文章详情

题名 · 作者 · 摘要 · 关键词 · DOI · 参考文献

炼化装置大气腐蚀预测研究进展

林壮敦1，袁武飞1，吴海泓2，黄琛淏3，刘桂雄3

（1. 广东省特种设备检测研究院揭阳检测院，广东 揭阳 522031；2. 广东省特种设备检测研究院惠州检测院，广东 惠州 516003；3. 华南理工大学 机械与汽车工程学院，广东 广州 510640）

栏目：信息化应用 · 第 2026 年第 19 期 · 页码：120-128 · 2096-4706(2026)19-0120-09 · 中图分类号：TP39；TG172；TE986 · 文献标识码：A · DOI：10.19850/j.cnki.2096-4706.2026.19.023

摘要

炼化装置长期服役于高湿、高盐雾、污染物沉降和干湿交替环境中，金属设备易发生大气腐蚀并引发泄漏、失效与安全风险。随着在线监测、传感器网络和机器学习技术发展，腐蚀研究正由经验评估转向数据驱动预测。文章围绕炼化装置大气腐蚀环境与监测数据基础、腐蚀数据增强、腐蚀速率预测建模和少样本迁移预测四个方面进行综述，分析多源环境因子对腐蚀演化的影响，梳理传统增强、生成式增强、机器学习、深度时序网络及迁移学习方法的研究进展。最后指出，面向目标域环境适配的物理感知增强、机理融合预测、跨域迁移、可解释不确定性评估和监测—预测—预警—维护闭环系统将是未来重要发展方向。

