城市轨道交通系统给人们的生活提供了极大便利,但该系统在应用过程中也带来很多问题。该系统采用直流牵引供电,由于轨道与大地之间不是绝对的绝缘,导致部分电流泄漏到大地,从而形成杂散电流。杂散电流会腐蚀轨道附近的埋地管道,降低埋地管线的强度,对地铁的安全运行造成威胁,因此有必要对杂散电流腐蚀机理展开研究。通过搭建杂散电流模拟实验平台,分析杂散电流对埋地管道腐蚀的影响,并建立相应的腐蚀预测模型。实验结果表明,模型达到了较好的预测效果。具体研究内容如下:（1）为了采集杂散电流数据和分析杂散电流腐蚀机理,搭建杂散电流模拟实验平台。在实验平台上设置一定数目的电极片,通过改变土壤的酸碱度、湿度和电源电压值,并记录电极片在不同条件下的电位值。通过获取的电位值数据,对杂散电流在土壤中的分布和腐蚀机理进行分析。实验结果表明,杂散电流和土壤酸碱度、湿度以及电源电压值之间有较强的相关性,且在电源正负极附近杂散电流泄漏多,应当加强此区域的腐蚀防护。基于电位偏移值,计算土壤电位梯度,并根据土壤电位梯度危害性指标进行腐蚀风险评估。（2）给出一种基于SVM、BP神经网络的腐蚀预测模型。根据实验采集的电位值,利用皮尔逊相关系数对电位值和实验环境的相关性进行定量分析,并基于SVM与BP网络分别建立了腐蚀预测模型,预测模型以电极片与轨道间的纵向距离、横向距离、输入电压作为输入特征,预测土壤中电位偏移值。实验结果表明,SVM、BP网络都能有效预测电位偏移值,且BP网络的预测精度优于SVM,因此,基于BP网络的预测模型对地铁杂散电流腐蚀防护具有一定的参考价值。（3）给出一种基于集成学习的腐蚀预测模型。由于杂散电流实验数据采集方式较为复杂,因此很难得到大量数据样本。BP神经网络需要大量的数据进行拟合训练,较少的数据量容易导致网络过拟合,降低模型性能。因此,提出一种基于集成学习的杂散电流腐蚀预测方法。该方法通过集成多个弱学习器,达到强学习器的预测效果。实验结果表明,当Stacking模型选择XGBoost、GBDT、RF为基模型,线性回归为元模型时,模型预测精度最佳且泛化能力较好。