Modelado de corrosión basado en redes neuronales de codos de acero inoxidable 316L utilizando datos de mapeo de campos eléctricos

Jun 11, 2023

Scientific Reports volumen 13, número de artículo: 13088 (2023) Citar este artículo

210 Accesos

Detalles de métricas

El acero inoxidable (SS) se emplea ampliamente en aplicaciones industriales que exigen una resistencia superior a la corrosión. Modelar su comportamiento de corrosión en escenarios estructurales comunes y diversos escenarios operativos es beneficioso para proporcionar información sobre el espesor de la pared (WT), lo que conduce a un régimen predictivo de integridad de los activos. Con este espíritu, se desarrolla un enfoque para modelar el comportamiento de la corrosión del SS 316L utilizando redes neuronales artificiales (RNA), mediante las cuales agua salina en diferentes concentraciones fluye a través de una estructura de codo con diferentes caudales y concentraciones de sal. Los datos de voltaje, corriente y temperatura se registran cada hora mediante pines de mapeo de campo eléctrico (EFM) instalados en la superficie del codo, que sirven como datos de entrenamiento para las RNA. El rendimiento del modelado de corrosión se verifica comparando el WT pronosticado con mediciones reales obtenidas de pruebas experimentales. Los resultados muestran el rendimiento excepcional del modelo de RNA única propuesto para predecir WT. El error se calcula comparando el peso estimado y la medición real registrada, donde el error máximo para cada configuración oscila entre 0,5363 y \(0,7535\%\). Los valores RMSE y MAE de cada pin en cada configuración también se calculan de modo que los valores máximos de RMSE y MAE sean 0,0271 y 0,0266, respectivamente. Además, también se presenta una descripción concisa de la formación de incrustaciones observada. Este estudio integral contribuye a una mejor comprensión de la corrosión del SS 316L y ofrece información valiosa para desarrollar estrategias eficientes para prevenir la corrosión en entornos industriales. Al predecir con precisión la pérdida de WT utilizando RNA, este enfoque permite una planificación proactiva del mantenimiento, minimizando el riesgo de fallas estructurales y garantizando la sostenibilidad extendida de los activos industriales.

Los oleoductos y otras infraestructuras forman la columna vertebral de la economía global. Es de suma importancia garantizar su integridad estructural para evitar tiempos de inactividad e interrupciones en la cadena de suministro. Desempeñan un papel crucial en el transporte de fluidos y son infraestructura vital para diversos sectores, incluidas las industrias hidroeléctrica, marina, nuclear, de procesamiento de alimentos y de petróleo y gas. Sin embargo, estas tuberías son susceptibles a problemas como corrosión, abolladuras, defectos y grietas, lo que puede provocar fallas y presentar importantes riesgos de seguridad. Estas fallas pueden provocar fugas, rupturas, accidentes fatales, daños ambientales y consecuencias financieras como reparaciones costosas, interrupciones y retrasos en la producción. Para mitigar estos riesgos, es esencial priorizar el mantenimiento y la integridad de los activos de los ductos mediante la implementación de inspecciones periódicas y prácticas de mantenimiento. Como resultado, el campo de la inspección, evaluación, modelado y predicción de la corrosión de tuberías ha ganado una atención significativa tanto en entornos académicos como industriales. Esta área de estudio enfocada tiene como objetivo desarrollar métodos y herramientas efectivos para evaluar y predecir la corrosión de las tuberías, permitiendo medidas proactivas para prevenir fallas y garantizar la operación segura continua de estos sistemas de infraestructura críticos1,2,3,4,5.

La corrosión es el fenómeno más frecuente y el mecanismo grave de falla de las tuberías3, que acorta significativamente la vida operativa de las tuberías. Puede presentarse en varias formas, incluyendo general o uniforme6, picaduras, grietas, intergranular, erosión-corrosión (E-C), corrosión provocada por actividad bacteriana y agrietamiento inducido por el medio ambiente. La velocidad de corrosión en la tubería está asociada con factores externos e internos. Algunos ejemplos de factores externos son el entorno laboral, la composición del suelo y la condensación de tuberías enterradas o la química del agua de tuberías subterráneas. Mientras tanto, varios factores internos que causan la corrosión son la actividad del líquido que fluye, el tipo de fluido transportado, la temperatura, el caudal y la tensión de los fluidos7. En este contexto, medir con precisión la pérdida de espesor de pared en tuberías en tiempo real y durante la operación se convierte en una tarea crítica. Esto es particularmente relevante para las tuberías de acero inoxidable, que son propensas a sufrir corrosión acelerada e incrustaciones causadas por fluidos agresivos.

Este trabajo se centra en el modelado y predicción de E – C en codos SS, teniendo en cuenta la presencia de una solución salina. El acero inoxidable, a pesar de ser una aleación costosa y pesada, ofrece numerosas ventajas que superan sus inconvenientes en diversas aplicaciones e industrias. El SS es ampliamente preferido en muchos campos debido a su amplia gama de tipos y grados, su versatilidad en diferentes aplicaciones y su capacidad para resistir los rayos UV y la corrosión. Es conocido por su durabilidad, resistencia y calidad alimentaria, lo que lo hace adecuado para entornos de alta temperatura. Industrias como la de alimentos y bebidas dependen del SS debido a su resistencia al crecimiento de microorganismos, mientras que los equipos de tratamiento de aguas residuales se benefician de su facilidad de mantenimiento. Además, una ventaja interesante del hardware SS es que conserva su valor monetario incluso si hay cambios en los procedimientos operativos o se rescata la planta. Esto aumenta su atractivo en diferentes entornos. En la siguiente sección, brindaremos una breve descripción de los trabajos notables que se han realizado sobre el tema de E – C en SS.

Se pueden utilizar ciertos recubrimientos para proteger las superficies de acero inoxidable de la corrosión y prevenir o reducir la degradación de las tuberías. Estos recubrimientos actúan como una capa protectora y se aplican a la superficie de SS. Sin embargo, con el tiempo, estas capas protectoras pueden desprenderse de la superficie de acero inoxidable debido a la fricción de la arena u otros agentes corrosivos presentes en el fluido. Este proceso se conoce como E – C y puede acelerar la corrosión. Si E – C ocurre junto con la dinámica del flujo de fluidos, puede provocar un adelgazamiento significativo de las paredes de la tubería. De hecho, la E-C puede causar infiltración en las paredes a un ritmo mayor en comparación con la corrosión o la erosión por sí solas. Los codos de las tuberías, en particular, son muy susceptibles a este fenómeno y se consideran la parte más vulnerable del sistema de tuberías8.

En este sentido, se investigaron las semiconductoras de películas pasivas en la superficie del codo SS 304 en un fluido salino que contenía arena sobre un sistema de bucle9. La mezcla incluía 0,9 wt\(\%\) de partículas de arena (tamaño de 400 a 500 \(\upmu\)m) y 3,5 wt\(\%\) de NaCl. Se informaron las semiconductoras y los materiales de las películas pasivas mediante espectroscopia con respecto a los impactos del fluido que fluye en el codo. En 10 se informó la E-C de un codo de acero al carbono (CS) en un ambiente de CO2 con partículas de arena como parte del circuito de flujo. Se descubrieron tres características que dependían de la velocidad del fluido, como la formación de incrustaciones protectoras a bajas velocidades que producen bajas tasas de corrosión, la prevención de la formación de incrustaciones a velocidades más altas que generan tasas de corrosión más altas y más uniformes, y se monitorearon puntos localizados junto con la formación acumulativa de escamas protectoras con hoyos profundos a velocidades intermedias. Además, se proporcionó un modelo computarizado para predecir la erosión de arena en las tuberías para estimar la erosión de arena en las tuberías. Se investigaron los niveles ambientales sobre los cuales E-C es útil para estimar la pérdida de espesor del material de la tubería11. En particular, se estudió la degradación del acero de la tubería (API X65) debido a E-C con un fluido que fluye que contiene arena en una atmósfera saturada de CO2. La predicción de E – C se mejoró agregando parámetros ambientales o externos, como temperatura, caudal de fluido y carga de sólidos, a los modelos empíricos, mecanicistas y computacionales.

