Auf einem neuronalen Netzwerk basierende Korrosionsmodellierung eines Bogens aus Edelstahl 316L unter Verwendung von Kartierungsdaten des elektrischen Feldes

Scientific Reports Band 13, Artikelnummer: 13088 (2023) Diesen Artikel zitieren

210 Zugriffe

Details zu den Metriken

Edelstahl (SS) wird häufig in industriellen Anwendungen eingesetzt, die eine hervorragende Korrosionsbeständigkeit erfordern. Die Modellierung seines Korrosionsverhaltens in gängigen strukturellen und verschiedenen Betriebsszenarien ist hilfreich, um Informationen zur Wandstärke (WT) bereitzustellen und so zu einem prädiktiven Anlagenintegritätssystem zu führen. In diesem Sinne wird ein Ansatz zur Modellierung des Korrosionsverhaltens von SS 316L mithilfe künstlicher neuronaler Netze (ANNs) entwickelt, bei dem Salzwasser in unterschiedlichen Konzentrationen mit unterschiedlichen Durchflussraten und Salzkonzentrationen durch eine Bogenstruktur geleitet wird. Spannungs-, Strom- und Temperaturdaten werden stündlich mithilfe von EFM-Pins (Electric Field Mapping) aufgezeichnet, die auf der Ellenbogenoberfläche installiert sind und als Trainingsdaten für die ANNs dienen. Die Leistung der Korrosionsmodellierung wird durch den Vergleich der vorhergesagten WT mit tatsächlichen Messungen aus experimentellen Tests überprüft. Die Ergebnisse zeigen die außergewöhnliche Leistung des vorgeschlagenen einzelnen ANN-Modells zur Vorhersage von WT. Der Fehler wird durch Vergleich der geschätzten WT und der tatsächlich aufgezeichneten Messung berechnet, wobei der maximale Fehler für jede Einstellung im Bereich von 0,5363 bis \(0,7535\%\) liegt. RMSE- und MAE-Werte jedes Pins in jeder Einstellung werden ebenfalls so berechnet, dass die Maximalwerte von RMSE und MAE 0,0271 bzw. 0,0266 betragen. Darüber hinaus wird auch eine kurze Beschreibung der beobachteten Schuppenbildung gegeben. Diese umfassende Studie trägt zu einem besseren Verständnis der Korrosion von SS 316L bei und bietet wertvolle Erkenntnisse für die Entwicklung effizienter Strategien zur Korrosionsverhinderung in industriellen Umgebungen. Durch die genaue Vorhersage von WEA-Verlusten mithilfe von ANNs ermöglicht dieser Ansatz eine proaktive Wartungsplanung, minimiert das Risiko von Strukturausfällen und gewährleistet die längere Nachhaltigkeit von Industrieanlagen.

Pipelines und andere Infrastruktur bilden das Rückgrat der Weltwirtschaft. Es ist von größter Bedeutung, ihre strukturelle Integrität sicherzustellen, um Ausfallzeiten und Störungen in der Lieferkette zu verhindern. Sie spielen eine entscheidende Rolle beim Transport von Flüssigkeiten und sind eine wichtige Infrastruktur für verschiedene Sektoren, darunter Wasserkraft, Schifffahrt, Kernkraftwerke, Lebensmittelverarbeitung sowie die Öl- und Gasindustrie. Allerdings sind diese Pipelines anfällig für Probleme wie Korrosion, Beulen, Defekte und Risse, die zu Ausfällen führen und erhebliche Sicherheitsrisiken darstellen können. Solche Ausfälle können zu Undichtigkeiten, Brüchen, tödlichen Unfällen, Umweltschäden und finanziellen Folgen wie teuren Reparaturen, Ausfällen und Produktionsverzögerungen führen. Um diese Risiken zu mindern, ist es wichtig, der Wartung und Integrität der Pipeline-Assets durch die Implementierung regelmäßiger Inspektionen und Wartungspraktiken Priorität einzuräumen. Infolgedessen hat der Bereich der Inspektion, Bewertung, Modellierung und Vorhersage von Rohrleitungskorrosion sowohl im akademischen als auch im industriellen Umfeld große Aufmerksamkeit erlangt. Dieser Schwerpunkt der Studie zielt darauf ab, wirksame Methoden und Werkzeuge zur Bewertung und Vorhersage von Pipeline-Korrosion zu entwickeln, um proaktive Maßnahmen zur Verhinderung von Ausfällen zu ermöglichen und den weiterhin sicheren Betrieb dieser kritischen Infrastruktursysteme zu gewährleisten1,2,3,4,5.

Korrosion ist das häufigste Phänomen und der schwerwiegendste Mechanismus für Pipeline-Ausfälle3, der die Betriebslebensdauer von Pipelines erheblich verkürzt. Es kann in verschiedenen Formen auftreten, einschließlich allgemeiner oder gleichmäßiger6, Lochfraß, Spaltbildung, intergranularer Form, Erosions-Korrosion (E–C), Korrosion durch bakterielle Aktivität und umweltbedingte Rissbildung. Die Korrosionsrate in der Rohrleitung hängt von externen und internen Faktoren ab. Einige Beispiele für externe Faktoren sind die Arbeitsplatzumgebung, die Bodenzusammensetzung und Kondensation bei erdverlegten Rohrleitungen oder die Wasserchemie bei unterirdischen Rohrleitungen. Mehrere interne Faktoren, die Korrosion verursachen, sind die Aktivität der fließenden Flüssigkeit, die Art der transportierten Flüssigkeit, die Temperatur, die Durchflussrate und die Spannung der Flüssigkeiten7. In diesem Zusammenhang wird die genaue Messung des Wanddickenverlusts in Rohrleitungen in Echtzeit und während des Betriebs zu einer entscheidenden Aufgabe. Dies gilt insbesondere für Edelstahlrohre, die durch aggressive Flüssigkeiten zu strömungsbeschleunigter Korrosion und Ablagerungen neigen.

