摘要
基于机器学习的CO-缓蚀剂体系腐蚀速率预
2
测模型研究
摘要
油气管道是现代能源运输中的主要基础设施，对保障我国工业生产和国民经济
的平稳发展起到重要作用。CO腐蚀作为油气管道中最普遍的腐蚀形式之一，对管
2
道的安全稳定运行构成巨大威胁，而缓蚀剂因其经济高效成为工业中应用最广泛的
CO腐蚀防护技术。开展合理的管道腐蚀速率预测研究有助于减少传统研究中对管
2
道CO2腐蚀和缓蚀剂性能的重复性实验，对缓蚀剂的筛选研发和油气管道的防护具
有重要意义。目前的预测模型由于数据来源少且平衡性差，以及存在数据缺失等困
难，极少涉及多种腐蚀环境面向多种缓蚀剂的研究，多关注于单独的CO2腐蚀体系
或缓蚀剂体系对腐蚀速率的影响，并且在预测时较少关注输入特征的预处理工作，
以及评估模型时缺乏与机理的结合。因此，本研究选择咪唑啉类缓蚀剂作为研究对
象，基于机器学习算法预测CO-咪唑啉体系下的碳钢管道腐蚀速率，主要的研究工
2
作和成果如下：
(1)自主搭建管流实验装置，选取以油基羟乙基咪唑啉、月桂基两性咪唑啉和
油酸咪唑啉为代表的咪唑啉类缓蚀剂，探究缓蚀剂浓度、温度、流速以及CO2分压
影响下咪唑啉类缓蚀剂对X80钢的作用机制和腐蚀规律。实验结果显示，X80钢的
CO
腐蚀速率随着缓蚀剂浓度的增大而减小，随着温度、流速、分压的上升而上升。
2
结合实验与量子化学计算得出，缓蚀剂浓度、温度、流速、CO分压、最高占据分
2
子轨道能量、最低未占分子轨道能量、能隙和分子偶极矩是CO-咪唑啉体系下影响
2
腐蚀速率的重要特征。
(2)结合实验数据和文献中公开发表的数据创建了CO-咪唑啉体系的腐蚀数据
2
集。针对数据缺失、数据冗余、特征不足以及输出特征存在异常值等问题，分别采
用机理模型和量子化学模型进行数据补全、利用实验数据扩充数据集、基于缓蚀机
理扩充特征集，以及箱线图法完善了数据集。所创建的数据集包括201条数据样本
26COCO-
和个输入特征，能够从管道材料、腐蚀环境和缓蚀剂三个方面综合描述
22
咪唑啉体系对碳钢腐蚀速率的影响。
(3)KNNSVRRF
基于特征选择的思路对输入特征进行预处理，采用、和算法
构建预测模型。综合过滤法、嵌入法和包装法对输入特征的重要度排序，并结合皮
尔逊相关系数法确定最佳输入特征集为温度、最高占据分子轨道能量、缓蚀剂分子
I
摘要
pH
的碳原子个数、碳钢中的碳元素含量、值以及缓蚀剂浓度。引入网格搜索优化
KNN和RF模型超参数，采用PSO算法优化SVR模型超参数。预测结果表明，在