深入探究氢在掺杂氧化铁（α-Fe₂O₃）表面的吸附行为对于优化钢铁材料的耐腐蚀特性至关重要。在本研究中，将密度泛函理论（DFT）计算与机器学习相结合，系统地研究了氢在掺杂氧化铁表面的吸附行为。从DFT计算中获得了597个数据点。基于这些数据，开发了机器学习模型来预测氢的结合能和吸附能，从而阐明它们之间的差异，并深入挖掘决定氢吸附行为的关键特征。随机森林回归（RFR）模型的50次迭代表明，电子特征（例如：εx，O原子x方向轨道的p带电子中心）在预测结合能方面占主导地位，而几何和原子特征（例如：MRA，掺杂位点原子半径和DO2，O原子与第二近邻金属原子的距离）在预测氢吸附能方面发挥着更为重要的作用，这表明结构信息对于描述氢吸附引起的局域变形的重要性。此外，采用偏依赖图（PDPs）来评估关键特征对氢吸附的影响，能够为揭示氢吸附引起局域畸变的潜在机制提供有价值的见解。

氢吸附；氧化膜；机器学习；特征；第一性原理计算