Se estudiaron algunos resultados para evaluar la tasa de degradación en codos de 90\(^{\circ }\) en varios escenarios. Se llevaron a cabo simulaciones numéricas para un codo de 90\(^{\circ }\) con flujo de aire-arena-agua bajo una configuración de erosión de flujo pseudo-slug12. El hallazgo indicó que la parte superior del codo sufre la mayor erosión en comparación con las otras partes en la dirección horizontal. Se realizaron algunas pruebas experimentales para estudiar la erosión en un codo de 90\(^{\circ }\) con numerosos flujos de fluido13. Los resultados mostraron que las tes y los codos son las partes más propensas a sufrir erosión. En 14 se estudió una gran pérdida de material causada por E – C para acero al carbono con codo de 90\(^{\circ }\) impreso en 3D. En 15 se informó sobre un estudio que compara las características E-C de CS 1018 y SS 304L para codos de radio largo de 90\(^{\circ }\) en entornos de flujo lento que contienen partículas de arena. Los hallazgos revelaron que SS tenía una superficie más suave que CS, la tasa de EC del codo de CS fue cuatro veces mayor que la tasa de E-C del codo de SS, y la tasa de E-C en la mitad superior del codo fue mayor que la mitad inferior para ambos materiales. . Como resultado, se puede concluir que el SS tiene una excelente resistencia a la corrosión en comparación con el CS.

La pérdida de SS se predijo para SS 316 de grado nuclear en condiciones de sodio de alta temperatura utilizando la ecuación de velocidad de corrosión del sodio16. Esta ecuación fue construida por algunos elementos como el impacto de la temperatura, los niveles de oxígeno del sodio y la velocidad del sodio. La estimación de la corrosión se estudió para SS 316L bajo corrosión acelerada por flujo (FAC)17. Se llevó a cabo una investigación de transferencia de masa introduciendo un modelo de corrosión en el estudio numérico. Los valores previstos para secciones de tubería con diámetros abruptamente variables se compararon con los medidos. Sin embargo, la profundidad de corrosión prevista fue aproximadamente de 1,3 a 3,5 veces la profundidad de corrosión experimental promedio para la pieza uniforme.

Se han propuesto varios enfoques para predecir y detectar defectos y fallas en el campo de la evaluación de la integridad de las tuberías. En18 se presentó una descripción general del uso de técnicas de aprendizaje automático para evaluar la integridad de oleoductos y gasoductos corroídos. Se discutieron varios aspectos de la corrosión de las tuberías, como la detección de corrosión, la predicción de la vida útil restante y la evaluación de riesgos. Se exploraron algunas aplicaciones del aprendizaje automático para evaluar la integridad de oleoductos y gasoductos corroídos. En 19 se desarrolló un modelo de corrosión para predecir defectos en la tubería debido a la presión de falla en la tubería utilizando ANN. Los datos de entrenamiento se generaron a partir del método de elementos finitos (FEM). Se utilizaron pruebas de explosión a gran escala para validar antes de realizar varias simulaciones de fallas de tuberías con numerosas cargas y características de geometría de corrosión. Los errores de predicción logrados por ANN estuvieron entre \(-9,39\) y \(4,63\%\) con un coeficiente de determinación (\(R^2\)) de 0,9921 en comparación con los resultados del análisis de elementos finitos (FEA). El mismo enfoque se propuso también en20 con una presentación diferente.

En21 se estudió el fenómeno de la corrosión por corrientes parásitas en el acero Q235A y el modelo de predicción en desarrollo para este tipo de corrosión. Mediante análisis experimentales, se examinó el comportamiento de corrosión del acero Q235A bajo diferentes concentraciones de cloruro y densidades de corriente parásita. El objetivo era investigar los mecanismos de corrosión e identificar los factores clave que influyen en el proceso. En22 se propuso otro enfoque para identificar una grieta en el proceso integrando un algoritmo de aprendizaje profundo y modelado de sombras 3D (3D-SM). Se proyectó la sombra de la grieta debajo del área de la grieta utilizando fuentes de luz. Este enfoque se verificó en la prueba experimental y tiene una precisión de \(93,53\%\) y una tasa de regresión de \(92,04\%\) para identificar la grieta.

Para el modelado de datos de corrosión y la extracción de conocimientos, en 23 se investigó un modelo de estructura profunda llamado K vecinos más cercanos ponderados por bosques en cascada densamente conectados (DCCF-WKNN). La eficacia del modelo se evaluó utilizando un conjunto de datos que comprende 409 muestras de corrosión atmosférica al aire libre de aceros de baja aleación. Al combinar bosques aleatorios-K vecinos más cercanos RF-WKNN y DCCF-WKNN, el enfoque propuesto superó los algoritmos de aprendizaje automático comúnmente empleados como ANN, regresión de vector de soporte (SVR), RF y bosques en cascada (cForest) en términos de predicción precisa de tasas de corrosión. en este estudio. Además, el modelo mostró la capacidad de pronosticar tasas de corrosión en diferentes condiciones ambientales considerando factores individuales como pH, temperatura, humedad relativa, SO\(_2\), lluvia o Cl\(^-\). En resumen, los coeficientes de determinación (\(R_2\)) de los métodos propuestos están entre 0,785 y 0,924, siendo ANN y DCGF-WKNN los peores y mejores resultados, respectivamente.

El modelo basado en ANN se propuso en 24 teniendo en cuenta varios parámetros, como las propiedades del material de la tubería, las características de los defectos y las condiciones operativas, para predecir la presión de falla de las tuberías enterradas de alta resistencia. El modelo se entrenó utilizando un conjunto de datos generado a partir de una simulación numérica de la respuesta de la tubería a la presión interna y la corrosión por corrientes parásitas. Los resultados demostraron que el modelo ANN propuesto puede predecir eficazmente la presión de falla de las tuberías con un alto nivel de precisión. En25 se estudió la aplicación de los métodos SVM y ANN para evaluar la vulnerabilidad de redes urbanas de gasoductos enterrados. El estudio encontró que tanto el método SVM como el ANN evaluaron efectivamente la vulnerabilidad de la red de gasoductos, y SVM demostró una precisión ligeramente mayor. Los hallazgos de esta investigación contribuyen a mejorar la comprensión de los métodos de evaluación de la vulnerabilidad de las redes de gasoductos y pueden ser útiles para la toma de decisiones en planificación urbana y gestión de riesgos. En26 se propusieron modelos de RNA para predecir la cinética de formación de hidratos de gas en sistemas multifásicos. Los experimentos se realizaron utilizando un sistema puro y un sistema multifásico con petróleo crudo para analizar la velocidad de formación en ambos casos. Los resultados mostraron que la adición de petróleo crudo influyó en la velocidad y el consumo de moles de formación de hidratos de gas, con el sistema multifásico formando hidratos más rápido debido al comportamiento no newtoniano del petróleo crudo a alta presión y baja temperatura. Los modelos de predicción demostraron un rendimiento satisfactorio, con valores altos de R2 cercanos a 1 y valores bajos de MSE cercanos a 0.

La vida restante del oleoducto se predijo utilizando datos operativos históricos en27. El modelo de red neuronal recurrente (RNN) se entrenó en varios parámetros de entrada, como la presión de funcionamiento, la temperatura y la tasa de corrosión. El estudio demostró la eficacia del enfoque propuesto al comparar sus predicciones con datos reales de un gasoducto seco. El modelo RNN funciona bien durante las etapas de entrenamiento, prueba y validación, con valores R2 altos y valores de error cuadrático medio (MSE) bajos. El modelo predice con precisión el estado de la tubería y los defectos de corrosión incluso cuando faltan ciertos parámetros de entrada. Además, el modelo RNN estima eficazmente la vida útil de la tubería en función de diferentes parámetros, como el espesor de la pared y la presión. El modelo ANN se desarrolló en28 utilizando datos de inspección de riesgos en tiempo real para predecir la vida útil restante de las tuberías en función de parámetros como presión, corrosión, adelgazamiento de las paredes, edad, espesor, radio exterior y tipo de producto. El modelo demostró un sólido rendimiento con un valor \(R^2\) de 0,99 y una precisión de validación de \(97,51\%\). Se descubrió que la corrosión tiene el mayor impacto en el sistema de tuberías, mientras que la edad tiene el menor impacto.

