金属材料腐蚀预测模型研究进展
丨文章来源：网络
作者:姚勇1，刘国军1，黎石竹1，刘淼然2，陈川2，黄廷城2，林海3，李展江3，刘雨薇4，王振尧4
1 广东能源集团科学院技术研究院有限公司，广州，510630
2 中国电器科学研究院股份有限公司，广州，510799
3 湛江海关技术中心，湛江，524000
4 中国科学院金属研究所，沈阳，110016
金属材料由于其优异的性能广泛应用于各个行业，包括电力、机械设备等。然而，金属 材料在环境服役过程中不可避免地会受到环境的影响，造成材料性能的损失，进而造成一定 的安全隐患。因此，金属材料在环境中的腐蚀行为预测日益受到了各行业工程师和腐蚀研究者的重视。
对于电力行业，设备用金属材的料腐蚀类型主要是大气腐蚀，大气腐蚀的发生除了受到 金属本身性质影响外，环境因素是影响大气腐蚀的主要因素，包括气候因子、大气成分、温 度和湿度等[1-3]。环境中影响大气腐蚀的因素众多且具有协同作用，使得腐蚀相关数据的统 计分析以及腐蚀速率的预测遇到了很大的困难。金属腐蚀速率的预测都是将通过材料的室内 加速模拟试验和实际服役大气环境自然暴露，获得金属材料的腐蚀数据和环境数据，并利用 不同的方法对腐蚀数据和环境数据进行分析处理，获得金属材料的腐蚀预测模型，进而对其 在实际服役环境中的使用寿命进行预测。目前，针对腐蚀数据集，国内外已有诸多学者进行 相关的数据分析以及预测建模研究。特别是近些年来，随着机器学习与人工智能算法的兴起， 学者们利用部分机器学习算法对多种类型的腐蚀数据进行了建模、预测与知识挖掘研究。目前常用的腐蚀预测模型主要有函数模型、多元线性回归分析模型、灰色理论模型、人工神经 网络和剂量响应函数等[4-6]。
根据目前常用的不同腐蚀预测方法的特征，将腐蚀预测方法主要分为两种，一种是不考 虑腐蚀的环境因素，仅仅使用不同时间的腐蚀数据建立腐蚀预测方程，本文定义为腐蚀-时 间预测模型；另外一种是综合考虑环境中影响腐蚀的不同因素，结合不同时间或者某一时间 的腐蚀数据建立腐蚀预测模型，本文定义为腐蚀-环境预测模型。
1 腐蚀-时间预测模型
通过对现有不同时间对应的金属材料腐蚀数据整理，利用数据分析方法，研究腐蚀动 力学行为，搭建腐蚀预测模型，对金属材料的长期腐蚀行为进行预测。目前，常见的腐蚀- 时间预测模型有函数模型、灰色理论模型等。
1.1 函数模型
函数模型的形式比较简单，是目前应用最早且应用范围最广的腐蚀预测模型。研究者们 根据大量的腐蚀研究和数据分析提出了金属材料腐蚀随时间的变化规律函数。目前，最常用 的腐蚀预测函数模型是腐蚀失重随时间变化的幂函模型，其形式为[7-10]：
Ct=Atn （1a）
或者
lgCt=lgA+nlgt （1b）
其中，Ct 表示 t 时刻的腐蚀失重预测值；t表示腐蚀时间，单位为年（a）；A 和 n 是 常数，其中A一般为第一年的腐蚀失重量，与环境及材料有关，n 值的大小可反应腐蚀产物 对材料保护性：当n＞1时，腐蚀速率逐渐增加；当n=1时，腐蚀速率不变；当n＜1时，腐蚀 速率逐渐减小。
幂函数模型从搭建之初至今，经过不同国家研究人员的验证和使用，适用于不同金属材 料在不同环境中的腐蚀预测。梁彩凤等[11]通过对不同地区碳钢和低合金钢16年的大气暴晒 腐蚀失重数据分析，证实了幂函数模型在我国不同地区的适用性。李晓刚等开展铝合金在西 沙海洋大气的自然暴露试验，发现随时间延长，铝合金的腐蚀损失量与曝晒时间呈现幂函数 规律。
近些年来，随着腐蚀研究深入，数据分析更加详细，结果表明腐蚀失重随时间变化曲线 并不完全符合幂函数模型，腐蚀前期金属材料的腐蚀失重与时间关系呈现幂函数模型，后期 金属材料的腐蚀速率不再发生变化，腐蚀失重与时间关系更符合线性函数模型。中科院金属 所的马元泰和潘晨等[12]人分别对低碳钢在海洋大气环境以及工业大气环境中暴晒不同时间 后的腐蚀规律进行探索，研究中证实了低碳钢随着暴晒时间的变化更趋向于分段变化，腐蚀 速率初期的n值较大，后期则较小，更为接近于线性模式。Panchenko等[13, 14]对碳钢在世界多 个地区的长期腐蚀行为进行研究，同样发现了碳钢长期腐蚀行为的幂-线性函数规律，并绘 制了不同国家碳钢腐蚀随时间变化的动力学曲线，如图1所示。
