AI「反腐」,德国马普所结合 NLP 和 DNN 开发抗蚀合金

内容一览:在被不锈钢包围的世界中,我们可能都快忘记了腐蚀的存在。然而,腐蚀存在于生活中的方方面面。无论是锈迹斑斑的钢钉,老化漏液的电线,还是失去光泽的汽车,这一切的发生都与腐蚀有关。据统计,全世界每年由金属腐蚀带来的经济损失超过
2.5 万亿美元,远超过其他自然灾害。其中,腐蚀在中国造成的经济损失约 3,949 亿美元,占中国 GDP 的 4.2%。正因为此,研究者们一直在探索抗蚀性能更好的合金或是金属保护膜。如今,在优化材料抗蚀性能的过程中,AI 派上了用场。

关键词:自然语言处理 深度神经网络 腐蚀

作者 | 雪菜
编辑 | 三羊

本文首发于 HyperAI 超神经微信公众平台~

据美国腐蚀工程师协会 (NACE, National Association of Corrosion Engineers) 统计,2013 年全世界由腐蚀造成的经济损失超 2.5 万亿。同时,中国也饱受腐蚀的困扰,经济损失约 3,949 亿美元,占当年 GDP 的 4.2%,较其他发达国家比例略高。

作为对比,2008 年汶川大地震造成的经济损失约 1,100 亿美元。也就是说,早在 2013 年,仅腐蚀为我国带来的经济损失,就超过了 3 个汶川大地震。
在这里插入图片描述表 1:2013 年世界各地因腐蚀造成的经济损失(单位:十亿美元)

为破解腐蚀难题,研究者们在致力于提升材料强度的同时,也在不断寻找提升材料抗蚀性能的方法。 借助 AI,他们已经取得了一定的进展,如对高温下合金的腐蚀机制进行了预测,对钢铁的大气腐蚀速率和钢筋混凝土的环境腐蚀进行了分析,并能够用卷积神经网络 (CNN) 从图像中判断材料的腐蚀形式。

然而,机器学习模型的输入数据多为数值数据。但在金属材料的加工和分析中,除了 pH 值、测试温度等数值数据,还有材料类型等分类数据及热处理过程、测试方法等文本数据。传统的机器学习模型无法对所有数据进行彻底读取和分析,预测准确率较低。

为此,德国马克思普朗克铁研究所 (MPIE, Max-Planck-Institut für Eisenforschung) 将深度神经网络 (DNN) 和自然语言处理 (NLP) 相结合开发了进程感知 DNN。 这一模型可以将数值数据和文本数据结合处理,其准确率较其他模型提升了 15%。

同时他们将金属的物理化学特性转换为描述符,构建了特征变换 DNN, 可以用于预测训练集中不存在的元素对抗蚀性能的影响。这项研究已于 2023 年 8 月发表于《Science Advances》,标题为「Enhancing corrosion-resistant alloy design through natural language processing and deep learning」。

在这里插入图片描述

相关研究已发表于《Science Advances》

论文链接:
https://www.science.org/doi/10.1126/sciadv.adg7992

进程感知 DNN

模型设计

本研究数据集为 5 类 769 种合金的点蚀电位,数据集中包括数值数据、分类数据及文本数据。其中,数值数据被直接输入模型中,分类数据通过顺序编号转为数值输入模型,而文本型数据则通过 NLP 架构处理后输入模型。

NLP 架构主要分为三个部分,包括词汇标记、向量化和向量序列的处理。

词汇标记过程中,每个词汇被一个特定的整型数字 (integer token) 替换。通过词汇标记,一个词组或句子就被转换为一个整型向量 (integer vector)。

词汇标记之后,虽然文本数据转换成了数值,但数值之间没有任何关联,无法承载原文的语义。因此,整型向量会经过向量化转换为 n 维浮点型向量。在训练过程中, 每个词汇的权重被不断优化。训练完成后,向量间的接近度则对应着它们的语义相似性。

最后,n 维浮点型向量通过长短期记忆递归神经网络 (LSTM) 转换为单一向量,进入输入层。LSTM 可以通过门函数,识别词汇间的长期依赖性。因此,LSTM 可以从给定语句中找出关键的相关词汇,将语句中最重要的部分传递给 DNN 的输入层。

在这里插入图片描述

图 1:进程感知 DNN 模型结构

A:NLP 数据处理工作流
B:进程感知 DNN 模型示意图

训练及验证

训练之后,研究者对模型的绝对平均误差进行了汇总。进程感知 DNN 的平均绝对误差约 150 mV,较简单 DNN 降低了 20 mV。预测点蚀电位和实际点蚀电位之间的 R2 为 0.78 ± 0.06, 较简单 DNN 的 0.61 ± 0.04 更高。上述结果说明,在对文本数据进行分析之后,进程感知 DNN 的性能优于简单 DNN 模型。