El estudio se centró en29 en comparar diferentes algoritmos de aprendizaje automático, incluidas ANN, máquinas de vectores de soporte (SVM) y árboles de decisión (DT), para determinar su eficacia a la hora de predecir el riesgo de corrosión. Algunas evaluaciones de experimentos se realizaron utilizando un conjunto de datos que incluía parámetros relacionados con la corrosión y comparando el rendimiento de los modelos de aprendizaje automático. Los resultados mostraron que el modelo ANN supera a los modelos SVM y DT en términos de exactitud, precisión y recuperación. El modelo ANN demostró su capacidad para predecir eficazmente el riesgo de corrosión y proporciona información valiosa para las estrategias de gestión de la corrosión. En 30 se propuso un enfoque para el diagnóstico de fallas en compresores de gas natural mediante el uso de análisis de vibraciones, resonancia estocástica adaptativa (ASR) y redes generativas adversarias (GAN). El objetivo era superar los desafíos de detectar fallas en señales de vibración complejas y no lineales mediante la introducción de ruido controlado a través de ASR y la mejora de las características de falla mediante GAN. El enfoque combinado ASR-GAN se valida utilizando datos experimentales y demuestra una mayor precisión y eficiencia en comparación con los métodos tradicionales. El rendimiento del SR se evaluó midiendo su rango de precisión entre 93,42 y \(97,26\%\) bajo varias configuraciones de parámetros. En 31 se presentó otro desarrollo para predecir el estado de vida de los oleoductos. Se propuso ANN para crear el modelo predictivo. El estudio se centró en abordar los desafíos asociados con el monitoreo y el mantenimiento de la integridad de los oleoductos, que son fundamentales para el transporte de petróleo. Para el modelado se consideraron varios factores que afectan la degradación de las tuberías, como la velocidad de corrosión, la presión, la temperatura y el tiempo. Los datos preprocesados ​​y el entrenamiento del modelo ANN se realizaron utilizando un algoritmo de retropropagación. Los resultados demostraron que el modelo basado en ANN tiene la capacidad de predecir la condición de vida de los oleoductos de crudo en función de los parámetros de entrada.

Debido a la gran extensión de los sistemas de tuberías, es fundamental determinar y predecir el peso restante de los SS causado por un ambiente corrosivo. Aunque existen varias investigaciones realizadas sobre la corrosión en la tubería SS. Sin embargo, el modelo ANN extenso para la corrosión compleja y la formación de capas pasivas dentro de un codo SS 316L teniendo en cuenta la salinidad del agua y la dinámica del flujo es deficiente en la literatura. La corrosión superficial del acero 316L se elaboró ​​utilizando ANN y análisis estadístico en una solución de NaCl al 5% en peso32. Se presentaron algunas imágenes 2D en escala de grises para ilustrar la morfología de la corrosión.

A partir de la literatura antes mencionada, es posible predecir de antemano el alcance de la pérdida de espesor de la pared mediante la utilización de NN. Esta capacidad de pronóstico ayuda enormemente a mantener las instalaciones del oleoducto. Además, al entrenar modelos similares para aplicaciones específicas, puede evaluar los riesgos asociados. La metodología encuentra una amplia gama de aplicaciones, incluida la industria alimentaria, reactores nucleares, desalinización de agua y más. Recientemente, los autores informaron sobre un resultado inicial del modelo ANN para WT del codo SS 316L como sección de un circuito de agua salina corriente33. Sin embargo, fue desarrollado para la predicción del adelgazamiento de paredes con un único caudal y concentración de sal. Ampliando los resultados en 33, en este artículo se estudia un codo ANN modelo SS 316L más general impulsado por agua salina con varios caudales y concentraciones. El objetivo es tener un único modelo ANN que represente el comportamiento de la corrosión. Se construye utilizando mediciones de voltaje, corriente y temperatura registradas cada hora mediante la configuración experimental que consta de pines EFM conectados a la sección del codo. Según el mejor conocimiento de los autores, esta es la primera investigación utilizada para desarrollar un modelo ANN para codo SS con varios caudales y concentraciones de sal. Además, este artículo describe de manera concisa un análisis químico y microscópico completo de las incrustaciones formadas en las superficies internas.

El resto del artículo está organizado de la siguiente manera. La configuración experimental se presenta en la siguiente sección. A continuación, los materiales y métodos de los experimentos se explican en la siguiente sección. La parte de modelado incluye breves estudios bibliográficos sobre NN, conjunto de entrenamiento y modelado de corrosión que se presentan en la siguiente sección. Luego, en "Resultados", el modelo ANN se prueba en varias configuraciones ilustradas con varias figuras y una tabla para mostrar el rendimiento cuantitativo. La conclusión y la dirección para el trabajo futuro se presentan en la última sección.

En esta sección, se presenta la configuración experimental que consta de un circuito de flujo de última generación que representa las condiciones industriales en tiempo real, como se ilustra en la Fig. 1. Tiene dos bombas centrífugas de Lowara Company, número de modelo TG334, caudal (Q) 45 m\(^3\)/h, altura (h) 110 m, caudalímetro de turbina OMEGA (FTB730), interruptor de encendido (Eurotherm 2500P Schneider Electric), sección de tubería de plexiglás para inspeccionar visualmente el estado del flujo y codo sección de SS 316L. Esta sección tiene 3,01 m de largo con 4 pulgadas de diámetro interno y un espesor de pared nominal WT de 6,03 mm. Los brazos de entrada y salida de flujo del codo tienen 1,2 y 1,25 m de largo (incluido plexiglás de 0,6 m de largo), respectivamente. El brazo de entrada, la sección del codo y el brazo de salida del codo de tubería están hechos de acero inoxidable 316L resistente a la corrosión. El diseño esquemático y de columnas del circuito de flujo se puede ver en las Figs. 2 y 3.

Configuración experimental.

Diagrama esquemático del mini circuito de flujo.

Ilustración del tubo acodado que muestra las posiciones de 16 columnas por 7 filas y posiciones de pasadores.

El monitor EFM con una serie de pines sensores no intrusivos están permanentemente unidos a la superficie del codo en la matriz de 16 columnas y 7 filas, es decir, un total de 112 pines, como se ilustra en la Fig. 3. Estos pines tienen características intrusivas y no penetran la tubería. Desde los pines, se registra la cantidad medida de corriente de excitación y las mediciones simultáneas del patrón de voltaje inyectado en la estructura. Los datos recopilados se componen de una serie temporal de voltajes de pines diferenciales (en \(\upmu\)V) y la matriz correspondiente de mediciones de derivación de corriente (en amperios). La resistencia de un volumen está relacionada de manera opuesta con la WT, donde una pared más delgada contiene una mayor resistencia al flujo de corriente. Como resultado, genera una mayor caída de voltaje para la misma cantidad de corriente de excitación. Se agrega un paso adicional de compensación de temperatura para tener en cuenta el cambio en la resistividad debido a las variaciones de temperatura existentes resultantes del flujo de fluido y las condiciones ambientales. Para este fin se utilizan clavijas suplementarias para mediciones de temperatura. El sistema está configurado para leer datos eléctricos y calcular el peso restante de la sección del codo. Sin embargo, el fabricante no proporciona este software de cálculo. El esquema de flujo de trabajo es que los datos se cargan en su servidor y luego proporcionan todos los cálculos y los resultados de WT después de varias semanas. Esta situación nos inspira a desarrollar un modelo local basado en NN para estimar la WT utilizando las mediciones de voltaje, corriente y temperatura disponibles en un tiempo relativamente menor.