图1 不同国家碳钢腐蚀损失随时间变化的动力学曲线[13, 14]
Fig. 1 Corrosion kinetics curves of mass losses of carbon steels in different countries
其中，D表示材料的腐蚀失重；t为暴露时间，单位为年；rcorr为第一年的腐蚀速率，单位为 g/（m2 · a）或者μm/a。
幂函数以及幂-线性函数模型中不同的参数反映了表面腐蚀产物对腐蚀动力学的影响， 在金属材料的腐蚀预测方面应用很广泛，但是仍然存在很大的局限。首先，幂函数以及幂- 线性函数模型只适用于材料表面发生均匀腐蚀的情况，对于金属材料局部腐蚀的预测会产生 很大的误差。其次，幂函数以及幂-线性函数适用于材料腐蚀损失的预测，不适用于金属材 料腐蚀速率预测，腐蚀速率随时间的变化符合指数函数[18, 19]。此外，幂函数以及幂-线性函 数模型都是研究人员利用大量腐蚀数据分析建立的经验公式，因此材料的腐蚀数据量决定了 函数模型预测的精确度，当数据量比较少时，腐蚀的预测精度会受到很大影响。
1.2 灰色理论预测模型
环境因素和材料因素对腐蚀的影响各不相同，而不同因素的相互作用使得腐蚀过程更加 复杂，无法准确描述不同因素与材料腐蚀行为的对应关系[20]。但是，基于大气腐蚀理论分 析和长期的研究结果，不同环境因素和材料因素与材料腐蚀之间符合一定的理论和逻辑关系， 且材料腐蚀行为的演变是具有规律性的，可以通过复杂数据的统计分析实现材料腐蚀的合理 有效预测。对于这种统计预测方式，灰色理论分析建模具有独特的优势。
灰色系统建模法首先需要对原始数据进行生成处理，将随机的原始数据转变为具有一定 规律性的数据。常用的数据处理方法包括累加生成算子和均值生成算子。累加生成（AGO, Accumulated Generating Operation）是将不同时间的数据依次进行累加获得新的数据。通过 数列间各时刻数据的依个累加以得到新的数据与数列。均值生成算子是将累加生成算子相邻 两项求均值成为新的数据。
GM(h, n)模型是灰色系统理论的核心，通过将随时间变化的数据进行微分处理，通过构 建微分方程进行函数求解，从而实现预测分析。现有的研究表明大气环境中材料的腐蚀速率 与时间变化符合指数函数模型，一阶常微分方程是指数函数的通解形式，因此GM（1、1） 在腐蚀预测领域应用十分广泛。GM(1，1)的微分形式为：
其中，α是动态发展系数，b是灰色作用系数。
现有的研究表明大气环境中材料的腐蚀速率与时间变化符合指数函数模型，一阶常微分 方程是指数函数的通解形式，因此GM（1、1）在腐蚀预测领域应用十分广泛。Wang等[21] 针对炼油厂常减压塔顶换热器入口弯头处的腐蚀问题，利用超声波测厚仪测量弯头厚度，并 用灰色系统理论建立GM(1，1)模型，预测误差最低可以达到1.3084%，具有很高的预测精度， 适合长期预测，并利用建立的模型对弯头的剩余寿命进行了预测。尹文阔等[22]针对钢结构涂 层腐蚀脱落问题开展研究，利用灰色预测理论的GM(1，1)模型，并基于涂层腐蚀面积的历史 数据构建了涂层腐蚀预测模型，并利用实际数据和多项式预测模型对GM(1，1)模型的精确度 进行了验算，证实了该模型的有效性和优越性。王海涛等基于灰色理论建立了GM(1，1)模型， 针对青岛、厦门、榆林等海域海洋环境中碳钢的腐蚀速率进行了预测，通过预测结果与实测 值的对比发现预测误差均小于10%，后验差比C<0.35，模型具有很高的预测精度。Zhang等[23] 在海洋环境中小样本测量数据的基础上，分别利用灰色分析方法和最小二乘法对金属材料的 腐蚀速率、最大腐蚀深度和平均腐蚀深度进行预测，结果表明GM(1，1)具有更好的预测精度。