Diese Arbeit konzentriert sich auf die Modellierung und Vorhersage von E–C in SS-Ellbogen unter Berücksichtigung des Vorhandenseins einer Kochsalzlösung. Obwohl Edelstahl eine teure und schwere Legierung ist, bietet er zahlreiche Vorteile, die seine Nachteile in verschiedenen Anwendungen und Branchen überwiegen. SS wird in vielen Bereichen aufgrund seiner umfangreichen Auswahl an Typen und Qualitäten, seiner Vielseitigkeit in verschiedenen Anwendungen und seiner Fähigkeit, UV-Strahlen und Korrosion zu widerstehen, weithin bevorzugt. Es ist für seine Haltbarkeit, Festigkeit und Lebensmittelqualität bekannt und eignet sich daher für Umgebungen mit hohen Temperaturen. Branchen wie die Lebensmittel- und Getränkeindustrie verlassen sich auf SS aufgrund seiner Resistenz gegen das Wachstum von Mikroorganismen, während Abwasseraufbereitungsanlagen von seiner einfachen Wartung profitieren. Darüber hinaus besteht ein interessanter Vorteil der SS-Hardware darin, dass sie ihren monetären Wert auch dann behält, wenn sich Betriebsabläufe ändern oder die Anlage saniert wird. Dies erhöht seine Attraktivität in verschiedenen Umgebungen. Im folgenden Abschnitt geben wir einen kurzen Überblick über bemerkenswerte Arbeiten, die zum Thema E–C in SS durchgeführt wurden.

Bestimmte Beschichtungen können verwendet werden, um SS-Oberflächen vor Korrosion zu schützen und die Beschädigung von Rohren zu verhindern oder zu reduzieren. Diese Beschichtungen dienen als Schutzschicht und werden auf die SS-Oberfläche aufgetragen. Mit der Zeit können sich diese Schutzschichten jedoch aufgrund der Reibung durch Sand oder andere korrosive Stoffe in der Flüssigkeit von der Edelstahloberfläche lösen. Dieser Prozess wird als E–C bezeichnet und kann die Korrosion beschleunigen. Wenn E–C im Zusammenhang mit der Fluidströmungsdynamik auftritt, kann dies zu einer erheblichen Verdünnung der Rohrwände führen. Tatsächlich kann E–C im Vergleich zu Korrosion oder Erosion allein eine stärkere Wandinfiltration verursachen. Insbesondere Rohrbögen sind für dieses Phänomen sehr anfällig und gelten als der anfälligste Teil des Rohrleitungssystems8.

In diesem Sinne wurden die Halbleitfähigkeiten passiver Filme auf der Oberfläche des SS 304-Winkelstücks in einer sandhaltigen Salzflüssigkeit über ein Schleifensystem untersucht9. Die Mischung enthielt 0,9 Gew.-% Sandpartikel (Größe 400–500 µm) und 3,5 Gew.-% NaCl. Die Halbleitfähigkeiten und Materialien passiver Filme wurden mittels Spektroskopie im Hinblick auf die Auswirkungen fließender Flüssigkeit am Ellenbogen untersucht. Der E–C-Wert eines Bogens aus Kohlenstoffstahl (CS) in einer CO2-Umgebung mit Sandpartikeln als Teil des Strömungskreislaufs wurde in 10 beschrieben. Es wurden drei Merkmale ermittelt, die auf der Fluidgeschwindigkeit beruhten, wie z. B. die Bildung von schützenden Ablagerungen bei niedrigen Geschwindigkeiten, was zu geringen Korrosionsraten führte, die Verhinderung der Ablagerungen bei höheren Geschwindigkeiten, was zu höheren und gleichmäßigeren Korrosionsraten führte, und die gleichzeitige Überwachung lokaler Punkte die kumulative Bildung von Schutzschuppen mit tiefen Vertiefungen bei mittleren Geschwindigkeiten. Darüber hinaus wurde ein computergestütztes Modell zur Vorhersage der Sanderosion in Rohren bereitgestellt, um die Sanderosion in den Rohrleitungen abzuschätzen. Es wurden die Umgebungswerte untersucht, bei denen E–C zur Abschätzung des Dickenverlusts des Pipelinematerials nützlich ist11. Insbesondere wurde die Zersetzung von Rohrleitungsstahl (API X65) aufgrund von E–C mit strömender, sandhaltiger Flüssigkeit in einer CO2-gesättigten Atmosphäre untersucht. Die E-C-Vorhersage wurde verbessert, indem den empirischen, amechanistischen und rechnerischen Modellen Umgebungs- oder externe Parameter wie Temperatur, Flüssigkeitsströmungsrate und Feststoffbeladung hinzugefügt wurden.

Einige Ergebnisse zur Bewertung der Degradationsrate in 90\(^{\circ }\)-Bögen wurden in verschiedenen Szenarien untersucht. Numerische Simulationen wurden für einen 90\(^{\circ }\)-Bogen mit Luft-Sand-Wasser-Strömung unter einer Pseudo-Schwallerosionseinstellung12 durchgeführt. Der Befund zeigte, dass die Oberseite des Ellenbogens im Vergleich zu den anderen Teilen in horizontaler Richtung am stärksten von der Erosion betroffen ist. Es wurden einige experimentelle Tests durchgeführt, um die Erosion in einem 90\(^{\circ }\)-Bogen mit zahlreichen Flüssigkeitsströmen zu untersuchen13. Die Ergebnisse zeigten, dass T-Stücke und Ellenbogen am stärksten von Erosion betroffen sind. Ein hoher Materialverlust durch E-C wurde in14 für 3D-gedruckten 90\(^{\circ }\)-Krümmer-Kohlenstoffstahl untersucht. In15 wurde über eine Studie berichtet, in der die E-C-Eigenschaften von CS 1018 und SS 304L für 90\(^{\circ }\)-Bögen mit großem Radius in Schwallströmungsumgebungen mit Sandpartikeln verglichen wurden. Die Ergebnisse zeigten, dass SS eine glattere Oberfläche als CS hatte, die EC-Rate im CS-Ellenbogen viermal höher war als die E-C-Rate im SS-Ellenbogen und die E-C-Rate in der oberen Hälfte des Ellenbogens bei beiden Materialien höher war als in der unteren Hälfte . Daraus lässt sich schließen, dass SS im Vergleich zu CS eine hervorragende Korrosionsbeständigkeit aufweist.

Der SS-Verlust wurde für SS 316 in Kernqualität unter Natriumhochtemperaturbedingungen mithilfe der Natriumkorrosionsratengleichung16 vorhergesagt. Diese Gleichung wurde durch einige Elemente wie den Einfluss der Temperatur, des Natriumsauerstoffgehalts und der Natriumgeschwindigkeit erstellt. Die Korrosionsschätzung wurde für SS 316L unter strömungsbeschleunigter Korrosion (FAC)17 untersucht. Eine Stoffübergangsuntersuchung wurde durchgeführt, indem ein Korrosionsmodell in die numerische Studie eingeführt wurde. Die Vorhersagewerte für Rohrabschnitte mit sprunghaft wechselnden Durchmessern wurden mit den gemessenen verglichen. Dennoch betrug die vorhergesagte Korrosionstiefe etwa das 1,3- bis 3,5-fache der durchschnittlichen experimentellen Korrosionstiefe für das einheitliche Teil.