Se disolvió completamente sal pura seca al vacío (PDV) en 1 m\(^3\) de agua del grifo sin arena para evaluar el efecto del agua de mar simulada sobre la corrosión y los depósitos de incrustaciones. La salinidad de la solución preparada con diversas concentraciones y caudales se mide usando un refractómetro portátil (REF234), como se muestra en la Tabla 1. El fluido se drenó de un tanque de almacenamiento de 2 m\(^3\) y se hizo volar usando ambas bombas centrífugas. , como se presenta en la Fig. 1. Estas bombas tienen un caudal máximo combinado de 70 m\(^3\)/h. Se implementaron válvulas de control para gestionar los caudales en la entrada y salida de la bomba. Se utilizó un medidor de flujo de turbina en línea para medir las tasas y el flujo total bombeado.

Al principio, los datos experimentales incluían mediciones de referencia de la tubería WT tomadas con una sonda de prueba ultrasónica (UT), así como voltaje diferencial registrado cada hora (\(\Delta V\)), corriente diferencial (\(\Delta I\) ) y temperatura (T). El fabricante proporcionó un servidor para alimentar la lectura del espesor de la tubería antes del experimento. ANN se implementa para entrenar mediciones \(\Delta V\), \(\Delta I\) y T como entrada de entrenamiento y el WT de la tubería WT entregado desde el software de análisis del fabricante como datos de salida. El sondeo UT informó una WT elevada como resultado de la formación de incrustaciones y una disminución en la WT después de la eliminación de incrustaciones de la tubería al final del experimento, como se explica en la Sección "Formación de incrustaciones" y "Monitoreo de WT".

Se realizó un análisis espectroscópico de la muestra de depósitos de sarro recuperada de la tubería durante la limpieza. Se descubrió que la composición del agua que circulaba por el sistema era la causa de la formación de incrustaciones, ya que contenía calcio con una concentración de 291 mg/L. La Figura 4a muestra el porcentaje de composición elemental de la muestra extraída obtenida de microscopía electrónica de barrido con caracterización de espectroscopia de dispersión de energía (SEM-EDS). La fluorescencia de rayos X que se muestra en la Fig. 4b representa el estado de óxido de los elementos no capturados por el análisis EDS. El espectro de espectroscopía infrarroja por transformada de Fourier (FT-IR) de la escala de aragonito-CaCO3 ilustrada en la Fig. 4c tiene picos distintivos en 709,1, 854,3 y 1486,7 cm\(^{-1}\) debido al estiramiento de C – O y modos de flexión. Como se muestra en la Fig. 4d, el pico agudo del difractograma de rayos X es típico de un compuesto cristalino con valores de \(2\theta\) que van desde \(25^{\circ }\) a \(50^{\). círculo }\). El pico corto en \(2\theta\) de \(35^{\circ }\) fue inesperado y se sospechó que se trataba de materiales extraños o contaminantes en la muestra. La presencia de una naturaleza altamente cristalina indica que la incrustación de CaCO3 se encuentra en fase aragonita. Esto se verificó comparando la micrografía SEM de la muestra que se muestra en la Fig. 4a con el estudio informado en 34.

Análisis espectroscópico del depósito de incrustaciones extraído; (a) SEM-EDS; (b) XRF; (c) FT-IR; (d) DRX. La figura fue reproducida con autorización de nuestro trabajo anterior33.

Estas lecturas se tomaron externamente con el medidor UT para monitorear el cambio en WT a medida que avanzaban los experimentos. Se utilizó la misma matriz que los pines EFM para confirmar que las mediciones posteriores se realizaron en los mismos puntos. Los resultados para WT de referencia o de referencia, después del experimento para evaluar la deposición de incrustaciones y después de la limpieza para medir la pérdida de pared se ilustran en la Fig. 5. Los datos recopilados revelaron un incremento promedio de \(3\%\) en WT y un aumento máximo de aproximadamente \(13\%\) debido al escalado. Los datos de WT obtenidos después de una limpieza profunda con el limpiador de alta presión también se evaluaron comparándolos con la línea de base, mostrando una reducción media de \(2,6\%\) y una máxima de \(14\%\). Estas mediciones y observaciones están en conformidad con los hallazgos publicados en la literatura35,36,37. Afirmó que el adelgazamiento de la pared es severo en la curva en comparación con otras partes de la tubería debido a los cambios repentinos que ocurren en la dirección y las velocidades del flujo. La Figura 6 muestra la distribución WT en el centro del desembolso de la matriz (Fila 4). En el gráfico se ilustra que el espesor de la sección del codo aumenta después de seis meses de exposición a la solución debido al depósito de sarro en el peso del codo. Después de la limpieza, el WT disminuyó por debajo de la línea de base, registrándose la mayor pérdida de espesor cerca de la mitad de la sección del codo (Fila 4, punto 7) de la tubería.

Mapa de colores de Pipe WT antes del experimento (arriba), después del experimento (centro) y después de la limpieza (abajo). La figura fue reproducida con autorización de nuestro trabajo anterior33.

Mapa de colores de Pipe WT antes del experimento (arriba), después del experimento (centro) y después de la limpieza (abajo). La figura fue reproducida con autorización de nuestro trabajo anterior33.

Esta sección comienza con una descripción general de trabajos previos relacionados con el modelado de corrosión utilizando NN, sus tipos y se ofrece una comparación. A continuación, se presenta la descripción de los conjuntos de datos y NN utilizados.

Modelar aplicaciones particulares con procesos complejos, como la corrosión, es extremadamente difícil, si no imposible, y está más allá del alcance de los algoritmos convencionales de aprendizaje automático. En esta situación, entran en juego las NN compuestas por neuronas estructuradas como entrada, salida y capas ocultas únicas o múltiples. Estas capas sirven como base para aprender patrones ocultos en los datos existentes. El número de capas ocultas y de neuronas crece en proporción a la complejidad de los datos. Los lectores interesados ​​pueden consultar 38 para obtener una discusión exhaustiva sobre los fundamentos, el funcionamiento y la estructura de las NN, que se ha omitido de esta sección por motivos de breviario. En 39 se empleó una NN probabilística, red neuronal de regresión generalizada (GRNN), para modelar y predecir el potencial de corrosión y las densidades de corriente de muestras de CS en suelos con diversos parámetros que impactan significativamente la velocidad de corrosión del acero. Además, los parámetros del suelo fueron sometidos a análisis de sensibilidad. Se utilizaron RNA para predecir la corrosión por picaduras de SS 316L y EN 1.4404, mientras que en40,41 se tuvieron en cuenta las condiciones ambientales. Más tarde se comunicaron los resultados en particular en el medio marino.

La corrosión por picaduras en acero inoxidable se exploró utilizando modelos estadísticos y ANN del proceso de pasivación LVM AISI 316, cuyo objetivo es proporcionar una capa protectora pasiva sobre la superficie del acero para aplicaciones biomédicas42. En este caso, se utilizaron como variables para los modelos la corrosión por picaduras y la pasivación. Se determinó que sólo las RNA proporcionaban predicciones precisas con un error relativo medio bajo en comparación con los enfoques estadísticos. Algunos resultados interesantes para predecir la corrosión por picaduras para AISI 316 usando ANN, por ejemplo en43 el modelado de corrosión se desarrolló considerando varias variables ambientales y en44 con diferentes modelos de clasificación. La corrosión por picaduras del SS 304 por agua de mar que contiene Cl para fines de construcción se analizó en otro trabajo45. Considerando las variables que influyen en este proceso, se diseñaron modelos estocásticos para estimar la vida útil de la estructura de acero corroída. En particular, se modeló el parámetro que define el inicio de una fuga, es decir, la profundidad máxima de la fosa. Se observó que está determinado principalmente por la fuerza impulsora electroquímica y el tiempo transcurrido.

Recientemente se publicó en 46 un estudio exhaustivo sobre la modelización para predecir el agrietamiento por corrosión bajo tensión (SCC), específicamente en materiales estructurales utilizados en centrales nucleares. Se presentaron y discutieron numerosas referencias, con resultados positivos del uso de RNA para la predicción. Se realizaron simulaciones numéricas en47 para explorar el comportamiento de propagación de SCC para un escenario específico de un codo de acero inoxidable 316L con un WT extremadamente alto (aproximadamente 80 mm) utilizado en reactores nucleares. Se propuso un defecto artificial en la superficie interna para imitar la grieta real.