在这里插入图片描述

图 2:进程感知 DNN 训练结果

A:训练及验证过程中的平均绝对误差,其中红线为简单 DNN 模型的平均绝对误差;
B:进程感知 DNN 与简单 DNN 模型的结果对比。

合金组分优化

为了对比进程感知 DNN 与简单 DNN 在合金组分优化过程中的差异,研究者从相似的合金组分开始,用相同的学习率,利用两种模型分别对合金组分进行了优化。

在这里插入图片描述

图 3:组分优化结果

A&B:铁基合金优化结果;
C&D:Ni-Cr-Mo 合金优化结果;
E&F:Al-Cr 合金优化结果;
G&H:高墒合金优化结果。

图中可以看到,两种模型对铁基合金和 FeCrNiCo 高墒合金的优化结果存在部分的相似性,但对其他两种合金的优化结果差异很大。 首先,进程感知 DNN 预测 Mo 元素含量增加,会显著提高铁基合金和 Ni-Cr-Mo 合金的点蚀电位。其次,进程感知 DNN 认为在 Ni-Cr-Mo 合金中,间隙氮和间隙碳可以提升合金的点蚀电位。最后,在 Al-Cr 合金中,Cu 元素也有利于点蚀电位的提升。这些都是简单 DNN 所忽视的。

特征变换 DNN

模型设计

通过合金组分特征化函数「WenAlloys」,合金的组分信息还可以被分解为一系列原子、物理及化学特性,并变换为不同的描述符,作为 DNN 模型的输入值。
在这里插入图片描述

表 2:部分特征的变换结果

其中 ci、ri、Xi 及 Ec,i 分别代表原子分数、原子半径、泡利电负性、元素结合能。

训练及验证

在这里插入图片描述

图 4:特征变换 DNN 的训练结果

A:模型训练及验证过程中的误差曲线;
B:训练之后预测点蚀电位和实际点蚀电位的回归曲线;
C:特征变换 DNN 及简单 DNN 的结果对比。

训练后,特征变换 DNN 的平均绝对误差约 168 mV,R2 为 0.66,性能较简单 DNN 模型略有提升。

特征变换 DNN 对抗蚀机制的分析

从五类合金中各选出一种进行特征变换,之后输入模型中进行优化。基于优化曲线,输入特征可以被分为两类。一类特征曲线在优化过程中变化显著,超出了训练集中的预期;另一类特征在优化过程中只有微小的变化。

在这里插入图片描述

图 5:不同输入特征的优化曲线

图中是 4 个优化过程中发生显著变化的特征,这意味着这些特征可能是提升合金点蚀电位的重要参数。

特征变换 DNN 对 Al-Cu-Sc-Zr 合金的预测

由于特征变换 DNN 的输入中只有组分的原子、物理及化学特征,因此它可以对训练集中不存在的元素进行预测。

在多种合金中,Sc 和 Zr 元素都展现出了对抗蚀性能的提升。因此,研究团队利用特征变换 DNN 对这两种元素对 Al-Cu 合金的影响进行了分析。

在这里插入图片描述

图 6:特征变换 DNN 对 Al-Cu-Sc-Zr 合金的点蚀电位预测结果

如图所示,随着 Zr 和 Sc 元素含量的增加,合金的点蚀电位不断提升,说明合金的抗蚀性能有所提高。这一结果验证了特征变换 DNN 对新元素的预测能力。

上述结果说明,将 NLP 与 DNN 结合之后,模型能够读取有关合金加工和测试方法的文本数据, 因此较传统的 DNN 模型性能更好,并能够发现简单 DNN 所忽略的元素对合金抗蚀性能的影响。而特征变换 DNN 则可以从合金的原子、物理及化学性质出发, 对训练集中不存在的元素的性能进行预测。

腐蚀:沉默的金属杀手

2009 年,世界腐蚀组织 (WCO) 将每年的 4 月 24 日确立为世界腐蚀日,以提升公众对腐蚀的认知。作为一种常见的化学现象,腐蚀存在于我们生活中的每个角落。无论是厨房的各种用具,还是家用的各类电器,还有横跨海陆空的的交通工具,乃至独具设计的各种建筑物,都饱受腐蚀的困扰。可以说,有金属的地方就有腐蚀。