Es wurden mehrere Ansätze vorgeschlagen, um Defekte und Ausfälle im Bereich der Pipeline-Integritätsbewertung vorherzusagen und zu erkennen. Ein Überblick über den Einsatz maschineller Lerntechniken zur Bewertung der Integrität korrodierter Öl- und Gaspipelines wurde in18 vorgestellt. Verschiedene Aspekte der Pipeline-Korrosion wie Korrosionserkennung, Vorhersage der verbleibenden Nutzungsdauer und Risikobewertung wurden diskutiert. Es wurden einige Anwendungen des maschinellen Lernens zur Beurteilung der Integrität korrodierter Öl- und Gaspipelines untersucht. 19 wurde ein Korrosionsmodell entwickelt, um Pipelinedefekte aufgrund des Ausfalldrucks in der Pipeline mithilfe von ANN vorherzusagen. Die Trainingsdaten wurden mit der Finite-Elemente-Methode (FEM) generiert. Zur Validierung wurden groß angelegte Bersttests eingesetzt, bevor verschiedene Pipeline-Ausfallsimulationen mit zahlreichen Korrosionsgeometriemerkmalen und -belastungen durchgeführt wurden. Die von ANN erzielten Vorhersagefehler lagen zwischen \(-9,39\) und \(4,63\%\) mit einem Bestimmtheitsmaß (\(R^2\)) von 0,9921 im Vergleich zu den Ergebnissen der Finite-Elemente-Analyse (FEA). Der gleiche Ansatz wurde auch in20 mit einer anderen Darstellung vorgeschlagen.

Das Phänomen der Streustromkorrosion in Q235A-Stahl und das sich entwickelnde Vorhersagemodell für diese Art von Korrosion wurden in21 untersucht. Durch experimentelle Analysen wurde das Korrosionsverhalten von Q235A-Stahl bei unterschiedlichen Chloridkonzentrationen und Streustromdichten untersucht. Ziel war es, die Korrosionsmechanismen zu untersuchen und Schlüsselfaktoren zu identifizieren, die den Prozess beeinflussen. Ein weiterer Ansatz wurde 22 vorgeschlagen, um einen Riss in der Pipeline durch die Integration eines Deep-Learning-Algorithmus und einer 3D-Schattenmodellierung (3D-SM) zu identifizieren. Der Rissschatten unterhalb des Rissbereichs wurde mithilfe von Lichtquellen projiziert. Dieser Ansatz wurde im experimentellen Test verifiziert und weist eine Genauigkeit von \(93,53\%\) und eine Regressionsrate von \(92,04\%\) zur Identifizierung des Risses auf.

Für die Korrosionsdatenmodellierung und das Knowledge Mining wurde in23 ein Tiefenstrukturmodell namens Densely Connected Cascade Forest-Weighted K Nearest Neighbors (DCCF-WKNNs) untersucht. Die Wirksamkeit des Modells wurde anhand eines Datensatzes bewertet, der 409 atmosphärische Korrosionsproben niedriglegierter Stähle im Freien umfasste. Durch die Kombination von RF-WKNNs und DCCF-WKNNs für zufällige Wälder-K-nächste Nachbarn übertraf der vorgeschlagene Ansatz häufig verwendete Algorithmen für maschinelles Lernen wie ANN, Support Vector Regression (SVR), RF und Cascade Forests (cForest) hinsichtlich der genauen Vorhersage von Korrosionsraten in dieser Studie. Darüber hinaus zeigte das Modell die Fähigkeit, Korrosionsraten unter variierenden Umgebungsbedingungen vorherzusagen, indem individuelle Faktoren wie pH-Wert, Temperatur, relative Luftfeuchtigkeit, SO\(_2\), Niederschlag oder Cl\(^-\) berücksichtigt werden. Zusammenfassend liegen die Bestimmungskoeffizienten (\(R_2\)) der vorgeschlagenen Methoden zwischen 0,785 und 0,924, wobei ANN und DCGF-WKNNs die schlechtesten bzw. besten Ergebnisse darstellen.

Das ANN-basierte Modell wurde 24 vorgeschlagen, indem verschiedene Parameter wie Rohrmaterialeigenschaften, Defekteigenschaften und Betriebsbedingungen berücksichtigt wurden, um den Versagensdruck von erdverlegten hochfesten Rohren vorherzusagen. Das Modell wurde mithilfe eines Datensatzes trainiert, der aus einer numerischen Simulation der Reaktion des Rohrs auf Innendruck und Streustromkorrosion generiert wurde. Die Ergebnisse zeigten, dass das vorgeschlagene ANN-Modell den Ausfalldruck der Rohre effektiv und mit hoher Genauigkeit vorhersagen kann. Die Anwendung von SVM- und ANN-Methoden zur Bewertung der Anfälligkeit städtischer erdverlegter Gaspipelinenetze wurde in25 untersucht. Die Studie ergab, dass sowohl die SVM- als auch die ANN-Methode die Anfälligkeit des Gaspipelinenetzes effektiv beurteilen konnten, wobei SVM eine etwas höhere Genauigkeit aufwies. Die Ergebnisse dieser Forschung tragen dazu bei, das Verständnis der Vulnerabilitätsbewertungsmethoden für Gaspipelinenetze zu verbessern und können für die Entscheidungsfindung in der Stadtplanung und im Risikomanagement nützlich sein. ANNs-Modelle zur Vorhersage der Kinetik der Gashydratbildung in Mehrphasensystemen wurden in26 vorgeschlagen. Die Experimente wurden mit einem Reinsystem und einem Mehrphasensystem mit Rohöl durchgeführt, um die Bildungsgeschwindigkeit in beiden Fällen zu analysieren. Die Ergebnisse zeigten, dass die Zugabe von Rohöl die Geschwindigkeit und den Molverbrauch der Gashydratbildung beeinflusste, wobei das Mehrphasensystem aufgrund des nicht-Newtonschen Verhaltens von Rohöl bei hohem Druck und niedriger Temperatur schneller Hydrate bildete. Die Vorhersagemodelle zeigten eine zufriedenstellende Leistung mit hohen R2-Werten nahe 1 und niedrigen MSE-Werten nahe 0.

