腐蚀是影响重大工程装备服役安全与使用寿命的重要因素，广泛存在于能源化工、海洋工程、航空航天及工业装备等领域。材料腐蚀行为受到材料成分、微观组织、环境介质及服役时间等多种因素的共同影响，具有显著的复杂性、时变性和空间非均匀性。传统腐蚀研究主要依赖电化学测试、腐蚀失重测量和微观形貌表征等方法，在揭示腐蚀机理和评价材料耐蚀性能方面发挥了重要作用。然而，随着工程装备服役环境日趋复杂，腐蚀监测数据呈现多源化、连续化和规模化特征，如何从大量实验数据、腐蚀图像及工程监测信息中高效提取有价值的腐蚀特征，实现腐蚀状态的智能识别、定量评价与演化预测，已成为腐蚀科学与工程应用面临的重要问题。

近年来，随着大语言模型、深度学习、迁移学习及可解释人工智能等技术的发展，人工智能正在为复杂材料腐蚀行为研究提供新的技术手段。中国科学院金属研究所王长罡团队围绕人工智能与腐蚀科学的交叉融合，将高通量电化学监测、计算机视觉、深度学习和大语言模型等技术引入腐蚀研究，在原位高通量腐蚀监测、电化学阻抗谱智能解析、腐蚀图像视觉识别与状态预测、腐蚀知识智能挖掘等方面开展了系列研究，逐步形成了从腐蚀数据获取、智能解析到状态评价的研究思路。相关成果发表于 Corrosion Science和Journal of Materials Science & Technology等学术期刊，并授权6项发明专利，为人工智能技术在材料腐蚀研究与工程监测中的应用提供了新的方法和技术基础。

一、在腐蚀数据高通量获取方面，团队围绕复杂大气环境下材料腐蚀行为的连续监测需求，开展了原位高通量腐蚀监测技术研究。 针对传统腐蚀试验中数据采集周期长、测量工作量大以及不同环境条件下数据获取效率受限等问题，团队研究了面向大气腐蚀过程的原位监测系统及相应方法，为多通道腐蚀信息获取和连续监测提供了技术手段。相关成果获得《一种原位高通量大气腐蚀监测系统及其监测方法》国家发明专利授权。高通量监测技术的发展，不仅为复杂环境下材料腐蚀行为研究提供了新的实验手段，也为后续人工智能模型训练、腐蚀过程分析和智能诊断提供了数据基础。

二、在电化学数据智能解析方面，团队将人工智能技术引入电化学阻抗谱等效电路模型选择过程，探索电化学数据的自动化分析方法。 电化学阻抗谱是研究材料腐蚀过程和界面电化学行为的重要技术，但其等效电路模型的选择通常需要结合谱图特征和腐蚀机理进行判断，具有较强的专业性和经验依赖性。针对这一问题，研究人员基于随机森林算法，建立了电化学阻抗谱与等效电路模型之间的智能匹配方法，并利用涵盖五类腐蚀场景的实际大气腐蚀阻抗谱数据开展验证。研究表明，该方法能够根据阻抗谱特征自动识别适用的等效电路模型，减少人工模型选择过程中的主观因素，提高复杂电化学数据分析的自动化程度。相关工作发表于 Journal of Materials Science & Technology，为电化学阻抗谱的智能化处理和腐蚀监测数据的批量分析提供了新的技术途径。

图1 基于随机森林的电化学阻抗谱等效电路智能匹配

三、在腐蚀图像智能识别方面，团队重点探索了利用材料表面腐蚀形貌获取环境信息和腐蚀状态参数的新方法。 腐蚀产物的颜色、纹理、形貌及空间分布包含着材料与环境相互作用的信息，但传统形貌分析往往依赖人工观察和经验判断，难以从复杂图像中提取稳定、可量化的特征。针对这一问题，团队将计算机视觉、深度学习与腐蚀机理分析相结合，探索建立宏观腐蚀形貌与环境条件、腐蚀程度及演化过程之间的关联关系，使腐蚀图像由传统的形貌记录手段逐步拓展为材料腐蚀状态分析的信息载体。

针对不同大气环境下铜管腐蚀行为的识别问题，团队选取在文昌、重庆和青岛三种典型环境中自然暴露的铜管作为研究对象，利用智能手机采集不同暴露阶段的腐蚀形貌图像，构建了包含1500张图像的数据集。研究人员从图像中提取颜色、纹理等24项特征，并结合多种人工智能模型，实现了不同大气腐蚀环境下铜管表面视觉特征的智能识别。在所研究的混合暴露周期测试条件下，最优模型的环境分类准确率达到99.67%。进一步通过特征重要性分析和超像素可视化方法，识别出与环境差异密切相关的颜色统计特征及图像信息熵等关键参数，揭示了腐蚀产物视觉特征与其组成、分布及形貌复杂程度之间的联系。

这一研究表明，材料表面形成的腐蚀产物不仅能够反映腐蚀发生的程度，还可能保留与其所处环境相关的特征信息。通过人工智能提取这些视觉特征，有望为工程现场腐蚀环境识别和腐蚀原因分析提供便捷、低成本的辅助方法。相关成果以《Explainable artificial intelligence for visual fingerprinting of copper tubes' atmospheric corrosion in diverse environments》为题发表于 Corrosion Science，并获得《一种基于可解释AI的铜管大气腐蚀溯源可视化诊断方法》国家发明专利授权。