关键词

炼化装置；大气腐蚀；数据增强；腐蚀预测；迁移学习

参考文献

  1. [1] Olawole O O，Gbadeyan O J，Deigh C，et al. Advanced Sensor Systems and Machine Learning for Pipeline Integrity Management: a Review of Corrosion Monitoring and Prediction Strategies[J/OL].npj Materials Degradation，2026，10：48.https://doi.org/10.1038/s41529-026-00761-4.
  2. [2] Coelho L B，Zhang D W，Van I Y，et al. Reviewing Machine Learning of Corrosion Prediction in a Data-oriented Perspective[J/OL].npj Materials Degradation，2022，6：8.https://www.nature.com/articles/s41529-022-00218-4.
  3. [3] Xu L，Wang Y F，Mo L，et al. The Research Progress and Prospect of Data Mining Methods on Corrosion Prediction of Oil and Gas Pipelines[J/OL].Engineering Failure Analysis，2023，144：106951.https://doi.org/10.1016/j.engfailanal.2022.106951.
  4. [4] 周梦鑫，吴军，樊志彬，等. 大气腐蚀在线监测技术研究现状与展望[J]. 中国腐蚀与防护学报，2023，43（1）：38-46.
  5. [5] 王莎莎，马帅杰，车琨，等. 机器学习在自然环境腐蚀评估与预测领域的应用现状[J]. 中国腐蚀与防护学报，2023，43（3）：441-451.
  6. [6] 姚勇，刘国军，黎石竹，等. 金属材料腐蚀预测模型研究进展[J]. 中国腐蚀与防护学报，2023，43（5）：983-991.
  7. [7] 沈坚，吴柯娴，何晓宇，等. 我国不同地区钢材大气腐蚀预测算法评估与筛选[J]. 中国腐蚀与防护学报，2024，44（4）：939-948.
  8. [8] Vangrunderbeek V，Bertolucci C L，Meeusen M，et al. A Field-based Computer Vision and Corrosion Sensor Approach to Study Electrolyte Dynamics in Atmospheric Corrosion[J/OL].npj Materials Degradation，2026，10：3.https://www.nature.com/articles/s41529-025-00714-3.
  9. [9] Wu W T，Xu D，Liu L A，et al. Fusion of Multi Source Data for Atmospheric Corrosion Evaluation Using Sensors and Image Recognition[J/OL].npj Materials Degradation，2025，9：13.https://www.nature.com/articles/s41529-025-00555-0.
  10. [10] Li Q，Xia X J，Pei Z B，et al. Long-term Corrosion Monitoring of Carbon Steels and Environmental Correlation Analysis via the Random Forest Method[J/OL].npj Materials Degradation，2022，6：1.https://doi.org/10.1038/s41529-021-00211-3.
  11. [11] Li R Y，Wang H C，Zhu Y H，et al. Machine Learning-assisted in Situ Corrosion Monitoring: a Review[J/OL]. Corrosion Reviews，2026，44（1）：20250014.https://www.degruyterbrill.com/document/doi/10.1515/corrrev-2025-0014/html.
  12. [12] 张昊，陈俊航，胡为峰，等. 大气腐蚀监测Cu-Zn探针环境因素敏感性和腐蚀影响[J]. 中国腐蚀与防护学报，2024，44（5）：1339-1344.
  13. [13] 王远明，宫克，毛飞雄，等. 基于ACM及机器学习的腐蚀监测分析系统在重大基础设施上的应用[J]. 中国表面工程，2024，37（6）：205-215.
  14. [14] 夏晓健，杨国威，林德源，等. 基于腐蚀大数据的碳钢海洋大气腐蚀行为[J]. 中国表面工程，2024，37（2）：58-71.
  15. [15] 刘雄伟，蒋婉娟，张志宏，等. 耐蚀涂层失效监测方法及失效机制研究进展[J]. 腐蚀与防护，2024，45（7）：50-60.
  16. [16] 夏晨瀚，杨小佳，李清，等. 碳钢大气腐蚀的大数据分析[J]. 腐蚀与防护，2024，45（2）：75-84.
  17. [17] Wen Q S，Sun L，Yang F，et al. Time Series Data Augmentation for Deep Learning: A Survey[C]//Proceedings of the Thirtieth International Joint Conference on Artificial Intelligence，2021：4653-4660.
  18. [18] Iwana B K，Uchida S. An Empirical Survey of Data Augmentation for Time Series Classification with Neural Networks[J/OL].PLOS ONE，2021，16（7）：e0254841.https://doi.org/10.1371/journal.pone.0254841
  19. [19] Iglesias G，Talavera E，González-Prieto Á，et al. Data Augmentation Techniques in Time Series Domain: a Survey And Taxonomy[J].Neural Computing and Applications，2023，35：10123-10145.
  20. [20] 徐越遥，朱建新，乔松，等. 基于标准抽样与工况大数据的承压设备损伤智能识别技术[J]. 腐蚀与防护，2025，46（10）：35-42.
  21. [21] Woldesellasse H，Tesfamariam S. Data Augmentation Using Conditional Generative Adversarial Network (Cgan): Application for Prediction of Corrosion Pit Depth and Testing Using Neural Network[J/OL].Journal of Pipeline Science and Engineering，2023，3（1）：100091.https://doi.org/10.1016/j.jpse.2022.100091.
  22. [22] Brophy E，Wang Z W，She Q，et al. Generative Adversarial Networks in Time Series: A Systematic Literature Review[J].ACM Computing Surveys，2023，55（10）：199：1-31.
  23. [23] Yoon J，Jarrett D，Van D S M. Time-series Generative Adversarial Networks[C]//Advances in Neural Information Processing Systems，2019，32：5508-5518.
  24. [24] Liu H B，Zhu Z H，Zhang J Y，et al. Submarine pipeline corrosion rate prediction model based on high-dimensional mapping augmentation and residual update gradient forest[J/OL].Applied Ocean Research，2025，155：104432.https://doi.org/10.1016/j.apor.2025.104432.
  25. [25] Wang Q K，Lu H F，Li F，et al. Advancing LightGBM with Data Augmentation for Predicting the Residual Strength of Corroded Pipelines[J/OL].npj Materials Degradation，2025，9：128.https://doi.org/10.1038/s41529-025-00673-9.
  26. [26] 秦术杰，王欣. 热带海岛大气环境下Q235钢的腐蚀规律及GM（1，1）模型预测[J]. 材料导报，2025，39（16）：183-191.
  27. [27] 李丰范，匡健隆，季佳浩，等. 机器学习在金属材料服役性能预测中的应用[J]. 工程科学学报，2024，46（1）：120-136.
  28. [28] 王明慧，党鹏飞，杨铮鑫，等. 基于粒子群优化和最小二乘支持向量机的储罐腐蚀速率预测[J]. 腐蚀与防护，2024，45（8）：71-76.
