Application of Machine Learning Algorithms to Classify and Predict Corrosion Behavior of Stainless Steels in Lactic Acid
Notice bibliographique
Résumé
Corrosion of metals is a critical issue, which causes a considerable amount of loss in industries. There are numerous factors that can influence corrosion, including chemical composition and multiple environmental conditions. Hence, it is difficult to determine the relation between individual environmental factors and corrosion processes based on physics-based corrosion laws or to predict the corrosion life of materials. Predicting corrosion behavior of materials in any type of environment is important since testing materials in each different environment is time-consuming and expensive. Hence, analyzing corrosion data and, subsequently, predicting corrosion behavior needs advanced data mining methods. Recently, machine learning (ML) methods have been extensively used in materials research thanks to their powerful data mining capabilities. By learning from sample data and experience, it automates the searching for knowledge without reliance on predetermined equations. In corrosion research, machine learning algorithms such as random forest, support vector regression, and artificial neural networks have been used to study the corrosion behavior. Stainless steels are widely used in corrosive environments. This research aims to develop classification methods for predicting stainless steel corrosion behavior in different concentrations of lactic acid and different temperatures. The Handbook of corrosion data was used to gather data on stainless steel corrosion in lactic acid. Outlier, repeated, and missing data were treated during a pre-processing step (Figure 1). Based on the ML results, we can properly predict the corrosion behavior of various grades of stainless steels, in different lactic acid concentration and test temperatures. The best training and testing accuracies are 98.73% and 90.00%, respectively, which are obtained by fitting the decision tree classifier. It is also concluded that the percentage of four essential elements (C, Cr, Ni, Mo) in stainless steel alloys, alongside acid concentration and temperature, can be used as the input data to predict the corrosion behavior. Receiver operating characteristic (ROC) curves indicate that stainless steels with poor corrosion behavior are correctly classified by support vector machine (SVM) multiclassification modeling. Therefore, the SVM algorithm is reliable for detecting stainless steels with poor corrosion behavior, which are highly risky for critical applications if chosen incorrectly. Figure 1
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».