Применение 3D-печати в нефтегазовом секторе
May 18, 2023Новости индустрии 3D-печати: 6K Additive, Axial3D, Lithoz, Wematter, Meltio и другие
May 20, 2023Выше
Apr 15, 2024Ускорение трансформации: анализ спроса и доли на рынке литий-ионных аккумуляторов
Aug 20, 2023Коалиция под руководством Nucor публикует Глобальный стандарт стали для измерения и отчетности по выбросам парниковых газов
Jun 23, 2023Машинное моделирование прогнозирования скорости внешней коррозии контейнера с отработавшим ядерным топливом из углеродистой стали в почве
Том 12 научных отчетов, номер статьи: 20281 (2022) Цитировать эту статью
1017 доступов
3 Альтметрика
Подробности о метриках
Коррозия почвы всегда является серьезной проблемой для коррозионной техники из-за экономического влияния почвенной инфраструктуры, которая была и в последнее время находится в центре внимания контейнеров с отработанным ядерным топливом. Помимо защиты от коррозии, важно также прогнозирование коррозии канистры. Расширенные знания о скорости коррозии материала контейнеров с отработавшим ядерным топливом в конкретной среде могут оказаться чрезвычайно полезными при выборе наилучшего метода защиты. Применение машинного обучения (МО) для прогнозирования скорости коррозии решает все проблемы, связанные с множеством переменных, влияющих на коррозию почвы. В этом исследовании используются несколько алгоритмов МО, включая отдельные серии, повышение, пакетирование искусственной нейронной сети (ИНС), отдельные серии, повышение, пакетирование, дерево автоматического обнаружения взаимодействия хи-квадрат (CHAID), линейную регрессию (LR) и ансамблевое обучение. (EL) объединить лучший вариант, который собирает из трех методов алгоритма, описанных выше. По характеристикам каждой модели найти модель с наибольшей точностью можно с помощью метода суммирования ансамблей. Матрицы средних абсолютных ошибок показаны на рис. 15. Помимо применения ML, значимость входных переменных также определялась посредством анализа чувствительности с использованием критерия важности признака, а скорость коррозии углеродистой стали наиболее чувствительна к температуре и хлоридам.
Коррозии почвы уделяется большое внимание, поскольку существует множество примеров подземной инфраструктуры, такой как контейнеры с отработавшим ядерным топливом, содержащие ядерные отходы1,2,3,4. Эта инфраструктура имеет важное значение и играет важную роль в современной жизни. Долгосрочное сохранение радиоактивных отходов остается серьезной проблемой во всем мире. Топливо в этих системах и в тех, которые будут сброшены, возможно, придется хранить в течение периода до 100 лет. Существует много типов контейнеров, используемых для подземного хранения отходов, таких как углеродистая сталь, нержавеющая сталь, никелевые и титановые сплавы… если контейнер подвергнется коррозии, треснет и не сможет быть заменен через долгое время, это будет иметь значительный экономический эффект5 . Заранее знание скорости коррозии металла и свойств грунта очень помогает инженерам найти подходящие методы защиты трубопровода6,7,8,9. Однако прогнозировать скорость коррозии в сложных средах, таких как почва, непросто, поскольку почвенная среда имеет множество факторов, влияющих на скорость коррозии, включая концентрацию химических веществ в почвенной воде, влажность почвы и структуру почвы10. Маттео Стефанони и др. опубликовали очень успешное исследование, описывающее уравнение, которое может предсказать скорость коррозии как функцию пористости, в которой вода заполняет пустоты в почве11,12. Мохамед Эль Амин Бен Сегир и др. предсказал скорость внутренней коррозии нефте- и газопроводов13. Однако никем из исследователей не изучены факторы, влияющие на скорость внешней коррозии подземных металлов в зависимости от состава почвенного раствора и его температуры.
В современном мире почти все ручные задачи можно автоматизировать с помощью алгоритмов машинного обучения14. Машинное обучение (МО) имеет широкий спектр потенциальных промышленных применений15,16. Метод машинного обучения подходит для прогнозных моделей с несколькими переменными17. В последнее время во многих научных областях машинное обучение применяется для междисциплинарного прогнозирования17,18,19. Даже в области коррозии многие ученые применяли машинное обучение для прогнозирования скорости коррозии в атмосфере, эффективности ингибиторов коррозии и поведения коррозии20,21,22,23,24. Однако исследований, посвященных прогнозированию скорости коррозии канистр из углеродистой стали в почвенной среде, не так много. Наши предыдущие исследования включали прогнозирование скорости коррозии углеродистой стали на основе влияния pH, концентрации хлоридов и сульфатов почвенного раствора с использованием метода поверхности отклика (RSM)10 и pH, хлоридов, температуры почвенного раствора с различными исследуемыми диапазонами. значения с использованием RSM и искусственной нейронной сети (ИНС)25. Ограничением наших предыдущих исследований является то, что существует только три коррозионных фактора.