金属腐蚀包括化学腐蚀和电化学腐蚀,其中电化学腐蚀的发生更为普遍,危害更大。电化学腐蚀是指两种金属在电解质溶液中形成回路,构成原电池,导致活泼金属被腐蚀的现象。常见的电化学腐蚀包括均匀腐蚀、点蚀、应力腐蚀、间隙腐蚀等。其中,非均匀腐蚀尤其是点蚀等不易被发现的腐蚀形式,对金属的危害更大,极易造成事故。
在这里插入图片描述

图 7:常见的电化学腐蚀类型

2013 年 11 月 22 日,山东省青岛市的输油管路由于长期处于高氯和干湿交替环境下,管壁腐蚀减薄,最终发生破裂,导致原油泄漏。之后的清理抢修过程中, 由于现场操作不当,导致原油爆燃,最终造成 62 人死亡,163 人受伤。

腐蚀往往难以察觉,因此避免腐蚀事故需要定期的人工检查和抢修,耗费大量的人力物力。现在,在 AI 的帮助下,我们可以对合金的组成进行优化,找到抗蚀性能更好的材料。 同时,数字化的腐蚀监测系统也正投入使用,帮助我们迅速定位腐蚀电位,让「沉默的杀手」不再沉默。

参考链接:

[1] http://impact.nace.org/documents/Nace-International-Report.pdf

[2] https://whatispiping.com/corrosion/?expand_article=1

[3] https://www.gov.cn/govweb/jrzg/2014-01/11/content_2564654.htm#:

本文首发于 HyperAI 超神经微信公众平台~

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/67312.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

通信笔记:RSRP、RSRQ、RSNNR

0 基础概念:RE、RS和RB RE (Resource Element):资源元素是 LTE 和 5G 网络中的最小物理资源单位。一个资源元素对应于一个子载波的一个符号周期。 RS (Reference Signal):参考信号是在 LTE 和 5G 网络中用于多种目的的特定类型的信号。它们可…

深入剖析云计算与云服务器ECS:从基础到实践

云计算已经在不断改变着我们的计算方式和业务模式,而云服务器ECS(Elastic Compute Service)作为云计算的核心组件之一,为我们提供了灵活、可扩展的计算资源。在本篇长文中,我们将从基础开始,深入探讨云计算…

数学建模--三维图像绘制的Python实现

目录 1.绘制三维坐标轴的方法 2.绘制三维函数的样例1 3.绘制三维函数的样例2 4.绘制三维函数的样例3 5.绘制三维函数的样例4 6.绘制三维函数的样例5 1.绘制三维坐标轴的方法 #%% #1.绘制三维坐标轴的方法 from matplotlib import pyplot as plt from mpl_toolkits.mplot3…

【算法系列篇】分冶-快排

文章目录 前言什么是分冶1.颜色分类1.1 题目要求1.2 做题思路1.3 Java代码实现 2. 排序数组2.1 题目要求2.2 做题思路2.3 Java代码实现 3.数组中的第k个最大元素3.1 题目要求3.2 做题思路3.3 Java代码实现 4. 最小的k个数4.1 题目要求4.2 做题思路4.3 Java代码实现 总结 前言 …

Python Tkinter Multiple Windows 教程

一、说明 在这个Python Tkinter教程中,我们将学习如何在Python Tkinter中创建多个窗口,我们还将介绍与多个窗口相关的不同示例。而且,我们将介绍这些主题。 Python Tkinter multiple windows使用多个窗口的 Python Tkinter 用户注册Python Tk…

7 Series FPGAs GTX/GTH Transceivers

目录 1. Overview2. Block Diagram3. Transmitter4. Receiver5. Physical Coding Sublayer(PCS)6. Physical Medium Attachment(PMA) 本博客为Xilinx 7系列FPGA的千兆比特高速收发器(Gigabit Transceiver, GT&#xff…

【聚类】DBCAN聚类

OPTICS是基于DBSCAN改进的一种密度聚类算法,对参数不敏感。当需要用到基于密度的聚类算法时,可以作为DBSCAN的一种替代的优化方案,以实现更优的效果。 原理 基于密度的聚类算法(1)——DBSCAN详解_dbscan聚类_root-ca…

跨源资源共享(CORS)Access-Control-Allow-Origin

1、浏览器的同源安全策略 没错,就是这家伙干的,浏览器只允许请求当前域的资源,而对其他域的资源表示不信任。那怎么才算跨域呢? 请求协议http,https的不同域domain的不同端口port的不同 好好好,大概就是这么回事啦&…