Die verbleibende Lebensdauer der Pipeline wurde anhand historischer Betriebsdaten im Jahr 27 vorhergesagt. Das Modell des wiederkehrenden neuronalen Netzwerks (RNN) wurde anhand verschiedener Eingabeparameter wie Betriebsdruck, Temperatur und Korrosionsrate trainiert. Die Studie demonstrierte die Wirksamkeit des vorgeschlagenen Ansatzes durch den Vergleich seiner Vorhersagen mit tatsächlichen Daten einer Trockengaspipeline. Das RNN-Modell schneidet während der Trainings-, Test- und Validierungsphasen gut ab, mit hohen R2-Werten und niedrigen MSE-Werten (Mean Square Error). Das Modell sagt den Zustand des Rohrs und Korrosionsfehler genau voraus, selbst wenn bestimmte Eingabeparameter fehlen. Darüber hinaus schätzt das RNN-Modell effektiv die Rohrlebensdauer basierend auf verschiedenen Parametern wie Wandstärke und Druck. Das ANN-Modell wurde 28 unter Verwendung von Echtzeit-Risikoinspektionsdaten entwickelt, um die verbleibende Nutzungsdauer von Rohrleitungen auf der Grundlage von Parametern wie Druck, Korrosion, Wandverdünnung, Alter, Dicke, Außenradius und Produkttyp vorherzusagen. Das Modell zeigte eine starke Leistung mit einem \(R^2\)-Wert von 0,99 und einer Validierungsgenauigkeit von \(97,51\%\). Es wurde festgestellt, dass Korrosion den größten Einfluss auf das Rohrleitungssystem hatte, während das Alter den geringsten Einfluss hatte.

Die Studie konzentrierte sich in29 auf den Vergleich verschiedener Algorithmen für maschinelles Lernen, darunter ANN, Support Vector Machines (SVM) und Entscheidungsbäume (DT), um ihre Wirksamkeit bei der Vorhersage des Korrosionsrisikos zu bestimmen. Einige Experimentauswertungen wurden unter Verwendung eines Datensatzes durchgeführt, der korrosionsbezogene Parameter umfasste, und es wurde die Leistung der Modelle für maschinelles Lernen verglichen. Die Ergebnisse zeigten, dass das ANN-Modell die SVM- und DT-Modelle hinsichtlich Genauigkeit, Präzision und Erinnerung übertrifft. Das ANN-Modell hat seine Fähigkeit unter Beweis gestellt, Korrosionsrisiken effektiv vorherzusagen, und liefert wertvolle Erkenntnisse für Korrosionsmanagementstrategien. Ein Ansatz zur Fehlerdiagnose in Erdgaskompressoren wurde 30 unter Verwendung von Vibrationsanalyse, adaptiver stochastischer Resonanz (ASR) und generativen gegnerischen Netzwerken (GANs) vorgeschlagen. Ziel war es, die Herausforderungen bei der Erkennung von Fehlern in komplexen und nichtlinearen Vibrationssignalen zu bewältigen, indem kontrolliertes Rauschen durch ASR eingeführt und Fehlermerkmale mithilfe von GANs verbessert wurden. Der kombinierte ASR-GAN-Ansatz wird anhand experimenteller Daten validiert und zeigt eine verbesserte Genauigkeit und Effizienz im Vergleich zu herkömmlichen Methoden. Die SR-Leistung wurde durch Messung des Genauigkeitsbereichs zwischen 93,42 und \(97,26\%\) unter verschiedenen Parametereinstellungen bewertet. Eine weitere Entwicklung wurde in31 zur Vorhersage des Lebenszustands von Rohölpipelines vorgestellt. ANN wurde vorgeschlagen, das Vorhersagemodell zu erstellen. Die Studie konzentrierte sich auf die Bewältigung der Herausforderungen im Zusammenhang mit der Überwachung und Aufrechterhaltung der Integrität von Rohölpipelines, die für den Öltransport von entscheidender Bedeutung sind. Bei der Modellierung wurden verschiedene Faktoren berücksichtigt, die die Verschlechterung der Pipeline beeinflussen, wie z. B. Korrosionsrate, Druck, Temperatur und Zeit. Die vorverarbeiteten Daten und das Training des ANN-Modells wurden mithilfe eines Backpropagation-Algorithmus durchgeführt. Die Ergebnisse zeigten, dass das ANN-basierte Modell in der Lage ist, den Lebenszustand von Rohölpipelines basierend auf den Eingabeparametern vorherzusagen.

Aufgrund der großen Spannweite von Rohrleitungssystemen ist es von entscheidender Bedeutung, die verbleibende WT von SS, die durch eine korrosive Umgebung verursacht wird, zu bestimmen und vorherzusagen. Obwohl es mehrere Untersuchungen zur Korrosion in der SS-Pipeline gibt. Allerdings ist das umfassende ANN-Modell für die komplexe Korrosion und Passivschichtbildung innerhalb eines SS 316L-Bogens unter Berücksichtigung des Salzgehalts des Wassers und der Strömungsdynamik in der Literatur mangelhaft. Die Oberflächenkorrosion von 316L-Stahl wurde mithilfe von ANN und statistischer Analyse in 5 Gew.-%iger NaCl-Lösung untersucht32. Zur Veranschaulichung der Korrosionsmorphologie wurden einige 2D-Graustufenbilder präsentiert.

Aus der oben genannten Literatur wird es möglich, das Ausmaß des Wanddickenverlusts mithilfe von NNs im Voraus vorherzusagen. Diese Prognosefähigkeit trägt erheblich zur Wartung von Pipeline-Anlagen bei. Darüber hinaus können durch das Training ähnlicher Modelle für bestimmte Anwendungen die damit verbundenen Risiken bewertet werden. Die Methodik findet ein breites Anwendungsspektrum, darunter die Lebensmittelindustrie, Kernreaktoren, Wasserentsalzung und mehr. Kürzlich haben die Autoren über ein erstes Ergebnis des ANN-Modells für die WT eines SS 316L-Bogens als Abschnitt eines laufenden Salzwasserkreislaufs berichtet33. Es wurde jedoch für die Vorhersage der Wandverdünnung mit einer einzigen Durchflussrate und Salzkonzentration entwickelt. Durch Erweiterung der Ergebnisse in33 wird in dieser Arbeit ein allgemeineres ANN-Modell SS 316L-Krümmer untersucht, der von Salzwasser mit verschiedenen Durchflussraten und Konzentrationen durchströmt wird. Ziel ist es, ein einziges ANN-Modell zu haben, das das Korrosionsverhalten darstellt. Der Aufbau erfolgt unter Verwendung von Spannungs-, Strom- und Temperaturmessungen, die stündlich vom Versuchsaufbau aufgezeichnet werden, der aus am Kniestück befestigten EFM-Stiften besteht. Nach bestem Wissen der Autoren ist dies die erste Untersuchung, die zur Entwicklung eines ANN-Modells für SS-Bogen mit verschiedenen Durchflussraten und Salzkonzentrationen verwendet wurde. Darüber hinaus beschreibt dieser Artikel prägnant eine umfassende chemische und mikroskopische Analyse der auf den Innenflächen gebildeten Ablagerungen.