灰色理论方法在建模时明显的优点是在少量数据的情况下建立的模型也有很高的精度， 尤其是GM(1，1)模型，适用于材料的腐蚀行为预测，且越靠近当前时间点精度越高。但是 GM(1，1)原始算法对数据要求较高，需要对原始数据进行处理以及模型的改进优化，提高预 测结果的精度。
2 腐蚀-环境预测模型
环境是影响金属材料腐蚀的主要因素，不同环境因素对材料腐蚀行为的影响规律和机制 也各不相同，当材料类型或者服役环境发生变化时都需要重新确定模型中的相关系数，使得 腐蚀-时间预测模型的应用范围受到很大限制。针对环境因素对腐蚀的影响，研究者通过对 材料腐蚀和服役环境特点进行综合分析，利用不同的数据分析方法建立材料腐蚀与环境的关 联模型，通过相关环境参数的输入即可对腐蚀进行分析预测，大大扩展了预测模型的普适性。目前常用的包括人工神经网络预测模型、剂量-响应函数预测模型、随机森林模型、支持向 量机、组合优化模型等。
2.1 人工神经网络预测模型
人工神经网络（Artificial Neural Network，ANN）是一种运算模型，由大量的人工神经 元相互连接构成，可实现输入-输出的非线性映射过程，具有自适应能力、容错性、大规模 平行处理、多输入和输出功能等优点。金属腐蚀腐蚀过程是一个多因素共同影响的复杂非线 性过程，人工神经网络方法在预测金属腐蚀过程方面具有天然的优势，是腐蚀研究最常用的 机器学习算法之一。人工神经元如图2所示，是一个多输入，单输出的非线性元件，神经元 之间常用的传递函数都是非线性且连续可微的。人工神经元的传递可以用如下公式表示：
其中，xj是由神经元的输入量；ωij是神经元的连接权重；θi是神经元的阀值；f是传递函数；yi是神经元的输出量。
图2 神经网络元示意图
Fig. 2 Schematic diagram of neural network element
图3 神经网络模型示意图
Fig. 3 Schematic diagram of BP neural network model
国内外研究人员基于不同神经网络方法的特征和优势，开展了大量的金属材料大气腐蚀 预测研究。蔡建平等[24]采用BP算法构造了12-8-2多层神经网络结构，以我国大气腐蚀试验站 的环境数据、冶金数据为输入值，以碳钢、低合金钢大气腐蚀D =At n回归后的A和n值为输出 值，经过神经网络的训练计算，得到的腐蚀预测结果与实际值的误差小于10%，研究结果表 明人工神经网络可以很好地反应环境因素、材料因素与大气腐蚀规律之间的关系，可以用于 大气腐蚀预测。王海涛等[25]选取国家大气腐蚀站中碳钢和低合金钢在北京、青岛、武汉、江 津、广州、琼海和万宁七个地方的腐蚀数据为基础，输入因子分别为合金元素C、S、P、Mn、 Si、Cu的含量、环境因子中平均温度、相对湿度、相对湿度>80%的年时数、年降水量、Cl - 浓度、SO2浓度和暴晒时间，输出项为材料的大气腐蚀速率，建立了13-19-1的网络拓扑结构， 与实验结果相比，神经网络的预测结果具有较好的准确性。此外，王海涛等[26]还利用国家大 气腐蚀网站给出经时效处理的6种不同铝合金分别在全国7个不同气候地区暴晒1、3、6、10 年的腐蚀数据，构建了铝合金大气腐蚀7-5-1的人工神经网络预测模型，研究了网络的训练 精度与预测精度的关系，预测结果较理想。郭稚弧等[27]利用神经网络以土壤的含水量、pH 值、Cl -含量、SO4 2−含量及Fe 2+含量等五个理化特性和腐蚀时间作为网络结构的输入，建立了 6-10-1的网络结构对A3钢在土壤中长期的腐蚀速率进行预测，取得了较为精确的预测结果， 验证了人工神经网络方法在土壤腐蚀研究中的可行性。花广如等[28]分别用BP网络和RBF网络 模型开展碳钢土壤腐蚀速率预测研究，结果表明两种预测模型得到的结果准确率均在95%以 上，RBF网络模型预测结果精度整体高于BP网络，且模型参数设定简单，训练和学习速度更 快。