Hay varios tipos de NN que se pueden emplear según los requisitos de la aplicación38. Los más utilizados son el perceptrón, el feed-forward (FF), el de convolución, el recurrente, los mapas de Kohonen y las máquinas de vectores de soporte (SVM). El NN más fundamental y más pequeño es el perceptrón, que realiza cálculos específicos para detectar algunas características en los datos de entrada. Este tipo sólo se puede implementar para soluciones de problemas linealmente separables debido a su estructura simple.

Mientras tanto, los FF NN se pueden utilizar en aplicaciones más complicadas, como procesamiento de voz, procesamiento de imágenes y otras aplicaciones de visión por computadora. Este método se puede dividir en NN de una sola capa y de varias capas. En este caso, el número de capas varía según la complejidad del sistema. Además, tiene la capacidad de manejar cantidades significativas de datos ruidosos y es rápido y sencillo de implementar. Las NN convolucionales, por otro lado, son difíciles de construir y funcionan lentamente dependiendo de la cantidad de capas ocultas.

Los NN recurrentes son un enfoque que se puede proponer para modelar datos secuenciales. Se puede aplicar para tareas más avanzadas como revisión gramatical, traducción, sugerencia automática de texto y conversión de texto a voz. Sin embargo, los datos de entrenamiento pueden ser complicados. Los mapas de Kohonen se pueden emplear en aplicaciones específicas para reconocer patrones en los datos, por ejemplo, en análisis médicos para categorizar datos. Las SVM deben ser muy confiables en diversas aplicaciones de predicción, incluidas la regresión, la clasificación y la detección de valores atípicos.

Las entradas de entrenamiento utilizadas en este trabajo son \(\Delta V\), \(\Delta I\) recopiladas de una matriz con 7 filas y 16 columnas siguiendo el patrón de pines EFM. La temperatura (T) se mide en los 10 puntos del codo SS. Significa que hay 234 mediciones que se pueden utilizar para los datos de entrenamiento. Las mediciones se registran cada hora con varios caudales y concentraciones durante varios días, lo que proporciona entre 121 y 358 mediciones para cada parámetro, como se muestra en la Tabla 1. Cada fila se abrió por separado y se concatenó con la siguiente para crear el modelo de entrada de entrenamiento para NN, lo que resultó de 7 filas y 16 columnas en un total de \((16~\text {columns} \times 7~\text {rows} = ) 112\) series. La Figura 7 muestra la estructura de las dos primeras filas como un ejemplo de reestructuración de datos, donde las horas se convirtieron en filas.

Ilustración de la reestructuración de datos para la formación de NN.

El caudal de agua salina de 2 m/s con mediciones de concentración \(4\%\) (escenario 4) se utiliza como datos de entrenamiento. Hay 352 mediciones para cada pin registradas por hora. Por lo tanto, la dimensión de cada entrada de entrenamiento fue de 352 por 234 para \(\Delta V\), \(\Delta I\) y T, lo que resultó en una matriz de 352 por 234 para todos los parámetros.

Los objetivos se determinaron midiendo los valores de WT restantes entre las ubicaciones de los pines, lo que resultó en \((15~\text {puntos entre las columnas de los pines} \times 7 \text {rows} = ) 105\) muestras de WT restantes monitoreados durante 482h. Significa que la dimensión del objetivo era 482 por 105. Estos datos se distribuyen para el modelado NN, \(70\%\) de datos se asignaron para entrenamiento, \(15\%\) para validación y \(15\). %\) para las pruebas. En otras palabras, se seleccionaron 246, 53 y 53 mediciones para entrenamiento, validación y prueba, respectivamente. Para evitar observaciones constantes de las mediciones de WT que puedan terminar el proceso de entrenamiento, se aplica ruido blanco con media cero y desviación estándar \(5\times 10^{-3}\) mm a los datos de WT durante el entrenamiento. Este valor es inferior al 0,1% del peso nominal.

Debido a los beneficios antes mencionados, se eligió FF NN para este estudio entre los NN discutidos anteriormente. Además, se pretendía comenzar con los NN más básicos después de Perceptron, es decir, la red FF, y avanzar hacia otros más avanzados si el proceso de corrosión no se modelaba adecuadamente. El modelo se entrenó mediante aprendizaje supervisado debido a la disponibilidad de conjuntos de datos de entrenamiento de entrada y salida. En esta investigación, se utiliza el algoritmo de Levenberg-Marquardt para modelar la corrosión de las SS. El algoritmo Levenberg-Marquardt es un algoritmo de optimización comúnmente utilizado para entrenar NN. Es una extensión del algoritmo de Gauss-Newton, que se utiliza para resolver problemas de mínimos cuadrados no lineales. El algoritmo de Levenberg-Marquardt combina las ventajas del método de Gauss-Newton y el método de descenso de gradiente para encontrar de manera eficiente los pesos óptimos de una red neuronal. A diferencia de los métodos convencionales que requieren el cálculo de la matriz hessiana exacta, este algoritmo opera utilizando el vector gradiente y la matriz jacobiana48,49,50,51. Una función de pérdida definida como una suma de errores al cuadrado se expresa por

donde m es el número de muestras de entrenamiento.

La matriz jacobiana de la función de pérdida se puede definir como una matriz que consta de las derivadas de los errores con respecto a los parámetros representados por

para \(i=1 \ldots n\) y \(j=1 \ldots m\), donde m es el número de muestras en el conjunto de datos y n es el número de parámetros en la red neuronal.

El vector gradiente de la función de pérdida se genera por

donde \(e=\begin{bmatrix} e_1&\cdots&e_m \end{bmatrix}^{T}\) representa todos los términos de error. La siguiente expresión se utiliza para aproximar la matriz de Hesse.

donde \(\lambda\) es un factor de amortiguación para asegurar su positividad, y I es una matriz identidad. El algoritmo Levenberg-Marquardt define el proceso de mejora de los parámetros expresado por

donde \(i=0, 1 \ldots\). A partir de la información anterior, se puede ver que cuando el parámetro de amortiguación \(\lambda\) se establece en cero, el método que se utiliza es esencialmente el método de Newton, que emplea una aproximación de la matriz de Hesse. Por el contrario, si a \(\lambda\) se le asigna un valor grande, el método pasa a un descenso de gradiente con una tasa de aprendizaje baja.

El valor inicial del parámetro \(\lambda\) se establece en un valor grande, lo que garantiza que las actualizaciones iniciales en la dirección de descenso del gradiente sean pequeñas. Si una iteración falla, \(\lambda\) aumenta en un determinado factor. Por otro lado, a medida que la función de pérdida disminuye, \(\lambda\) disminuye, lo que permite que el algoritmo de Levenberg-Marquardt se acerque gradualmente al método de Newton. Este proceso iterativo generalmente mejora la velocidad de convergencia hacia el valor mínimo. El primer paso del proceso de entrenamiento de RNA utilizando el algoritmo de Levenberg-Marquardt es calcular la pérdida, el gradiente y aproximar la matriz de Hesse. A continuación, el parámetro de amortiguación se ajusta para minimizar la pérdida en cada iteración.

La arquitectura del algoritmo de Marquardt-Levenberg se puede resumir de la siguiente manera

Inicialización: el algoritmo comienza inicializando el vector de parámetros a algunos valores iniciales. Estos valores iniciales pueden afectar significativamente la convergencia y precisión del algoritmo. A menudo se requiere una inicialización cuidadosa basada en conocimientos previos o heurísticas.

Matriz jacobiana: El algoritmo calcula la matriz jacobiana, que representa las derivadas parciales de la función objetivo con respecto a los parámetros. El jacobiano proporciona información sobre la sensibilidad de la función objetivo a cambios en los parámetros.

Paso de Gauss-Newton: el algoritmo realiza un paso de Gauss-Newton aproximando la función objetivo como una función cuadrática alrededor de los valores de los parámetros actuales. Resuelve un sistema lineal de ecuaciones para estimar la actualización de los parámetros. Sin embargo, este paso puede ser sensible a problemas mal condicionados, donde la matriz de Hesse está mal condicionada o no es invertible.

