MAST-Corrosion：基于物理信息图神经网络的电偶腐蚀预测系统

MAST-Corrosion是一个基于物理信息图神经网络的电偶腐蚀预测系统，融合物理约束与深度学习，通过图神经网络建模材料间的电化学交互，并配备交互式可视化界面。项目旨在解决传统电偶腐蚀预测方法的局限，为工程材料领域提供高效、可解释的预测工具。

项目来源：GitHub，原作者/维护者Th3Samaritan，发布时间2026年6月7日，链接https://github.com/Th3Samaritan/MAST-Corrosion

电偶腐蚀是工程材料领域常见且破坏性强的腐蚀形式，存在于船舶、桥梁、管道、航空器等关键基础设施中。传统预测方法依赖经验公式和有限元模拟，但面临材料组合种类多、计算成本高、实际环境不确定性因素难建模等挑战。

纯数据驱动的神经网络缺乏物理可解释性，物理信息神经网络（PINNs）将领域知识编码为约束条件，兼顾数据拟合能力与物理定律，成为解决上述问题的重要方向。

MAST-Corrosion采用图神经网络（GNN）作为核心架构，将金属部件建模为图节点，电化学连接为图边，契合问题物理本质。基于PyTorch Geometric框架构建，具备高效处理大规模图结构数据的能力。

核心创新是融合物理约束到训练过程，包括电荷守恒定律、电极动力学方程、欧姆定律约束，实现多目标优化，确保预测符合物理规律。同时集成Streamlit构建的交互式可视化界面，支持材料参数输入、几何构型定义、实时查看腐蚀分布等功能。

MAST-Corrosion的应用场景包括：

1. 工程设计阶段：快速评估不同材料搭配的腐蚀风险，替代传统试错方法，缩短设计周期；
2. 现有设施维护：结合现场监测数据预测关键部位剩余寿命，优化检修计划，避免资源浪费或安全隐患；
3. 材料选型决策：支持材料数据库扩展，评估新材料在特定环境下的适用性，助力新型合金研发。

技术亮点：

1. 物理可解释性：PINNs输出符合物理规律的预测，适用于安全关键型应用；
2. 图结构建模：GNN天然表示材料交互关系，避免信息损失；
3. 端到端工具链：完整流程降低技术门槛，便于非技术用户使用。

局限与改进方向：

1. 数据依赖性：需准确材料参数，稀有材料数据难获取；
2. 复杂环境建模：目前以稳态条件为主，动态环境（潮汐、温度循环）能力待验证；
3. 多尺度耦合：微观电化学反应与宏观结构腐蚀的跨尺度耦合问题尚未解决。

MAST-Corrosion是人工智能与材料科学交叉领域的有益尝试，展示了如何将领域知识编码为神经网络约束，构建准确且可解释的预测模型。随着工业物联网和数字孪生技术发展，这类物理信息融合的智能系统将在基础设施健康管理中发挥重要作用。

该项目为腐蚀防护、材料工程或AI for Science研究者提供了参考实现，值得深入研究与二次开发。