Der Rest des Papiers ist wie folgt gegliedert. Der Versuchsaufbau wird im nächsten Abschnitt vorgestellt. Anschließend werden im nächsten Abschnitt die Materialien und Methoden der Experimente erläutert. Der Modellierungsteil umfasst kurze Literaturübersichten zu NN, Trainingssatz und Korrosionsmodellierung, die im nächsten Abschnitt vorgestellt werden. Anschließend wird in „Ergebnisse“ das ANN-Modell unter verschiedenen Einstellungen getestet, die anhand mehrerer Abbildungen und einer Tabelle veranschaulicht werden, um die quantitative Leistung darzustellen. Das Fazit und die Richtung für die zukünftige Arbeit werden im letzten Abschnitt vorgestellt.

In diesem Abschnitt wird der Versuchsaufbau, bestehend aus einem hochmodernen Strömungskreislauf, der die industriellen Echtzeitbedingungen darstellt, wie in Abb. 1 dargestellt dargestellt. Er verfügt über zwei Kreiselpumpen der Lowara Company, Modellnummer TG334, Durchflussrate (Q) 45 m\(^3\)/h, Förderhöhe (h) 110 m, OMEGA-Turbinendurchflussmesser (FTB730), Netzschalter (Eurotherm 2500P Schneider Electric), Rohrstück aus Plexiglas zur visuellen Überprüfung des Strömungszustands und Winkelstück Abschnitt aus SS 316L. Dieser Abschnitt ist 3,01 m lang, hat einen Innendurchmesser von 4 Zoll und eine Nennwandstärke WT von 6,03 mm. Die Strömungseinlass- und -auslassarme des Kniestücks sind 1,2 bzw. 1,25 m lang (einschließlich 0,6 m langem Plexiglas). Der Einlassarm, der Winkelabschnitt und der Auslassarm des Rohrkrümmers bestehen alle aus korrosionsbeständigem SS 316L. Das Schema und die Spaltenanordnung des Strömungskreislaufs sind in den Abbildungen zu sehen. 2 und 3.

Versuchsaufbau.

Schematische Darstellung eines Mini-Flow-Loops.

Abbildung des Rohrbogens mit den Positionen der Stiftpositionen in 16 Spalten mal 7 Reihen.

Ein EFM-Monitor mit einer Reihe nicht-intrusiver Sensorstifte ist in einer Matrix aus 16 Spalten und 7 Reihen, d. h. insgesamt 112 Stiften, dauerhaft an der Oberfläche des Ellenbogens angebracht, wie in Abb. 3 dargestellt. störende Eigenschaften und dringen nicht in das Rohr ein. Von den Stiften aus werden die gemessene Menge des Erregerstroms und gleichzeitig Messungen des in die Struktur eingespeisten Spannungsmusters aufgezeichnet. Die gesammelten Daten bestehen aus einer Zeitreihe von Differenz-Pin-Spannungen (in \(\upmu\)V) und der entsprechenden Reihe von Strom-Shunt-Messungen (in Ampere). Der Widerstand eines Volumens steht in entgegengesetzter Beziehung zum WT, wo eine dünnere Wand einen höheren Widerstand gegen den Stromfluss aufweist. Dadurch entsteht bei gleicher Erregerstrommenge ein höherer Spannungsabfall. Ein zusätzlicher Temperaturkompensationsschritt wird hinzugefügt, um die Änderung des spezifischen Widerstands aufgrund der vorhandenen Temperaturschwankungen aufgrund des Flüssigkeitsflusses und der Umgebungsbedingungen zu berücksichtigen. Zu diesem Zweck werden zusätzliche Pins zur Temperaturmessung verwendet. Das System ist so konfiguriert, dass es elektrische Daten liest und die verbleibende WT des Ellenbogenabschnitts berechnet. Dennoch stellt der Hersteller diese Berechnungssoftware nicht zur Verfügung. Das Arbeitsablaufschema besteht darin, dass die Daten auf ihren Server hochgeladen werden und dass sie dann nach mehreren Wochen alle Berechnungen und die WT-Ergebnisse bereitstellen. Diese Situation inspiriert uns dazu, ein lokales NN-basiertes Modell zu entwickeln, um die WT anhand der verfügbaren Spannungs-, Strom- und Temperaturmessungen in relativ kürzerer Zeit abzuschätzen.

Reines getrocknetes Vakuumsalz (PDV) wurde gründlich in 1 m\(^3\) Leitungswasser ohne Sand gelöst, um die Wirkung von simuliertem Meerwasser auf Korrosion und Kalkablagerungen zu bewerten. Der Salzgehalt der vorbereiteten Lösung mit verschiedenen Konzentrationen und Durchflussraten wird mit einem Handrefraktometer (REF234) gemessen, wie in Tabelle 1 gezeigt. Die Flüssigkeit wurde aus einem 2 m\(^3\) großen Lagertank abgelassen und mit beiden Zentrifugenpumpen gefördert , wie in Abb. 1 dargestellt. Diese Pumpen haben eine maximale kombinierte Förderleistung von 70 m\(^3\)/h. Zur Steuerung der Durchflussraten am Ein- und Ausgang der Pumpe wurden Steuerventile eingesetzt. Ein Inline-Turbinendurchflussmesser wurde verwendet, um die Raten und den gesamten gepumpten Durchfluss zu messen.

Zu Beginn umfassten die experimentellen Daten Basismessungen der Rohr-WT, die mit einer Ultraschallprüfsonde (UT) durchgeführt wurden, sowie stündlich aufgezeichnete Differenzspannung (\(\Delta V\)), Differenzstrom (\(\Delta I\) ) und Temperatur (T). Der Hersteller stellte einen Server zur Verfügung, um vor dem Experiment die Rohrdicke einzugeben. ANN wird eingesetzt, um \(\Delta V\), \(\Delta I\) und T-Messungen als Trainingseingabe und die WT der Rohr-WT zu trainieren, die von der Analysesoftware des Herstellers als Ausgabedaten geliefert werden. Bei der UT-Untersuchung wurde ein erhöhter WT aufgrund der Bildung von Ablagerungen und eine Abnahme des WT nach der Entfernung des Ablagerungssatzes aus dem Rohr am Ende des Experiments gemeldet, wie im Abschnitt „Ablagerungenbildung“ und „WT-Überwachung“ erläutert.

