在SPCC钢中对腐蚀严重性的分类使用流测试和监督机器学习模型

科学领域:

• 材料科学 材料科学 材料科学
• 非破坏性测试 不破坏性测试
• 机器学习应用 机器学习应用

背景情况:

• 钢板冷商用 (SPCC) 钢具有耐用性,但在恶劣的环境中容易腐蚀.
• 准确评估腐蚀水平对于保持材料完整性和预测使用寿命至关重要.
• 现有的方法可能缺乏对细微的腐蚀状态分类所需的精度.

研究的目的:

• 开发和评估一种新的方法来评估SPCC钢的腐蚀,使用旋流测试 (ECT).
• 将腐蚀分为两个不同的状态:较少腐蚀 (状态-1) 和高度腐蚀 (状态-2).
• 为了比较生成 (GMM) 和歧视 (逻辑回归) 机器学习模型在此分类任务中的有效性.

主要方法:

• 实施旋流测试 (ECT) 来从SPCC钢样中收集数据.
• 基于两个不同频率的扰动磁场峰值的特征提取.
• 应用高斯混合模型 (GMM) 作为生成分类器和物流回归作为歧视分类器.
• 使用包括绝对错误,准确性,精度,回忆和F1分数在内的指标进行性能评估.

主要成果:

• 高斯混合模型 (GMM) 在分类高度腐蚀状态 (状态-2) 中表现出卓越的性能.
• 后勤回归模型被证明是有效的估计较少腐蚀状态 (状态-1).
• 这两种机器学习方法与ECT相结合,实现了SPCC钢铁腐蚀水平的高分类精度.

结论:

• 流测试与机器学习相结合,提供了一种可行且准确的方法来评估SPCC钢的腐蚀.
• 在GMM和后勤回归之间的选择取决于正在评估的特定腐蚀状态,在应用中提供灵活性.
• 这种方法提高了暴露在腐蚀条件下的材料的非破坏性评估能力.