Paso Levenberg-Marquardt: para abordar el problema de la sensibilidad en el paso Gauss-Newton, el algoritmo introduce el paso Levenberg-Marquardt. Modifica el sistema lineal de ecuaciones añadiendo un término de amortiguamiento a los elementos diagonales. Este término de amortiguación controla el equilibrio entre los pasos de Gauss-Newton y de descenso de gradiente, como se analizó anteriormente.

Actualización de parámetros: el algoritmo actualiza el vector de parámetros en función del tamaño del paso calculado obtenido del paso Gauss-Newton o Levenberg-Marquardt.

Verificación de convergencia: después de cada actualización de parámetros, el algoritmo verifica si se cumplen los criterios de convergencia. Si se cumplen los criterios, el algoritmo termina; de lo contrario, se pasa a la siguiente iteración.

Para evaluar el rendimiento de ANN, el coeficiente de determinación (\(R^2\)), el error cuadrático medio (RMSE) y el error absoluto medio (MAE) se calculan utilizando las siguientes ecuaciones

donde \(y_i\) y \(\hat{y}_i\) son las i-ésimas salidas reales y estimadas con n datos de muestreo, respectivamente. El promedio de la producción real se denota por \(\bar{y}\).

La entrada se denota como \(x_i\), \(i=1,2,\ldots ,n\) donde \(n=234\), de modo que cada longitud de 352 da como resultado un tamaño de entrada de entrenamiento de 234 por 452. Los parámetros de entrada se dividieron en tres categorías, donde EI \((x_1,x_2,\ldots ,x_{112})\), EV \((x_{113},x_{114},\ldots ,x_{ 224})\), y T \((x_{225},x_{226},\ldots ,x_{234})\). Por otro lado, la salida se denota por \(y_i=y_1,y_2,\ldots ,y_{105}\).

La caja de herramientas de redes neuronales MATLAB tiene medios para ajustar las variables o parámetros de la red para mejorar la precisión del aprendizaje52. Hay algunos parámetros que se pueden ajustar para aumentar el rendimiento del aprendizaje, como la cantidad de épocas que se pueden seleccionar de forma predeterminada proporcionada por la caja de herramientas NN. Mientras que otros, como el número de neuronas y el tamaño de las capas ocultas, pueden elegirse mediante la experiencia de prueba y error53. El error y el error promedio para evaluar la efectividad del modelo se calculan usando (9) y (10), respectivamente.

donde N es el número de puntos de datos.

Hay 352 mediciones registradas por hora en el escenario 4, como se presenta en la Tabla 1. El tamaño de las capas se selecciona para que sea 10 mediante división de datos aleatoria y el algoritmo de entrenamiento de Lavenberg-Marquardt. El rendimiento de validación logrado es \(2,6520\times 10^{-5}\) en la época \(11{\text {th}}\) y se logran valores de R de 1,00, 1,00 y 1,00 para entrenamiento, validación y conjuntos de prueba, respectivamente. Esto implicaba que el modelo seleccionado tenía capacidades de aprendizaje sobresalientes. El detalle del modelo de formación se puede ver en la Tabla 2.

Esta sección presenta varias pruebas numéricas que muestran el rendimiento del modelo de NN entrenado para predecir el WT restante. En las Figs. 8, 9 y 10, se realiza una comparación entre los valores WT estimados y los medidos, centrándose en los escenarios 1, 2 y 3 en las ubicaciones de los pines C1-1, C8-3 y C13-6, respectivamente. Los resultados resaltan una observación interesante de que el peso del codo SS varía dentro de la misma fila pero en diferentes columnas. Específicamente, es evidente que el WT restante alrededor de los extremos del brazo del codo (pin C1-3 y C8-3) es más grueso que el centro del codo (pin C8-3). Las figuras 8a, 9a y 10a proporcionan una representación visual de este fenómeno. La diferencia en la distribución del peso se atribuye al proceso de fabricación de la tubería. Sin embargo, a pesar de estas variaciones, el modelo NN muestra su robustez y proporciona predicciones altamente precisas con errores mínimos en la estimación del WT restante.

Las visualizaciones proporcionadas ofrecen información valiosa sobre la relación entre los valores WT previstos y reales. Al examinar los diferentes escenarios y ubicaciones de los pines, resulta evidente que el WT restante no es uniforme en todo el codo SS. La disparidad de espesor observada, especialmente entre los extremos y el centro del codo, puede atribuirse a las técnicas de fabricación empleadas durante la producción del tubo. A pesar de esta falta de uniformidad, el modelo NN entrenado demuestra su eficacia al estimar con precisión el WT restante. Los pequeños errores en la predicción indican la capacidad del modelo para manejar estas variaciones y proporcionar estimaciones confiables.

Predicción WT en el pin C1-3.

Predicción WT en el pin C8-3.

Predicción WT en el pin C13-6.

La Figura 11 proporciona una descripción general completa de los errores mínimo, máximo y promedio asociados con cada pin en la predicción WT. Esta visualización permite una fácil comparación y análisis del rendimiento del modelo NN en diferentes pines. Se puede ver que el modelo NN demuestra su capacidad para predecir con precisión los valores de WT bajo diferentes caudales y concentraciones. Para facilitar una presentación más conveniente de los errores, la Tabla 3 presenta los errores para cada pin en los escenarios 1, 2 y 3 que involucran los 112 puntos de datos. La tabla ilustra claramente la precisión excepcional del modelo NN al estimar las mediciones de WT en un rango de caudales y concentraciones. Sorprendentemente, el error máximo observado es extremadamente pequeño, es decir, \(0,7535\%\) en el escenario 1.

Estos hallazgos enfatizan la robustez y confiabilidad del modelo NN cuando se trata de predecir valores de WT en diversas condiciones. Al considerar múltiples escenarios e incorporar una amplia gama de puntos de datos, el modelo demuestra su capacidad para generar estimaciones precisas de manera consistente. Incluso en circunstancias desafiantes que involucran diferentes caudales y concentraciones, el modelo NN mantiene un alto nivel de precisión. Esto es evidente en los valores de error mínimo y máximo presentados en la Tabla 3, lo que valida aún más la efectividad y precisión del modelo NN en las tareas de predicción WT.

Los errores mínimo, máximo y promedio para tres escenarios se muestran en la Tabla 3.

RMSE y MAE también se calculan para los escenarios 1, 2 y 3 para una evaluación adicional, como se presenta en la Tabla 4. Esta tabla presenta los valores máximo, mínimo y promedio de RMSE y MAE calculados a partir de cada pin EFM. Los resultados de estos cálculos resaltan el desempeño excepcional de los NN en la estimación del peso restante de los codos SS. Todos los valores demuestran la destacada capacidad de los NN a este respecto.

Los hallazgos presentados anteriormente muestran que el modelado NN es una herramienta valiosa para el análisis en profundidad de las características de corrosión de las tuberías. Estos resultados resaltan el potencial de utilizar modelos NN para obtener información completa sobre el comportamiento de las tuberías. En particular, el estudio enfatiza la importancia de comprender la sección del codo de una tubería que puede usarse para la construcción de modelos NN. Al incorporar todas las mediciones necesarias obtenidas mediante el principio de EFM, se puede desarrollar un modelo NN entrenado. Este enfoque es prometedor para modelar y predecir con precisión la corrosión en tuberías. De este estudio, se puede concluir que el modelo NN podría contribuir significativamente al campo de la investigación de la corrosión de tuberías y facilitar estrategias de gestión y mantenimiento proactivos.