An der Probe der Kalkablagerungen, die während der Reinigung aus dem Rohr entnommen wurde, wurde eine spektroskopische Analyse durchgeführt. Es wurde festgestellt, dass die Zusammensetzung des durch das System fließenden Wassers die Ursache für die Kalkbildung ist, da es Kalzium in einer Konzentration von 291 mg/L enthielt. Abbildung 4a zeigt die prozentuale Elementzusammensetzung der extrahierten Probe, die durch Rasterelektronenmikroskopie mit energiedispersiver Spektroskopie (SEM-EDS)-Charakterisierung erhalten wurde. Die in Abb. 4b gezeigte Röntgenfluoreszenz stellt den Oxidzustand der Elemente dar, die durch die EDS-Analyse nicht erfasst wurden. Das in Abb. 4c dargestellte Fourier-Transform-Infrarotspektroskopie-Spektrum (FT-IR) der Aragonit-CaCO3-Skala weist aufgrund der CO-Streckung markante Peaks bei 709,1, 854,3 und 1486,7 cm\(^{-1}\) auf und Biegemodi. Wie in Abb. 4d gezeigt, ist der scharfe Peak des Röntgendiffraktogramms typisch für eine kristalline Verbindung mit \(2\theta\)-Werten im Bereich von \(25^{\circ }\) bis \(50^{\ circ }\). Der kurze Peak bei \(2\theta\) von \(35^{\circ }\) war unerwartet und vermutete, dass es sich um Fremdstoffe oder Verunreinigungen in der Probe handelte. Das Vorhandensein einer hochkristallinen Beschaffenheit weist darauf hin, dass sich die CaCO3-Ablagerungen in der Aragonitphase befinden. Dies wurde durch den Vergleich der REM-Aufnahme der in Abb. 4a gezeigten Probe mit der in34 berichteten Studie bestätigt.

Spektroskopische Analyse extrahierter Kalkablagerungen; (a) SEM-EDS; (b) RFA; (c) FT-IR; (d) XRD. Die Abbildung wurde mit Genehmigung aus unserer vorherigen Arbeit reproduziert33.

Diese Messwerte wurden extern mit dem UT-Messgerät gemessen, um die Veränderung der WT im Verlauf der Experimente zu überwachen. Um zu bestätigen, dass nachfolgende Messungen an denselben Punkten durchgeführt wurden, wurde dieselbe Matrix wie bei den EFM-Pins verwendet. Die Ergebnisse für den Basislinien- oder Referenz-WT, nach dem Experiment zur Beurteilung der Ablagerung von Ablagerungen und nach der Reinigung zur Messung des Wandverlusts sind in Abb. 5 dargestellt. Die gesammelten Daten zeigten einen durchschnittlichen Anstieg von \(3\%\) im WT und a maximale Erhöhung von ca. \(13\%\) aufgrund der Skalierung. Die nach einer gründlichen Reinigung mit dem Hochdruckreiniger erhaltenen WT-Daten wurden ebenfalls durch einen Vergleich mit dem Ausgangswert ausgewertet und zeigten einen Mittelwert von \(2,6\%\) und eine maximale Reduzierung von \(14\%\). Diese Messungen und Beobachtungen stimmen mit den in der Literatur veröffentlichten Ergebnissen überein35,36,37. Es wurde festgestellt, dass die Wandverdünnung an der Biegung im Vergleich zu anderen Teilen des Rohrs aufgrund plötzlicher Änderungen in der Strömungsrichtung und -geschwindigkeit schwerwiegend sei. Abbildung 6 zeigt die WT-Verteilung im Zentrum der Matrixausgabe (Zeile 4). In der Grafik ist dargestellt, dass die Dicke des Ellenbogenabschnitts nach sechsmonatiger Einwirkung der Lösung aufgrund der Kalkablagerung auf dem WT des Ellenbogens zunimmt. Nach der Reinigung sank die WT unter die Grundlinie, wobei der größte Dickenverlust in der Mitte des Rohrbogenabschnitts (Reihe 4, Punkt 7) verzeichnet wurde.

Rohr-WT-Farbkarte vor dem Experiment (oben), nach dem Experiment (Mitte) und nach der Reinigung (unten). Die Abbildung wurde mit Genehmigung aus unserer vorherigen Arbeit reproduziert33.

Dieser Abschnitt beginnt mit einem Hintergrund früherer Arbeiten im Zusammenhang mit der Korrosionsmodellierung unter Verwendung von NNs, ihren Typen und einem Vergleich. Anschließend erfolgt die Beschreibung der verwendeten Datensätze und NN.

Die Modellierung bestimmter Anwendungen mit komplexen Prozessen wie Korrosion ist äußerst schwierig, wenn nicht unmöglich und sprengt den Rahmen herkömmlicher Algorithmen für maschinelles Lernen. In dieser Situation kommen NNs ins Spiel, die aus Neuronen bestehen, die als Eingabe, Ausgabe und einzelne oder mehrere verborgene Schichten strukturiert sind. Diese Schichten dienen als Grundlage für das Erlernen verborgener Muster in den vorhandenen Daten. Die Anzahl der verborgenen Schichten und Neuronen wächst proportional zur Komplexität der Daten. Interessierte Leser werden auf38 verwiesen, um eine ausführliche Diskussion über die Grundlagen, die Funktionsweise und die Struktur von NNs zu erhalten, die in diesem Abschnitt wegen des Breviers weggelassen wurden. Ein probabilistisches NN, ein generalisiertes Regressions-Neuronales Netzwerk (GRNN), wurde 39 eingesetzt, um das Korrosionspotenzial und die Stromdichten von CS-Proben in Böden mit verschiedenen Parametern zu modellieren und vorherzusagen, die die Korrosionsrate von Stahl erheblich beeinflussen. Darüber hinaus wurden die Bodenparameter einer Sensitivitätsanalyse unterzogen. ANNs wurden verwendet, um die Lochfraßkorrosion von SS 316L und EN 1.4404 vorherzusagen, während Umgebungsbedingungen in40,41 berücksichtigt wurden. Insbesondere über die Ergebnisse in der Meeresumwelt wurde später berichtet.

Die Lochfraßkorrosion in Edelstahl wurde mithilfe statistischer und ANN-Modellierung des AISI 316 LVM-Passivierungsprozesses untersucht, der darauf abzielt, eine passive Schutzschicht auf der Stahloberfläche für biomedizinische Anwendungen bereitzustellen42. In diesem Fall wurden Lochfraß und Passivierung als Variablen für die Modelle verwendet. Es wurde festgestellt, dass nur ANN präzise Vorhersagen mit einem im Vergleich zu statistischen Ansätzen geringen mittleren relativen Fehler lieferte. Einige interessante Ergebnisse zur Vorhersage der Lochfraßkorrosion für AISI 316 mithilfe von ANN, zum Beispiel wurde die in43-Korrosionsmodellierung unter Berücksichtigung verschiedener Umgebungsvariablen und in44 mit unterschiedlichen Klassifizierungsmodellen entwickelt. Die Lochfraßkorrosion von SS 304 durch Cl-haltiges Meerwasser für Bauzwecke wurde in einer anderen Arbeit45 diskutiert. Unter Berücksichtigung der Variablen, die diesen Prozess beeinflussen, wurden stochastische Modelle entwickelt, um die Lebensdauer der korrodierenden Stahlkonstruktion abzuschätzen. Der Parameter, der den Beginn einer Leckage definiert, die maximale Grubentiefe, wurde speziell modelliert. Es wurde beobachtet, dass sie hauptsächlich von der elektrochemischen Antriebskraft und der verstrichenen Zeit bestimmt wird.

