| dc.description.abstract | Vanligvis er viktige elektrokjemiske parametere hentet fra empiriske data. Dette skyldes i stor grad at analytiske modeller, som ulike former av Butler-Volmer-ligningen, ofte kommer til kort i nøyaktig å fange de viktige egenskapene. Dessverre krever innhenting av disse polarisasjonskurvene bruk av tidkrevende instrumenter. Derfor kan bruk av maskinlæring være fordelaktig. I dette arbeidet ble maskinlæring brukt i forsøket på å forutsi viktige polarisasjonskurver og noen av deres viktige egenskaper i forskjellige pH-miljøer for en aluminiumslegering AA6060 + 0.0043 vektprosent nikkel. Polariseringskurveegenskapene som ble undersøkt var (i) korrosjonspotensialet, (ii) den katodiske Tafel-hellingen, (iii) korrosjonsstrømtettheten og (iv) det kritiske potensialet for gropkorrosjon.
Å bestemme den mest passende maskinlæringsalgoritmen for en spesifikk oppgave kan være utfordrende. Derfor ble fem forskjellige algoritmer brukt i dette arbeidet. Disse inkluderte fire beslutningstrealgoritmer, nemlig Random Forest, Categorical Boosting, eXtreme Gradient Boosting, og Light Gradient Boosting Machine, sammen med et kunstig nevralnettverk. Resultatene som disse algoritmene leverte var sammenlignbare, selv om Random Forest-algoritmen viste en liten fordel i både nøyaktighet og treningshastighet. Random Forests marginalt forbedrede prediktive evner ble forklart ved at den lille dimensjonen til treningsdata kun var pH og elektrokjemisk potensial. Dette førte til store mengder ukjent oppførsel i treningsdatasettet da variabler som overflatesprekker og segregasjon ikke ble tatt hensyn til. Som et resultat var feilen observert på usett data betydelig større, og nådde mange ganger feilen observert på treningsdataene. Den store variasjonen i data førte til en mindre effekt av den anvendte hyperparameterjusteringen av visse modeller. Derfor ble det konkludert usikkert hvorvidt det kunstige nevralnettverket var passende for maskinlæringsoppgven under vurdering, gitt dets behov for omfattende hyperparameterjustering, som, til tross for innsatsen, kun ga gjennomsnittlige resultater sammenlignet med de andre algoritmene.
Til slutt viste algoritmene motiverende resultater, og oppnådde en gjennomsnittlig absolutt prosentvis feil på omtrent 7% for den logaritmiske strømtettheten (variablen som skulle predikere) over det anvendte potensialområdet. Videre viste algoritmene sterke prediktive evner for de undersøkte egenskapene, med gjennomsnittlige feil på 5%, 13% og 19% for korrosjonspotensialet, den katodiske Tafel-hellingen og korrosjonsstrømtettheten, respektivt. I tillegg kunne algoritmene identifisere potensialet for gropkorrosjon med perfekt presisjon. Videre viste algoritmene høy evne til å fange opp nøkkeloverganger i polarisasjonskurvene, som forekomsten av meta-stabil gropkorrosjon i visse pH-områder. Derfor understreker resultatene potensialet til disse algoritmene til effektivt å erstatte tidkrevende instrumenter. | |
| dc.description.abstract | Typically, important electrochemical parameters are derived from empirical data. This is largely due to the fact that analytical models, such as various forms of the Butler-Volmer equation, often fall short in accurately capturing the important features. Unfortunately, obtaining these polarization curves requires utilization of time consuming instruments. Therefore, employing machine learning could prove advantageous. In this work, machine learning was applied in the attempt of predicting important polarization curves and some of their important features in various pH environments on an aluminium alloy AA6060 + 0.0043 wt% nickel. The polarization curve features under investigation were (i) the corrosion potential, (ii) the cathodic Tafel slope, (iii) the corrosion current density and (iv) the critical pitting potential.
Determining the most suitable machine learning algorithm for a specific task can be challenging. Therefore, in this study, five distinct algorithms were employed. These included four decision tree algorithms, namely Random Forest, Categorical Boosting, eXtreme Gradient Boosting, and Light Gradient Boosting Machine, along with an Artificial Neural Network. The results delivered by these algorithms were comparable, though the Random Forest algorithm demonstrated a slight edge in terms of both accuracy and training speed. Random Forest’s marginally enhanced predictive abilities were explained by the small input feature dimension of solely pH and electrochemical potential. This lead to large amounts of unknown behaviour in the training data set as variables such as surface cracks and segregation were not accounted for. As a result, the error observed on unseen data was considerably larger, reaching many multiples of the error observed on the training data. The large variation in data lead to a smaller effect of the applied hyperparameter tuning of certain models. Thus, viability of using an Artificial Neural Network for the given machine learning task came under scrutiny, given its need for extensive hyperparameter tuning, which, despite the effort, only yielded average results compared to the other algorithms.
Finally, the algorithms demonstrated intriguing results, achieving a mean absolute percentage error of roughly 7% for the logarithmic current density (the target output) over the applied potential range. Furthermore, the algorithms showed strong predictive abilities for the features under investigation, with average errors of 5%, 13% and 19% for the corrosion potential, cathodic Tafel slope and corrosion current density, respectively. Additionally, the algorithms located the pitting potential with perfect precision. Moreover, the algorithms proved high capability of capturing key transitions in the polarization curves, such as the occurrence of meta-stable pitting at certain pH regions. Therefore, the results underscore the potential of these algorithms to effectively replace time-consuming instruments. | |
