地铁系统的埋地管道和金属结构受到电化学腐蚀下杂散电流干扰。腐蚀电流密度决定了杂散电流腐蚀的程度和速度。方法结合电化学实验和机器学习算法用于本研究研究腐蚀电流密度耦合作用下杂散电流和氯离子。在这项研究中,一个量子粒子群optimization-neural网络(QPSO-NN)模型建立了预测腐蚀电流密度的过程中杂散电流腐蚀。QPSO算法用来优化重量和偏见的更新过程的人工神经网络(ANN)。结果表明,提出的准确性QPSO-NN模型比基于反向传播神经网络模型(摘要)和粒子群optimization-neural网络(PSO-NN)。QPSO-NN模型更稳定的精度分布比摘要模型和PSO-NN模型。提出了模型可用于预测腐蚀电流密度,并提供监控杂散电流腐蚀的可能性在地铁系统通过智能学习算法。