图2不同大气环境下铜管腐蚀形貌及环境智能识别与可解释性分析

在此基础上，团队进一步将腐蚀视觉识别从环境分类拓展至多参数定量预测。针对海洋大气环境下碳钢锈蚀形貌相似、但实际腐蚀条件和腐蚀程度可能存在明显差异的问题，研究人员构建了包含不同氯离子浓度、腐蚀周期及腐蚀增重信息的标准化图像数据集，提出基于深度学习的多任务腐蚀状态预测方法。该方法利用单张腐蚀形貌图像，同时开展氯离子环境等级分类、腐蚀周期预测和腐蚀增重预测，实现了由图像定性识别向多参数定量表征的拓展。

在标准化图像条件下的同分布测试中，模型的氯离子环境等级分类准确率达到97.9%，腐蚀增重和腐蚀周期预测的决定系数分别达到0.97和0.96。研究人员进一步通过独立试样交叉验证和可解释性分析，考察了模型的泛化能力及其识别依据。结果表明，腐蚀周期和增重预测更多依赖局部颜色与纹理特征，而氯离子环境识别则更关注腐蚀形貌的整体空间分布。这些发现说明，不同腐蚀状态参数在宏观形貌中具有不同的视觉表征特征，为理解人工智能模型如何利用腐蚀图像中的物理信息提供了依据。同时，独立试样验证也表明，模型在跨试样应用时仍面临泛化能力方面的挑战，需要进一步开展复杂条件下的验证与优化。

相关成果以《Interpretable multi-task learning for corrosion state prediction of carbon steel in simulated marine atmospheric environments from rust morphology》为题发表于 Corrosion Science。该研究将腐蚀图像与环境条件、腐蚀时间和腐蚀程度联系起来，为利用普通光学图像开展材料腐蚀状态快速评价提供了新的研究思路。

图3碳钢腐蚀形貌及基于多任务深度学习的环境、腐蚀状态预测与可解释分析

四、在腐蚀数据智能挖掘方面，团队进一步将大语言模型技术引入腐蚀科学文献分析与数据库构建，探索从海量科研文献中自动获取腐蚀知识的新方法。 长期以来，大量腐蚀实验数据分散于不同学术论文中，材料成分、环境参数及腐蚀性能之间的关联信息难以进行系统整合。针对这一问题，研究人员提出基于大语言模型的腐蚀文献结构化信息提取方法，通过实验条件提取、点蚀电位识别和数据关联等步骤，对不锈钢点蚀研究文献开展规模化处理。研究共处理12,792篇候选文献，形成包含36,095条实验记录的结构化提取结果，并在材料筛选后的数据子集上分析了合金元素、温度及氯离子浓度等因素与点蚀电位之间的统计关联。

研究结果表明，大语言模型能够为腐蚀领域大量非结构化文献信息的整理和利用提供新的技术手段，并为跨材料、跨环境条件的腐蚀行为统计分析创造条件。相关成果以《Data-driven insights into stainless steel pitting corrosion through large-scale literature mining and database construction》为题发表于 Scientific Reports，为腐蚀数据库建设及数据驱动的材料耐蚀性能研究提供了新的方法基础。

图4 基于大语言模型的腐蚀文献数据提取与数据库构建

面向实际工程应用需求，团队持续推动人工智能腐蚀分析方法向多类材料和装备场景拓展。 在大气腐蚀领域，相关研究已涉及不同环境下金属材料腐蚀行为的原位监测、环境识别与状态评价；在管道腐蚀领域，围绕腐蚀缺陷智能生成、腐蚀形貌数据构建及缺陷状态分析等方向开展了技术探索；在有机防护涂层领域，研究人员将电化学信息与视觉特征相结合，探索涂层腐蚀状态的智能识别方法，相关成果获得《一种基于电化学约束的有机涂层腐蚀视觉识别方法》国家发明专利授权；在空调换热设备领域，围绕铜管腐蚀环境溯源及运行参数与多材料腐蚀行为之间的关联建模开展了研究，相关成果获得《一种空调运行参数与多材料腐蚀行为的统一关联建模方法》发明专利授权；在复杂金属材料领域，还探索了多物理约束条件下的铍铝合金微观组织智能生成方法，相关成果获得《一种嵌入多物理约束的铍铝合金微观组织生成方法》发明专利授权。

未来，团队将进一步围绕复杂服役环境下材料腐蚀行为的智能认知与演化预测，开展多模态腐蚀数据融合、深度学习与迁移学习、物理约束人工智能及大语言模型辅助腐蚀知识分析等研究，重点探索腐蚀图像、电化学信号、环境参数与材料性能之间的关联关系，提高智能模型在不同材料、不同环境和不同服役阶段之间的适用性与泛化能力。在此基础上，面向新能源管道、海洋工程装备、防护涂层、空调换热设备、发射场腐蚀防护及其他重大工程结构的腐蚀监测与安全服役需求，持续推进腐蚀状态智能识别、损伤演化预测及服役可靠性评价方法研究，为复杂工程装备的智能监测、状态评估和科学维护提供技术支撑。