向傳播，而在回報網絡中，資訊可以在網絡内部形成循環路徑，是以可以實作多次傳遞。
前饋網絡相對于回報網絡在計算上較為簡單，因為資訊的流動是直線的，沒有循環。再加上由于這種簡單性，前饋網絡被認為在某些情況下可能精度較低。
但不論如何，傳統的前饋網絡在某些領域，尤其是土壤領域，仍然被廣泛使用。因為它們非常适合用于模組化輸入資料與一個或多個輸出響應之間的關系。這使得前饋網絡成為解決特定問題的有效工具。
決策樹算法及其關鍵組成部分
決策樹算法是機器學習領域最為經典和重要的算法之一，它基于樹狀結構，用于預測結果變量的值。在決策樹模型的建構過程中，有關分裂、停止和修剪等關鍵步驟需要深入了解。
決策樹由節點和分支組成，節點又分為三種基本類型，根節點、内部節點和葉節點。而根節點代表初始的資料分割選擇，因為可能存在多個選擇機會。内部節點則會反映了樹結構中的不同選擇機會，葉節點表示最終的結果或決策。
決策樹分裂的過程當中需要确定最重要的輸入變量，然後根據這些變量的狀态将節點分成兩個或多個類别或桶。這種分割技術會重複進行，直到達到停止條件或均勻性條件。當停止條件通常包括樹的深度達到一定值、節點中的資料量不足以進一步分裂。
決策樹算法非常多樣性，不同的決策樹有不同的算法，而決策樹算法的多樣性展現在不同的建構政策上。一些常見的決策樹算法，可以分為分類回歸樹、疊代二分器3、C4.5、卡方自動互動檢測器（CHAID）這幾種算法。
是以根據決策樹算法的多樣性，可以知道它是機器學習中強大的工具，能夠處理各種問題。而了解其基本組成部分和建構過程對于正确應用和解釋決策樹模型至關重要。
選擇合适的決策樹算法取決于問題的性質和資料的特點，其中卡方自動互動檢測器算法在某些領域表現出色。卡方自動互動檢測器是一種使用卡方統計量來确定最佳分解的算法，生成決策樹。
連續預測變量被分成具有近似相等數量觀察值的類别，而分類預測變量被分成具有近似相等數量觀察值的類别。
對于每個類别預測變量，卡方自動互動檢測器執行所有潛在的交叉表格，直到獲得最佳結果且無法進一步分割為止。卡方自動互動檢測器方法可用于可視化樹内分割變量與相關因素之間的關系。
多種模型比較和選擇
研究人員在研究中采用了三種不同的方法，包括使用不同樹深度的标準和同質內建學習方法裝袋、提升。
針對不同的樹深度，預測值在達到5後趨于相同，樹深度沒有進一步增長的必要。根據三種模型的評估結果，包括最小誤差、最大誤差、平均誤差、平均絕對誤差、标準差和線性相關值。
使用樹深度為3的提升方法的模型具有最低的平均絕對誤內插補點，并且在驗證資料集中的其他參數也表現最佳。
是以即使在樹深度為3的情況下，卡方自動互動檢測器決策樹模型在某些參數上仍然具有最高的R、R2和R2adjusted值。是以樹深度為3的提升內建學習方法被選為CHAID決策樹的最佳模型。
不僅如此，在研究中還應用了線性回歸算法，可用于處理多個預測變量對腐蝕電流密度響應變量的影響。多元線性回歸是一種用于預測的監督學習方法，适用于研究多個預測變量與一個響應變量之間的關系。
是以根據測試可以得知，在響應面和等高面上顯示了土壤溫度和氯化物是影響腐蝕速率的兩個主要因素。
結論：
本研究的目标是建立一個有效的模型，可用于估計土壤中碳鋼容器的腐蝕速度。研究人員嘗試了多個模型，最後确定了一種叫做內建學習疊加方法的模型，它在研究資料上表現最好。
雖然這種模型在某些情況下非常準确，但并不意味着它适用于所有情況。是以我們需要為不同的資料集評估多個模型，以找到最适合的模型。為了使模型更可靠，我們需要更多有關土壤腐蝕的資料，以及更多影響腐蝕的因素，比如濕度和孔隙度。
除了使用機器學習來構模組化型，研究人員還通過敏感性分析來确定哪些因素對碳鋼腐蝕速度最為敏感。根據結果的顯示，溫度和氯化物是影響腐蝕速度的兩個最重要的因素，這些結果有助于更好地了解碳鋼容器腐蝕的機理。
都看到這裡了，還請“點贊+關注”，有了您的支援，我才能不斷為大家帶來更多優質的内容！