南部沿海炼化装置腐蚀速率TL-BiLSTM-Attention智能预测

来源：电子测量技术杂志2026年第9期北京时间：

作者：黄琛淏，刘桂雄，林壮敦，袁武飞，吴海泓

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

摘要：中国南部沿海炼化装置服役环境复杂、多源环境因素耦合显著，金属设备在长期服役中易产生加速腐蚀，亟需构建高精度预测模型以辅助设备健康管理。针对炼化装置腐蚀数据样本有限(目标域样本量N=12)问题，本文提出一种结合迁移学习的TL-BiLSTM-Attention大气腐蚀速率预测方法。首先基于MICAT公共腐蚀数据集构建源域数据集，随后通过正交实验优化 BiLSTM-Attention 网络超参数，提高预训练模型性能，最后将最优预训练模型迁移至炼化装置本地腐蚀数据，通过不同冻结层策略实现微调。实验表明，BiLSTM-Attention 模型在源域预测中相比LSTM、BiLSTM具有更高拟合能力与更低误差；TL-BiLSTM-Attention能够有效提升炼化装置中Q235、304、316L、5A06 等材料的大气腐蚀速率预测精度，不同金属需采用差异化冻结策略以获得最佳结果。研究验证 TL-BiLSTM-Attention 方法在少样本条件下预测有效性、工程适用性，可为炼化装置腐蚀评估提供数据驱动的预测工具。

关键词：腐蚀速率预测;迁移学习;少样本;BiLSTM-Attention

基金资助：2024年揭阳市社会发展领域科技计划项目(SHFZ2024020)资助