Eine umfassende Studie über die Modellierung zur Vorhersage von Spannungsrisskorrosion (SCC), insbesondere in Strukturmaterialien, die in Kernkraftwerken verwendet werden, wurde kürzlich veröffentlicht46. Zahlreiche Referenzen wurden vorgestellt und diskutiert, mit positiven Ergebnissen der Verwendung von KNNs zur Vorhersage. Numerische Simulationen wurden 47 durchgeführt, um das SCC-Ausbreitungsverhalten für ein spezifisches Szenario eines Krümmers aus Edelstahl 316L mit einer extrem hohen WT (ca. 80 mm) zu untersuchen, der in Kernreaktoren verwendet wird. Auf der Innenfläche wurde ein künstlicher Defekt vorgeschlagen, um den tatsächlichen Riss nachzuahmen.

Es gibt verschiedene Arten von NNs, die je nach Anwendungsanforderungen eingesetzt werden können38. Am weitesten verbreitet sind Perzeptron, Feed-Forward (FF), Faltung, wiederkehrende Karten, Kohonen-Karten und Support-Vektor-Maschinen (SVM). Das grundlegendste und kleinste NN ist das Perzeptron, das spezifische Berechnungen durchführt, um einige Merkmale in Eingabedaten zu erkennen. Dieser Typ ist aufgrund seiner einfachen Struktur nur für die Lösung linear separierbarer Probleme einsetzbar.

Mittlerweile können FF NNs in komplizierteren Anwendungen wie Sprachverarbeitung, Bildverarbeitung und anderen Computer-Vision-Anwendungen verwendet werden. Diese Methode kann in einschichtige und mehrschichtige NNs unterteilt werden. In diesem Fall variiert die Anzahl der Schichten je nach Komplexität des Systems. Darüber hinaus ist es in der Lage, große Mengen an verrauschten Daten zu verarbeiten und ist schnell und einfach zu implementieren. Faltungs-NNs hingegen sind schwierig aufzubauen und arbeiten je nach Anzahl der verborgenen Schichten langsam.

Rekurrente NNs sind ein Ansatz, der zur Modellierung sequenzieller Daten vorgeschlagen werden kann. Es kann für fortgeschrittenere Aufgaben wie Grammatikprüfung, Übersetzung, automatische Textvorschläge und Text-zu-Sprache eingesetzt werden. Dennoch können Trainingsdaten kompliziert sein. Kohonen-Karten können in bestimmten Anwendungen eingesetzt werden, um Muster in Daten zu erkennen, beispielsweise in der medizinischen Analyse zur Kategorisierung von Daten. SVMs müssen in verschiedenen Vorhersageanwendungen, einschließlich Regression, Klassifizierung und Erkennung von Ausreißern, äußerst zuverlässig sein.

Die in dieser Arbeit verwendeten Trainingseingaben sind \(\Delta V\), \(\Delta I\), die aus einem Array mit 7 Zeilen und 16 Spalten nach dem EFM-Pin-Muster gesammelt wurden. Die Temperatur (T) wird an den 10 Punkten des SS-Ellenbogens gemessen. Das bedeutet, dass 234 Messungen für Trainingsdaten verwendet werden können. Die Messungen werden stündlich mit verschiedenen Durchflussraten und Konzentrationen über mehrere Tage hinweg aufgezeichnet und ergeben 121–358 Messungen für jeden Parameter, wie in Tabelle 1 gezeigt. Jede Zeile wurde separat geöffnet und mit der nächsten verkettet, um das Trainingseingabemodell für NNs zu erstellen aus 7 Zeilen und 16 Spalten in insgesamt \((16~\text {Spalten} \times 7~\text {Zeilen} = ) 112\) Reihen. Abbildung 7 zeigt den Aufbau der ersten beiden Zeilen als Beispiel für eine Datenumstrukturierung, wobei die Stunden in Zeilen umgewandelt wurden.

Illustration der Datenumstrukturierung für das NN-Training.

Als Trainingsdaten wird die Strömungsgeschwindigkeit von 2 m/s Salzwasser mit Konzentrationsmessungen von \(4\%\) (Szenario 4) verwendet. Für jeden Pin werden stündlich 352 Messungen aufgezeichnet. Daher betrug die Dimension jeder Trainingseingabe 352 x 234 für \(\Delta V\), \(\Delta I\) und T, was zu einer 352 x 234-Matrix für alle Parameter führte.

Die Ziele wurden durch Messung der verbleibenden WT-Werte zwischen den Pin-Positionen bestimmt, was zu \((15~\text {Punkte zwischen den Pin-Spalten} \times 7 \text {Zeilen} = ) 105\) Proben der verbleibenden überwachten WT führte für 482 Std. Dies bedeutet, dass die Dimension des Ziels 482 mal 105 betrug. Diese Daten werden für die NN-Modellierung verteilt, \(70\%\) der Daten wurden für das Training, \(15\%\) für die Validierung und \(15\%\) zugewiesen. %\) zum Prüfen. Mit anderen Worten: 246, 53 bzw. 53 Messungen wurden für Training, Validierung und Tests ausgewählt. Um ständige Beobachtungen von WT-Messungen zu vermeiden, die den Trainingsprozess beenden können, wird während des Trainings weißes Rauschen mit einem Mittelwert von Null und einer Standardabweichung \(5\times 10^{-3}\) mm auf die WT-Daten angewendet. Dieser Wert beträgt weniger als 0,1 % der Nenn-WT.