  29. [29] 杨彪，肖佳，欧阳晨，等. APSO-BPNN模型在滨海环境中铁质材料腐蚀速率预测中的应用[J]. 腐蚀与防护，2024，45（12）：72-79.
  30. [30] Yang X J，Yang J K，Yang Y，et al. Data-mining and Atmospheric Corrosion Resistance Evaluation of Sn- and Sb additional Low Alloy Steel Based on Big Data Technology[J]. International Journal of Minerals，Metallurgy and Materials，2022，29（4）：825-835.
  31. [31] Dong Z，Ding L，Meng Z，et al. Machine Learning based Corrosion Rate Prediction of Steel Embedded in Soil[J/OL]. Scientific Reports，2024，14：18194.https://doi.org/10.1038/s41598-024-68562-w.
  32. [32] Zhang H，Su H，Wang J，et al. Comparative Study on Optimization Algorithms for Atmospheric Corrosion Map of Q235 Steel in Hunan, China[J].Process Safety and Environmental Protection，2024，184：105-115.
  33. [33] Kuang J G，Long Z L. Prediction Model for Corrosion Rate of Low-alloy Steels Under Atmospheric Conditions Using Machine Learning Algorithms[J].International Journal of Minerals，Metallurgy and Materials，2024，31（2）：337-350.
  34. [34] Chen Q，Wang H，Ji H D，et al. Data-driven Atmospheric Corrosion Prediction Model for Alloys Based on a Two-stage Machine Learning Approach[J].Process Safety and Environmental Protection，2024，188：1093-1105.
  35. [35] Rajendran M，Subbian D. Deep Learning in Corrosion Assessment and Control: a Critical Review of Techniques and Challenges[J/OL].Corrosion Reviews，2025，44（1）：20240060.https://doi.org/10.1515/corrrev-2024-0060.
  36. [36] Jiang J X，Wan X L，Zhu F，et al. A deep learning framework integrating Transformer and LSTM architectures for pipeline corrosion rate forecasting[J/OL].Computers & Chemical Engineering，2025，204：109365.https://doi.org/10.1016/j.compchemeng.2025.109365.
  37. [37] Seghier B M E A，Truong T T，Feiler C，et al. A Hybrid Deep Learning Model for Predicting Atmospheric Corrosion in Steel Energy Structures Under Maritime Conditions Based on Time-series Data[J/OL].Results in Engineering，2025，25：104417.https://doi.org/10.1016/j.rineng.2025.104417.
  38. [38] Tan L，Yang Y，Zhang K M，et al. Prediction of Internal Corrosion Rate for Gas Pipeline: a New Method Based on Transformer Architecture[J/OL].Computers & Chemical Engineering，2025，198：109084.https://doi.org/10.1016/j.compchemeng.2025.109084.
  39. [39] Wu T T，Miao X Y，Song F L. Residual Strength Prediction of Corroded Pipelines Based on Physics-informed Machine Learning and Domain Generalization[J/OL].npj Materials Degradation，2025，9：12.https://doi.org/10.1038/s41529-025-00561-2.
  40. [40] Xu L，Wen S M，Huang H F，et al. Corrosion Failure Prediction in Natural Gas Pipelines Using an Interpretable Xgboost Model: Insights and Applications[J/OL].Energy，2025，325：136157.https://doi.org/10.1016/j.energy.2025.136157.
  41. [41] 马腾，董江洁，雷江辉，等. 基于物理机制引导的埋地管道外腐蚀速率预测研究[J]. 石油科学通报，2025，10（4）：809-818.
  42. [42] 周涛涛，刘迎正，郑文培，等. 基于物理信息神经网络的油气管道内腐蚀预测方法[J]. 中国腐蚀与防护学报，2025，45（5）：1320-1330.
  43. [43] 陈潜，黄伟，张昌会，等. 基于物理引导的集输管道内腐蚀速率预测及可解释性分析[J]. 中国腐蚀与防护学报，2025，45（3）：720-730.
  44. [44] Canonaco G，Roveri M，Alippi C，et al. A Transfer-learning Approach for Corrosion Prediction in Pipeline Infrastructures[J].Applied Intelligence，2022，52（7）：7622-7637.
  45. [45] Ji H D，Tian Y，Fu C Q，et al. Transfer Learning Enables Prediction of Steel Corrosion in Concrete Under Natural Environments[J/OL].Cement and Concrete Composites，2024，148：105488.https://doi.org/10.1016/j.cemconcomp.2024.105488.
  46. [46] Long P J，Yang G P，Liu H Y，et al. Transfer Learning-driven Prediction of Oil and Gas Pipeline Corrosion Rates in Small Sample Scenarios[J/OL].PLOS ONE，2025，20（10）：e0333914.https://doi.org/10.1371/journal.pone.0333914.
  47. [47] 李中玲，王海瑞. 基于机器学习的腐蚀图像特征参数表征方法[J]. 腐蚀与防护，2025，46（8）：39-44.
  48. [48] Ma H N，Geng M Y，Wang F，et al. Data Augmentation of a Corrosion Dataset for Defect Growth Prediction of Pipelines Using Conditional Tabular Generative Adversarial Networks[J/OL].Materials，2024，17（5）：1142.https://doi.org/10.3390/ma17051142.
  49. [49] 叶正荣，张少刚，周祥，等. 基于大数据的油田腐蚀数据智能管理平台研发[J]. 腐蚀与防护，2025，46（9）：80-87.
  50. [50] Seghier B M E A，Höche D，Zheludkevich M. Prediction of the Internal Corrosion Rate for Oil and Gas Pipeline: Implementation of Ensemble Learning Techniques[J/OL].Journal of Natural Gas Science and Engineering，2022，99：104425.https://doi.org/10.1016/j.jngse.2022.104425.

基金项目

2024年揭阳市社会发展领域科技计划项目（SHFZ2024020）

作者简介

林壮敦（1972.12—），男，汉族，广东揭阳人，高级工程师，本科，研究方向：特种设备检验及安全管理与评估；袁武飞（1978.02—），男，汉族，广东揭阳人，高级工程师，本科，研究方向：特种设备检验及安全管理与评估；吴海泓（1974.08—），男，汉族，广东河源人，高级工程师，硕士研究生，研究方向：特种设备检验及安全评估；黄琛淏（2001.11—），男，汉族，广西南宁人，硕士研究生在读，研究方向：智能检测与仪器仪表；通信作者：刘桂雄（1968.10—），男，汉族，广东揭阳人，教授，博士生导师，博士研究生，研究方向：先进传感与仪器。