神经网络算法在开展腐蚀预测时，模型的输入为环境参数和材料参数，输出量为材料的 腐蚀速率，建立的模型属于腐蚀-环境预测模型，无法预测材料腐蚀随时间的变化情况。神 经网络算法在有大量基础数据作为训练样本可以获得比较精确的预测结果，在处理复杂腐蚀 过程有很大的优势。我国从20世纪50年代就开始了自然环境腐蚀试验网站的建设，科研工作 者针对金属材料在我国不同地方典型大气环境中开展了长期的户外自然曝晒试验研究。国家 材料腐蚀与防护科学数据中心整合全国不同地区野外自然腐蚀试验网站的数据，获取了不同 材料海量的腐蚀数据，基于海量的数据资料可以有效提高人工神经网络模型预测结果的准确性。
2.2 剂量-响应函数预测模型
材料大气腐蚀的剂量-响应函数（dose-response functions，DRF）是材料腐蚀和不同大气 环境因素的关联函数，体现了不同环境因素（“剂量”）对材料腐蚀（“响应”）的影响规 律和逻辑，是估算材料因环境因素造成大气腐蚀的重要方法。剂量-响应函数中常用的环境 因素包括平均气温、相对湿度、年降雨量、润湿时间、SO2浓度等，不同环境参数的选取参 考材料的服役环境特点以及不同因素对材料的影响机理。材料大气腐蚀DRF的数学表达式为：
R = f[Ci] （16）
其中，i表示不同环境因素，[Ci]表示其浓度。
剂量-响应函数结构简单，能够直观地反映不同环境参数与材料腐蚀之间的关系，在工 程领域应用十分广泛。国际标准化组织（International Organization for Standardization，简称 为 ISO）发布了相关标准 ISO 9223:2012，给出了 4 种基础金属材料碳钢、锌、铜、铝的 DRF 函数。
ISO 标准中给出的 DRF 函数是通用函数，仅包含温度、相对湿度、SO2沉积率和 Cl -沉 积率，针对不同地区预测精度有所差别，研究人员为了得到更精确的预测结果，对 DRF 进 行了相应的改进研究。付冬梅等[29]以碳钢为研究对象，将 ISO 标准中的剂量响应函数进行 改进，建立对应不同环境腐蚀等级的分段式剂量响应函数，并基于国内外腐蚀试验站点的环 境数据对大气环境腐蚀等级进行判定，与 ISO 9223:2012 标准相比，分段式剂量响应函数能 更为准确地计算不同大气环境中碳钢的腐蚀速率的环境的腐蚀等级。Panchenko 等[30]还综合 了 ISO、MICAT、UN/ECE 和俄罗斯等多个组织/国家的腐蚀数据，对常用的碳钢和锌的 DRF 参数进行了修正。叶堤等[31]基于 16 个站点碳钢、Zn 和 Cu 的腐蚀数据和环境数据，通过灰 色关联分析选取了影响腐蚀的主要环境参数，并基于腐蚀机理和非线性回归拟合方法建立了 三种金属材料的剂量响应函数，并验证了函数的普遍适用性和较好的预测精度。Faller 等[32] 利用瑞士境内七个地点的腐蚀数据进行分析，结果表明除了二氧化硫外，环境中的臭氧对钢、 铜和锌的腐蚀也有重要作用，并建立了耐候钢、铜和锌的剂量响应函数。Rojas 等[33]分析了 碳钢在波哥大 8 个地区的腐蚀行为进行了分析，结果发现人类活动产生二氧化硫是影响腐蚀 的主要因素，并基于温度、相对湿度和二氧化硫建立了波哥大地区碳钢的剂量响应函数。
通过 DRF 研究分析可知，DRF 反映了腐蚀与环境因素的关系，不涉及腐蚀随时间的变 化情况，具有形式简单直接、易于理解等优点，在环境腐蚀严酷度评估领域受到工程和研究 人员广泛应用。然而，DRF 具有很强的区域性，ISO 标准中给出的通用函数在部分地区的预测精度不高，需要根据具体地区的环境特点，对 DRF 进行优化改进，包括环境因子类型、 公式系数等，提高 DRF 在使用过程中预测结果的准确性。