【权限提升-Windows提权】-UAC提权之MSF模块和UACME项目-DLL劫持-不带引号服务路径-不安全的服务权限

权限提升基础信息 1、具体有哪些权限需要我们了解掌握的? 后台权限,网站权限,数据库权限,接口权限,系统权限,域控权限等 2、以上常见权限获取方法简要归类说明? 后台权限:SQL注入,数…

伪类与伪元素

伪类与伪元素 伪类和伪元素的引入是因为在文档树里有些信息无法被充分描述,引用标准中的话就是:CSS引入伪类和伪元素的概念是为了实现基于文档树之外的信息的格式化。 文档树又称标准流,是浏览器在渲染显示网页内容时默认采用的一套排版规则…

1780_添加鼠标右键空白打开命令窗功能

全部学习汇总: GitHub - GreyZhang/windows_skills: some skills when using windows system. 经常执行各种脚本,常常需要切换到命令窗口中输入相关的命令。从开始位置打开cmd然后切换目录是个很糟糕的选择,费时费力。其实Windows 7以及Windo…

经管博士科研基础【19】齐次线性方程组

1. 线性方程组 2. 非线性方程组 非线性方程,就是因变量与自变量之间的关系不是线性的关系,这类方程很多,例如平方关系、对数关系、指数关系、三角函数关系等等。求解此类方程往往很难得到精确解,经常需要求近似解问题。相应的求近似解的方法也逐渐得到大家的重视。 3. 线…

vue3 封装千分位分隔符自定义指令

toLocaleString作用:在没有指定区域的基本使用时,返回使用默认的语言环境和默认选项格式化的字符串。可点击进入MDN查看 // 千分位分隔符指令 import { Directive, DirectiveBinding } from vueconst thousandSeparator: Directive {mounted(el: any, …

Win10搭建VisualSvn Server

Win10搭建VisualSvn Server 目录 Win10搭建VisualSvn Server一、下载VisualSvn Server安装包二、安装VisualSvn Server三、配置和使用VisualSVN Server四、添加用户及权限设定方法五、创建目录及配置权限 1、服务端:有集成了Subversion和Apache、安装使用非常简单且…

Redis从基础到进阶篇(三)----架构原理与集群演变

目录 一、缓存淘汰策略 1.1 LRU原理 1.2 案例分析 1.3 Redis缓存淘汰策略 1.3.1 设置最⼤缓存 1.3.2 淘汰策略 二、Redis事务 2.1 Redis事务典型应⽤—Redis乐观锁 2.2 Redis事务介绍 2.3 事务命令 2.3.1 MULTI 2.3.2 EXEC 2.3.3 DISCARD 2.3.4 WATCH 2.3.5 UNW…

Flutter之hydrated_bloc源码分析

Flutter_Bloc是状态管理组件,hydrated_bloc是 Flutter_Bloc的扩展,它可以在APP重启的情况下,自动记录上次APP的状态。android中可以使用SharePreference来实现状态记录,在Flutter之hydrate_bloc组件入门指南一文中已经讲解了其基本用法,本篇博文就不对其原理进行简单分析,…

【GitLab私有仓库】在Linux上用Gitlab搭建自己的私有库并配置cpolar内网穿透

文章目录 前言1. 下载Gitlab2. 安装Gitlab3. 启动Gitlab4. 安装cpolar5. 创建隧道配置访问地址6. 固定GitLab访问地址6.1 保留二级子域名6.2 配置二级子域名 7. 测试访问二级子域名 前言 GitLab 是一个用于仓库管理系统的开源项目,使用Git作为代码管理工具&#xf…

视频汇聚/视频云存储/视频监控管理平台EasyCVR部署后无法正常启用是什么问题?该如何解决?

安防监控/视频监控/视频汇聚平台EasyCVR能在复杂的网络环境中,将分散的各类视频资源进行统一汇聚、整合、集中管理,在视频监控播放上,视频云存储/安防监控汇聚平台EasyCVR支持多种播放协议,包括:HLS、HTTP-FLV、WebSoc…

MavenCentral库发布记录

最近发布了 Android 路由库 URouter,支持 AGP8、ActivityResult启动等特性。 把提交到 Maven Central 过程记录一下。 一、注册 Sonatype 账号,新建项目 注册 https://​​issues.sonatype.org 登录后,新建项目: 相关选项&…

Stable Diffusion 多视图实践

此教程是基于秋叶的webui启动器 1.Stable Diffsuion 使用多视图需要准备一个多角度open pose 图 我给大家提供一个可使用的。 2.需要添加图片到到controlnet当中,不要选择预处理器,选择模型为openpose的模型,然后需要点选同步图片尺寸。 3.然后填写关键字可以参照一下这个…