Este artículo estudió los hallazgos iniciales de un modelo de red neuronal artificial (RNA) aplicado para predecir la corrosión en un codo SS 316L expuesto a agua salina con diferentes caudales y concentraciones. La configuración de medición incluyó un codo SS 316L con pines EFM conectados para medir las lecturas de voltaje y corriente, así como la temperatura. Estas mediciones se llevaron a cabo durante un período de 352 h y se utilizaron para entrenar y probar el modelo ANN. El modelo entrenado estimó con precisión el espesor de la pared (WT) utilizando lecturas obtenidas en diversos caudales y concentraciones. Los errores máximos calculados en toda la sección del codo fueron \(0,7535\%\), \(0,6359\%\) y \(0,5363\%\) en los escenarios 1, 2 y 3, respectivamente. Además, el RMSE y MAE de todos los pines en cada escenario se calcularon con el valor máximo de RMSE de 0,0271 y el valor máximo de MAE de 0,0266. Los prometedores resultados obtenidos motivan una mayor exploración e implementación de una herramienta en línea basada en ANN para la predicción en tiempo real del WT restante en codos SS. Además, será interesante comparar otros enfoques de aprendizaje automático para estimar el peso restante de varios codos SS en trabajos futuros. Esta herramienta ofrecería información valiosa para la gestión del mantenimiento y la integridad en aplicaciones industriales.

Los conjuntos de datos generados y/o analizados durante el estudio actual no están disponibles públicamente debido a la confidencialidad, pero están disponibles a través del autor correspondiente a solicitud razonable.

Yuan, X.-X., Pandey, M. y Bickel, G. Un modelo probabilístico de adelgazamiento de paredes en alimentadores Candu debido a la corrosión acelerada por flujo. Núcleo. Ing. Des. 238, 16-24 (2008).

Artículo CAS Google Scholar

Vanaei, H., Eslami, A. & Egbewande, A. Una revisión sobre la corrosión de tuberías, la inspección en línea (ILI) y los modelos de tasa de crecimiento de la corrosión. En t. J. Prensa. Buques Pip. 149, 43–54 (2017).

Artículo CAS Google Scholar

Heidary, R., Gabriel, SA, Modarres, M., Groth, KM y Vahdati, N. Una revisión de modelos de crecimiento de corrosión por picaduras de oleoductos y gas basados ​​en datos aplicables para el pronóstico y la gestión de la salud. En t. J. Pronóstico. Gestión de salud. 9, 25 (2018).

Google Académico

Papavinasam, S., Revie, RW, Friesen, WI, Doiron, A. y Panneerselvan, T. Revisión de modelos para predecir la corrosión interna por picaduras de oleoductos y gasoductos. Corros. Rev. 24, 173–230 (2006).

Artículo CAS Google Scholar

Xie, M. & Tian, ​​Z. Una revisión sobre la gestión de la integridad de las tuberías utilizando datos de inspección en línea. Ing. Fallar. Anal. 92, 222–239 (2018).

Artículo de Google Scholar

Choi, Y.-S., Nesic, S. & Ling, S. Efecto del H2S sobre la corrosión por CO2 del acero al carbono en soluciones ácidas. Electrochim. Acta 56, 1752-1760 (2011).

Artículo CAS Google Scholar

Verink, E. & Heidersbach, R. Evaluación de la tendencia a la desaleación en sistemas metálicos. Proc. ASTM 72, 303–322 (1972).

Google Académico

Chen, X., McLaury, BS & Shirazi, SA Un procedimiento integral para estimar la erosión en codos para flujo multifásico de gas/líquido/arena. J. Recurso Energético. Tecnología. Trans. ASME 128, 70–78 (2006).

Artículo CAS Google Scholar

Zeng, L., Guo, X., Zhang, G. y Chen, H. Semiconductividades de películas pasivas formadas sobre acero inoxidable dobladas en condiciones de erosión-corrosión. Corros. Ciencia. 144, 258–265 (2018).

Artículo ADS CAS Google Scholar

Shadley, J., Shirazi, S., Dayalan, E., Ismail, M. y Rybicki, E. Erosión-corrosión de un codo de acero al carbono en un ambiente de dióxido de carbono. Corrosión 52, 25 (1996).

Artículo de Google Scholar

Hu, X. y Neville, A. Erosión-corrosión por CO2 de tuberías de acero (API x65) en condiciones de petróleo y gas: un enfoque sistemático. Use 267, 2027-2032 (2009).

Artículo CAS Google Scholar

Parsi, M. y col. Simulación CFD de la erosión de partículas de arena en condiciones de flujo multifásico. Use 376, 1176–1184 (2017).

Artículo de Google Scholar

Vieira, RE, Parsi, M., Zahedi, P., McLaury, BS y Shirazi, SA Mediciones de erosión de arena en condiciones de flujo anular multifásico en un codo horizontal-horizontal. Tecnología en polvo. 320, 625–636 (2017).

Artículo CAS Google Scholar

Owen, J. y col. Diseño de un codo para mediciones integradas de emisiones gravimétricas, electroquímicas y acústicas en entornos de flujo de tuberías de erosión-corrosión. Use 428, 76–84 (2019).

Artículo de Google Scholar

Khan, R., Ya, H. & Pao, W. Un estudio experimental sobre el rendimiento de erosión-corrosión de tubos con codo de 90 grados de acero al carbono AISI 1018 y acero inoxidable AISI 304l. Metales 9, 1260 (2019).

Artículo CAS Google Scholar

Dai, Y., Zheng, X. & Ding, P. Revisión sobre la evolución de la corrosión por sodio del acero inoxidable 316 de grado nuclear para aplicaciones de reactores rápidos enfriados por sodio. Núcleo. Ing. Tecnología. 53, 3474–3490 (2021).

Artículo CAS Google Scholar

Wan, T. & Saito, S. Corrosión acelerada por flujo de acero inoxidable tipo 316l causada por un flujo eutéctico turbulento de plomo-bismuto. Metales 8, 627 (2018).

Artículo de Google Scholar

Soomro, AA y cols. Evaluación de la integridad de oleoductos y gasoductos corroídos mediante aprendizaje automático: una revisión sistemática. Ing. Fallar. Anal. 131, 105810 (2022).

Artículo CAS Google Scholar

Lo, M., Karuppanan, S. & Ovinis, M. Predicción de la presión de falla de una tubería corroída con defectos de corrosión que interactúan longitudinalmente sometida a cargas combinadas utilizando fem y ann. J. Mar. Ciencias. Ing. 9, 281 (2021).

Artículo de Google Scholar

Vijaya Kumar, SD, Karuppanan, S. y Ovinis, M. Predicción de la presión de falla de una tubería de alta tenacidad con un solo defecto de corrosión sometida a cargas combinadas utilizando una red neuronal artificial (ann). Metales 11, 373 (2021).

Artículo de Google Scholar

Wang, C., Li, W., Wang, Y., Xu, S. y Yang, X. Corrosión por corrientes parásitas inducida por cloruro del acero q235a y modelo de predicción. Construcción Construir. Madre. 219, 164-175 (2019).

Artículo CAS Google Scholar

Altabey, WA y cols. Identificación de grietas basada en aprendizaje profundo para tuberías de acero mediante la extracción de características del modelado de sombras 3D. Aplica. Ciencia. 11, 6063 (2021).

Artículo CAS Google Scholar

Zhi, Y., Yang, T. & Fu, D. Un modelo de bosque profundo mejorado para pronosticar la tasa de corrosión atmosférica al aire libre de aceros de baja aleación. J. Mater. Ciencia. Tecnología. 49, 202–210 (2020).

Artículo CAS Google Scholar

Liu, X. y col. Un método de predicción de la presión de falla basado en ANN para tuberías enterradas de alta resistencia con defectos de corrosión por corrientes parásitas. Ciencia energética. Ing. 8, 248–259 (2020).

Artículo de Google Scholar

Li, F., Wang, W., Xu, J., Yi, J. y Wang, Q. Estudio comparativo sobre la evaluación de la vulnerabilidad de la red urbana de gasoductos enterrados basado en métodos SVM y ANN. Proceso de seguridad. Reinar. Prot. 122, 23-32 (2019).

Artículo CAS Google Scholar

Shaik, NB, Sayani, JKS, Benjapolakul, W., Asdornwised, W. & Chaitusaney, S. Investigación experimental y modelado ANN sobre la cinética de hidratos de CO2 en sistemas de tuberías multifásicos. Ciencia. Rep. 12, 13642 (2022).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Shaik, NB y cols. Modelo basado en redes neuronales recurrentes para estimar las condiciones de vida de un gasoducto seco. Proceso de seguridad. Reinar. Prot. 164, 639–650 (2022).