2.3 随机森林模型
随机森林是利用多棵树集成算法对样本进行训练并预测的方法，通过随机选择特征数目 和训练数据，对同一预测数据出现次数最多的预测结果作为最终预测结果。随机森林是通过 集成学习的思想将多棵树集成的一种算法，基本单元是决策树，本质属于机器学习的一大分 支——集成学习方法。随机森林是基于 bagging（套袋法）思想，建立多个决策树，且决策 树之间相互独立，通过不同的决策树独立地对输入数据进行学习和预测，最后将所有决策树 集成，消除单棵树模型预测结果的不稳定和过拟合等问题，获得更加准确和稳定的预测结果。随机森林的特点就是每棵决策树随机且有放回地从输入样本中选取一定量的数据进行训练 学习，保证了每棵决策树地训练集都是不同的，且包含重复的训练样本，且保证每棵树不受 干扰地生长，具有抗过拟合、抗噪能力强、收敛一致性和并行运行等优点。此外，随机森林 还可以用于进行变量重要性的计算，为研究人员分析数据机理提供分析支持。因此，随机森 林目前已经在诸多领域中得到广泛的应用。
基于随机森林数据处理优点，研究人员将其应用于材料腐蚀领域中，并取得了较好的成 果。曲志豪等[34]通过整合 H2S 腐蚀模拟试验数据，基于 H2S 分压、温度、pH 值、实验周期、 总压、CO2分压等环境参数，采用随机森林算法分别建立了硫铁腐蚀产物类别预测模型和腐 蚀速率预测模型，并利用网格搜索方法对随机森林进行优化，提供预测结果可靠性。骆正山 等[35]利用灰色关联分析首先筛选了影响管道腐蚀的主要因素 CO2体积分数、Cl -质量浓度、 压力、温度和流速等，并对比了随机森林预测模型，BP 神经网络预测模型和支持向量机(SVM) 预测模型，结果表明管线内腐蚀速率预测的随机森林模型均方根误差和平均相对误差均低于 其他两种模型。Chun 等 [36]提出了一种利用随机森林评估钢筋腐蚀内部损伤程度的方法，基 于空气渗透率、电阻率、超声波和压强等在线无损检测信号作为输入，建立了钢筋混凝土内 部腐蚀预测模型，并通过交叉验证验证了模型的高精度，相关研究结果已经应用在实际桥梁 检查，检测不可见的内部损伤。
随机森林模型是层数较深的集成类模型，对于复杂的腐蚀预测有较好的适用性，上述随 机森林腐蚀领域的成功应用表明了该算法在腐蚀领域的适用性。但是，随机森林使用时对于 小样本情况以及特征较少的数据量，预测结果精度相对比较低。
2.4 支持向量机和支持向量机回归模型
Fang 等[37]首次将支持向量机模型应用于大气腐蚀预测，建立了温度、润湿时间、服役 时间、污染物浓度等环境因素与金属材料大气腐蚀速率预测模型。Fu 等[38]利用 SVM 模型建 立了影响碳钢大气腐蚀特征和碳钢腐蚀速率的预测模型，并与传统的最小二乘法进行对比， 验证了 SVM 模型在小样本数据情况下预测结果的可靠性。董超芳等[39]利用 SVM 建立了 Cr 含量、氯敏阻锈剂 Zn-Al-NO2LDH 掺杂量、pH、氯离子浓度等因素与钢筋极化电阻的预测 模型，模型预测结果相关性大于 0.87，实现了根据不同环境特点设计钢筋成分达到更高耐 蚀性。Qiu 等[40]通过将支持向量机（SVM）和递归特征消除（RFE）相结合，提出了 SVM-RFE 算法来选择腐蚀数据中的特征，并通过实验数据验证了建立的算法在金属材料大气腐蚀数据 数据分析和腐蚀速率预测方面的可行性。Wen 等[41]分别用 SVM 和 BP 神经网络对钢在海水 环境中的腐蚀速率进行预测，建立了基于温度、含盐度、pH、溶解氧浓度、电位等 5 种因 素的腐蚀速率预测模型，结果表明 SVM 预测结果的精度更高。
支持向量机最大的优势是可以实现小样本情况下具有很好的学习和泛化能力，可以解决 分线性样本数据的分类及回归问题，但是对于大量样本数据的预测结果不是很好，且 SVM 仍然是一种浅层模型，对数据确实、超参数和和函数的选择设定有很大的依赖性。
