在大气、温度、压力、流速、磨料、污染物等各种因素的影响下,任何材料都会发生严重的腐蚀和失效。由材料腐蚀和失效而造成潜在的安全问题是大多数控制系统仪器设计过程中不可忽视的问题。在材料科学领域,对不同材料相关问题的数据分析需求也越来越大。由于材料服役安全的重要性,为了探究材料失效的原因、金属表面的腐蚀性能以及影响材料性能的不同因素,许多研究者将大量的时间投入到实验测试和数据分析中。但是,由于获取数据的非线性、实验过程的耗时性、对专家的依赖性以及处理大数据的能力差、难以复用等原因,传统的分析模型还不能达到很好的效果。本文提出了不同的数据分析方法,以帮助材料研究人员利用人工智能(AI)方法,建立一个有效的材料失效案例推理模型和一个更好的材料腐蚀预测模型:基于规则的推理、基于案例的推理、基于规则和案例的推理、人工神经网络和自适应神经模糊推理系统(ANFIS)。由两部分独立的数据分析工作组成,主要针对大量碳钢大气腐蚀数据(包括可靠的报告数据和已发表的研究论文数据)和材料失效案例数据。首先,大部分公共安全问题都与材料失效有关,因此材料失效问题也越来越引起人们的关注。对材料进行失效分析,找出失效原因,就可以在很大程度上避免类似事件的再次发生。但是,材料失效案例分析大多依赖具有足够领域知识的专家,这就造成了耗费时间、效率不高、评估困难的局面。本研究在本体论的指导下,提出了一种基于规则和案例的混合推理方法。在数百个来自不同行业的材料失效案例的数据集上,利用基于规则的推理、基于案例的推理以及基于规则和案例的混合推理方法进行了实验对比。结果表明,与单纯的基于规则的推理方法和基于案例的推理方法相比,基于规则和案例的混合推理方法可以提供更好的分析结果。其次,在提高神经网络泛化能力方面,优化网络的拓扑结构是非常重要的问题。通过决定何时停止过度训练人工神经网络(ANN)来优化网络拓扑结构是人工神经网络预测工作中的重要挑战。另外,ANN训练的数据集越大,预测的泛化效果越好。本文在由文献汇编的碳钢大气腐蚀数据集上,对多层反向传播神经网络模型和两种传统的腐蚀预测模型(线性模型和Klinesmith模型)进行了实验对比。与以往的工作不同,本文利用基于网格搜索的超参数组合法和小批量随机梯度下降法来构建和优化网络拓扑结构,以方便大数据集的训练。在此基础上,还采用早期停止法来保证网络的泛化能力。最终,神经网络模型的相关系数(R)在碳钢的大气腐蚀数据集上为80%左右(大于75%),并且三种模型的均方根误差(RMSE)也表明,人工神经网络模型比其他两种传统的模型具有更好的泛化能力。另外,本文还利用模糊曲线分析方法,突出显示了输入参数对输出的影响。结果表明,在与大气腐蚀之间存在非线性关系的因素中,TOW、Cl-和SO2是最重要的大气化学变量。最后,研究材料在典型环境下的大气腐蚀行为规律对改进材料的设计、提高材料的耐久性、延长材料的使用寿命和降低材料腐蚀的成本都有重要影响。由于不同的环境变量与材料的腐蚀速率之间具有较强的非线性关系,所以材料的大气腐蚀预测是材料科学领域中具有挑战性的研究方向。本文利用文献汇编的碳钢大气腐蚀数据集,构建了三种人工智能的预测模型:深度前馈神经网络(DFF-NN)、基于k-means的径向基函数神经网络(RBF-NN)、和模糊逻辑神经网络(自适应神经模糊推理系统,ANFIS)。结果表明,三种人工智能的预测模型均能得到较好的预测效果。其中,深度前馈神经网络的预测效果最好,相关系数R能达到90%左右,平均绝对百分误差(MAPE)显示出令人满意的预测精度(98%左右)。另外,其均方根误差(RMSE=0.0688)在三个模型中也是表现最好的。