Artículo CAS Google Scholar

Shaik, NB, Pedapati, SR y Dzubir, FAB Predicción de la vida útil restante de un sistema de tuberías utilizando redes neuronales artificiales: un estudio de caso. Ain Shams Ing. J. 13, 101535 (2022).

Artículo de Google Scholar

Ossai, CI Un enfoque de aprendizaje automático basado en datos para la evaluación del riesgo de corrosión: un estudio comparativo. Cogn de Big Data. Computadora. 3, 28 (2019).

Artículo de Google Scholar

Zhou, D. y col. Diagnóstico de fallas basado en vibraciones del compresor de gas natural mediante resonancia estocástica adaptativa realizada por redes generativas adversarias. Ing. Fallar. Anal. 116, 104759 (2020).

Artículo de Google Scholar

Shaik, NB, Pedapati, SR, Othman, A., Bingi, K. y Dzubir, FAA Un modelo inteligente para predecir la condición de vida de los oleoductos de crudo utilizando redes neuronales artificiales. Computación neuronal. Aplica. 33, 14771–14792 (2021).

Artículo de Google Scholar

Kubisztal, J., Kubisztal, M. & Haneczok, G. Daño por corrosión de la superficie de acero 316l examinado utilizando métodos estadísticos y redes neuronales artificiales. Madre. Corros. 71, 1842–1855 (2020).

Artículo CAS Google Scholar

Memon, AM, Salman, UT, Hamzat, AK y AlHems, LM Método de red neuronal para el modelado de la corrosión del codo ss 316l basado en mapeo de campo eléctrico. Corros. Rev. 40, 383–391 (2022).

Artículo CAS Google Scholar

Andritsos, N. & Karabelas, A. Incrustaciones de carbonato de calcio en un intercambiador de calor de placas en presencia de partículas. En t. J. Transferencia de masa de calor. 46, 4613–4627 (2003).

Artículo CAS Google Scholar

Ahmed, WH, Bello, MM, El Nakla, M. y Al Sarkhi, A. Flujo y transferencia de masa aguas abajo de un orificio en condiciones de corrosión acelerada por flujo. Núcleo. Ing. Des. 252, 52–67 (2012).

Artículo CAS Google Scholar

Ahmed, WH, Bello, MM, El Nakla, M., Al Sarkhi, A. y Badr, HM Investigación experimental de corrosión acelerada por flujo en condiciones de flujo de dos fases. Núcleo. Ing. Des. 267, 34–43 (2014).

Artículo CAS Google Scholar

El-Gammal, M. et al. Los efectos hidrodinámicos del flujo monofásico sobre el flujo aceleraron la corrosión en un codo de 90 grados. Núcleo. Ing. Des. 240, 1589-1598 (2010).

Artículo CAS Google Scholar

Gurney, K. Introducción a las redes neuronales (CRC Press, 2018).

Reservar Google Académico

Ding, L., Rangaraju, P. & Poursaee, A. Aplicación del método de red neuronal de regresión generalizada para el modelado de la corrosión del acero incrustado en el suelo. Suelos encontrados. 59, 474–483 (2019).

Artículo de Google Scholar

Jiménez-Come, MJ, Turias, IJ & Ruiz-Aguilar, JJ Un modelo de dos etapas basado en redes neuronales artificiales para determinar el estado de corrosión por picaduras del acero inoxidable 316l. Corros. Rev. 34, 113–125 (2016).

Artículo de Google Scholar

Jiménez-Come, MJ, de las Luz Martín, M., Matres, V. & Baladés, JDM El uso de redes neuronales artificiales para modelar el comportamiento de corrosión por picaduras del acero inoxidable EN 1.4404 en ambiente marino: análisis de datos y nuevos desarrollos. Corros. Rev. 38, 339–353 (2020).

Artículo de Google Scholar

Petković, DL, Madić, MJ y Radenković, GM Los efectos de los parámetros de pasivación sobre el potencial de picaduras del acero inoxidable biomédico. Química. Industria química. Ing. P. 23, 121-129 (2017).

Artículo de Google Scholar

Ramana, K. y col. Efecto de diferentes parámetros ambientales sobre el comportamiento de picaduras del acero inoxidable AISI tipo 316l: estudios experimentales y modelado de redes neuronales. Madre. Des. 30, 3770–3775 (2009).

Artículo CAS Google Scholar

Jiménez-Come, M., Turias, I., Ruiz-Aguilar, J. & Trujillo, F. Caracterización de la corrosión por picaduras de acero inoxidable mediante redes neuronales artificiales. Madre. Corros. 66, 1084-1091 (2015).

Artículo de Google Scholar

Paul, S. Modelado de fallas impredecibles del material de construcción 304 en agua de mar mediante corrosión por picaduras y simulación de la distribución de iones de cloruro mediante el método de elementos finitos. Multidisciplina. Modelo. Madre. Estructura. 20, 20 (2016).

Google Académico

Li, Z., Lu, Y. y Wang, X. Modelado de tasas de crecimiento de fisuración por corrosión bajo tensión para materiales estructurales clave de centrales nucleares. J. Mater. Ciencia. 55, 439–463 (2020).

Artículo ADS CAS Google Scholar

Guo, S., Han, E.-H., Wang, H., Zhang, Z. y Wang, J. Predicción de la vida útil para el comportamiento de corrosión bajo tensión del codo de acero inoxidable 316l de una central nuclear. Acta Metall. Pecado. 53, 455–464 (2017).

CAS Google Académico

Marquardt, DW Un algoritmo para la estimación por mínimos cuadrados de parámetros no lineales. J. Soc. Aplica. Ind. Matemáticas. 11, 431–441 (1963).

Artículo MathSciNet MATEMÁTICAS Google Scholar

Levenberg, K. Un método para la solución de ciertos problemas no lineales en mínimos cuadrados. P. Aplica. Matemáticas. 2, 164-168 (1944).

Artículo MathSciNet MATEMÁTICAS Google Scholar

Hagan, MT, Demuth, HB y Beale, M. Diseño de redes neuronales (PWS Publishing Co., 1997).

Google Académico

Asklany, S., Mansouri, W. & Othmen, S. Algoritmo de aprendizaje profundo de Levenberg-marquardt para la predicción de dióxido de azufre. IJCSNS Int. J. Computación. Ciencia. Neto. Seguro. 19, 7 (2019).

Demuth, H. y Beale, M. Guía del usuario de Neural Network Toolbox (Citeseer, 2000).

Google Académico

Alahmed, AS, Taiwo, SU, Abido, MA y Almuhaini, MM Lista de prioridades inteligente y flexible para la reconfiguración de las demandas de microrredes utilizando una red neuronal profunda. En 2019, IEEE Innovative Smart Grid Technologies-Asia (ISGT Asia), 3490–3495 (IEEE, 2019).

Descargar referencias

El trabajo cuenta con el apoyo de la Universidad Rey Fahd de Petróleo y Minerales (KFUPM).

Centro de Investigación Aplicada de Metrología, Normas y Ensayos, Instituto de Investigación, Universidad Rey Fahd de Petróleo y Minerales, Dhahran, 31261, Arabia Saudita

Azhar M. Memon, Imil Hamda Imran y Luai M. Alhems

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

AMM: redacción-borrador original, análisis formal, conceptualización, supervisión, software y redacción-revisión; IHI: redacción-borrador original, análisis formal, metodología, software y redacción-revisión; y LMA: administración, supervisión, redacción-revisión y edición del proyecto. Todos los autores revisaron el manuscrito.

Correspondencia a Azhar M. Memon o Imil Hamda Imran.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Memon, AM, Imran, IH & Alhems, LM Modelado de corrosión basado en redes neuronales de codos de acero inoxidable 316L utilizando datos de mapeo de campos eléctricos. Representante científico 13, 13088 (2023). https://doi.org/10.1038/s41598-023-40083-y

Descargar cita

Recibido: 28 de febrero de 2023

Aceptado: 04 de agosto de 2023

Publicado: 11 de agosto de 2023

DOI: https://doi.org/10.1038/s41598-023-40083-y

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.