2.5 组合优化模型
毕傲睿等 [42]建立了基于主成分和粒子群优化支持向量机的腐蚀预测模型，首先利用主成 分分析法选取了影响腐蚀的 H2S、CO2、温度等 7 个关键因素作为模型的输入参数，利用鲶 鱼粒子群算法（CFPSO）优化影响 SVM 预测精度的参数，避免陷入局部极值，结果表明 CFPSO-SVM 对腐蚀的预测结果误差为 2.82%，相关度为 0.9955，预测效果优于单一的 SVM 模型。董艇舰等 [43]首先利用灰色关联分析方法建立了服役环境不同因素与腐蚀速率的关联度 强弱，并建立了基于耦合遗传算法的 BP 网络建立 SPHC 钢的大气腐蚀预测模型，较好的预 测了 SPHC 钢的大气腐蚀规律，且误差小于 10%。Yan 等 [44]利用皮尔逊相关性分析确定了最 高气温、光照等 9 个关键因素作为输入数据，并利用随机森林构建了不同海洋大气环境中低 合金钢的腐蚀预测模型，通过输入变量的优化，模型精度达到了 0.94。
3 总结与展望
腐蚀是金属材料应用过程中不可避免的现象，通过开展金属材料腐蚀行为预测可以及时 掌握材料在不同服役时期的状态，避免因腐蚀造成设备出现突发性故障失效。本文主要总结 了金属材料腐蚀预测的传统方法和大数据分析方法，根据不同方法所用数据以及形式，将预 测方法分为腐蚀-时间预测模型和腐蚀-环境预测模型，并对不同两种类型的预测模型在数据 处理方面的优势以及局限性。尽管腐蚀预测研究方面开展了大量工作，然而对于电力行业应 用的金属材料腐蚀预测研究还不全面，未来还要从以下几个方面开展相关研究：
（1）特殊环境腐蚀失效预测。国家材料腐蚀与防护科学数据中心依托在全国不同典型 气候的国家野外自然台站收集大量基础金属材料的腐蚀数据以及相应的环境数据，为金属材 料的腐蚀行为预测提供了数据基础。然而，对于电力等行业，除了常规的环境因素，电磁场、 电压、电流、应力等因素同样会对金属材料的腐蚀产生影响，然而相关的腐蚀数据积累及预 测研究相对比较缺乏。
（2）金属镀层腐蚀失效预测。电力行业常用的材料包括钢、铝、铜及镀层等四个大类， 关于钢、铝、铜等基础材料的研究比较多，然而关于镀层，包括镀银层、镀锌层、镀锡以及 合金镀层等的数据积累和腐蚀失效预测研究相对较少。
（3）腐蚀机理与数据分析的结合。现有的方法很多都是利用计算机对数据进行分析处 理，并没有过多的考虑材料的腐蚀机理，未来需要进一步研究探索关于腐蚀机理与数据分析 相结合进行腐蚀预测。
参考文献:略
来源:中国腐蚀与防护学报
来源：网络
（声明：我们尊重原创，也注重分享，感谢每一位作者的辛苦付出与创作。本文版权归文章作者所有，仅代表作者观点，不代表本公众号观点，仅供学习参考之用。本文不用于商业用途，仅为学习交流之用，如文中的内容、图片、音频、视频等存在第三方的在先知识产权，请及时联系我们删除，谢谢！）
精彩文章推荐 ：
3分钟了解顺益体系（集团）
张建新“双新”成为顺益科技园服务升级的核心引擎
【视频】顺益科技园宣传片
顺益科技园（一期）招商盛启！！！
【重磅】顺益科技园会议中心全面对外开放！！！
【高端访谈】张建新：构建大格局是领航工业集成服务的成功密码
【媒体报道】工业服务新法宝：张建新解读跨界融合时代元素
不忘初心 把工业集成服务做到极致——记顺益体系（集团）总裁张建新
相关知识
金属材料应力腐蚀检测全解析
4种常见蔬菜病害预测预报模型研究进展
腐蚀性能
氧化铁皮对低碳钢大气腐蚀行为的影响
微生物腐蚀杀菌剂研究进展
腐蚀试验
铁片腐蚀试验 腐蚀试验厂家 纳卡检测
苜蓿褐斑病气象因子预测模型研究
病虫害预测模型
不同花期预测模型对垂丝海棠花期预测效果的对比研究
网址: 金属材料腐蚀预测模型研究进展 https://m.huajiangbk.com/newsview2501871.html
| 上一篇: 钢材(复检)检测报告模板 |
下一篇: 镀锌板腐蚀原因和常见现象 |