Aufgrund der oben genannten Vorteile wurde FF NN aus den oben diskutierten NNs für diese Studie ausgewählt. Darüber hinaus war geplant, mit dem grundlegendsten NN nach Perceptron, dem FF-Netzwerk, zu beginnen und zu fortgeschritteneren überzugehen, wenn der Korrosionsprozess nicht ausreichend modelliert war. Aufgrund der Verfügbarkeit von Eingabe- und Ausgabe-Trainingsdatensätzen wurde das Modell mithilfe überwachten Lernens trainiert. In dieser Forschung wird der Levenberg-Marquardt-Algorithmus zur Modellierung der SS-Korrosion verwendet. Der Levenberg-Marquardt-Algorithmus ist ein Optimierungsalgorithmus, der häufig zum Training von NNs verwendet wird. Es handelt sich um eine Erweiterung des Gauß-Newton-Algorithmus, der zur Lösung nichtlinearer Kleinste-Quadrate-Probleme verwendet wird. Der Levenberg-Marquardt-Algorithmus kombiniert die Vorteile der Gauß-Newton-Methode und der Gradientenabstiegsmethode, um effizient die optimalen Gewichte eines neuronalen Netzwerks zu finden. Im Gegensatz zu herkömmlichen Methoden, die die Berechnung der exakten Hesse-Matrix erfordern, arbeitet dieser Algorithmus mit dem Gradientenvektor und der Jacobi-Matrix48,49,50,51. Eine Verlustfunktion, die als Summe quadrierter Fehler definiert ist, wird ausgedrückt durch

Dabei ist m die Anzahl der Trainingsbeispiele.

Die Jacobi-Matrix der Verlustfunktion kann als eine Matrix definiert werden, die aus den Ableitungen der Fehler in Bezug auf die durch dargestellte Parameter besteht

für \(i=1 \ldots n\) und \(j=1 \ldots m\), wobei m die Anzahl der Stichproben im Datensatz und n die Anzahl der Parameter im neuronalen Netzwerk ist.

Der Gradientenvektor der Verlustfunktion wird erzeugt durch

wobei \(e=\begin{bmatrix} e_1&\cdots&e_m \end{bmatrix}^{T}\) alle Fehlerterme darstellt. Der folgende Ausdruck wird verwendet, um die Hesse-Matrix anzunähern

wobei \(\lambda\) ein Dämpfungsfaktor ist, um seine Positivität sicherzustellen, und I eine Identitätsmatrix ist. Der Levenberg-Marquardt-Algorithmus definiert den Prozess der Verbesserung der Parameter, ausgedrückt durch

wobei \(i=0, 1 \ldots\). Aus den obigen Informationen ist ersichtlich, dass, wenn der Dämpfungsparameter \(\lambda\) auf Null gesetzt ist, die verwendete Methode im Wesentlichen die Newton-Methode ist, die eine Näherung der Hesse-Matrix verwendet. Wenn umgekehrt \(\lambda\) ein großer Wert zugewiesen wird, geht die Methode in einen Gradientenabstieg mit einer niedrigen Lernrate über.

Der Anfangswert des Parameters \(\lambda\) wird auf einen großen Wert gesetzt, um sicherzustellen, dass die anfänglichen Aktualisierungen in Richtung des Gradientenabfalls klein sind. Wenn eine Iteration fehlschlägt, wird \(\lambda\) um einen bestimmten Faktor erhöht. Wenn andererseits die Verlustfunktion abnimmt, nimmt \(\lambda\) ab, was es dem Levenberg-Marquardt-Algorithmus ermöglicht, sich allmählich der Newton-Methode anzunähern. Dieser iterative Prozess erhöht im Allgemeinen die Konvergenzgeschwindigkeit in Richtung des Minimalwerts. Der erste Schritt des Trainingsprozesses von KNN unter Verwendung des Levenberg-Marquardt-Algorithmus besteht in der Berechnung des Verlusts, des Gradienten und der Approximation der Hesse-Matrix. Anschließend wird der Dämpfungsparameter angepasst, um den Verlust in jeder Iteration zu minimieren.

Die Architektur des Marquardt-Levenberg-Algorithmus kann wie folgt zusammengefasst werden

Initialisierung: Der Algorithmus beginnt mit der Initialisierung des Parametervektors auf einige Anfangswerte. Diese Anfangswerte können die Konvergenz und Genauigkeit des Algorithmus erheblich beeinflussen. Oft ist eine sorgfältige Initialisierung auf der Grundlage von Vorkenntnissen oder Heuristiken erforderlich.

Jacobi-Matrix: Der Algorithmus berechnet die Jacobi-Matrix, die die partiellen Ableitungen der Zielfunktion nach den Parametern darstellt. Der Jacobian gibt Aufschluss über die Empfindlichkeit der Zielfunktion gegenüber Änderungen der Parameter.

Gauß-Newton-Schritt: Der Algorithmus führt einen Gauß-Newton-Schritt durch, indem er die Zielfunktion als quadratische Funktion um die aktuellen Parameterwerte annähert. Es löst ein lineares Gleichungssystem, um die Aktualisierung der Parameter abzuschätzen. Dieser Schritt kann jedoch bei schlecht konditionierten Problemen empfindlich sein, bei denen die Hesse-Matrix schlecht konditioniert oder nicht invertierbar ist.

Levenberg-Marquardt-Schritt: Um das Empfindlichkeitsproblem im Gauß-Newton-Schritt zu lösen, führt der Algorithmus den Levenberg-Marquardt-Schritt ein. Es modifiziert das lineare Gleichungssystem, indem es den Diagonalelementen einen Dämpfungsterm hinzufügt. Dieser Dämpfungsterm steuert den Kompromiss zwischen den Gauss-Newton- und Gradientenabstiegsschritten, wie bereits erläutert.

Parameteraktualisierung: Der Algorithmus aktualisiert den Parametervektor basierend auf der berechneten Schrittgröße, die entweder aus dem Gauß-Newton- oder dem Levenberg-Marquardt-Schritt erhalten wird.

Konvergenzprüfung: Nach jeder Parameteraktualisierung prüft der Algorithmus, ob die Konvergenzkriterien erfüllt sind. Wenn die Kriterien erfüllt sind, wird der Algorithmus beendet; andernfalls wird mit der nächsten Iteration fortgefahren.

Um die Leistung von ANN zu bewerten, werden das Bestimmtheitsmaß (\(R^2\)), der mittlere quadratische Fehler (RMSE) und der mittlere absolute Fehler (MAE) mithilfe der folgenden Gleichungen berechnet

Dabei sind \(y_i\) und \(\hat{y}_i\) die tatsächlichen bzw. geschätzten i-ten Ausgaben mit n Stichprobendaten. Der Durchschnitt der tatsächlichen Outputs wird mit \(\bar{y}\) bezeichnet.

Die Eingabe wird als \(x_i\), \(i=1,2,\ldots,n\) mit \(n=234\) bezeichnet, so dass jede Länge 352 zu einer Trainingseingabegröße von 234 by führt 452. Die Eingabeparameter wurden in drei Kategorien unterteilt, wobei EI \((x_1,x_2,\ldots ,x_{112})\), EV \((x_{113},x_{114},\ldots ,x_{ 224})\) und T \((x_{225},x_{226},\ldots ,x_{234})\). Auf der anderen Seite wurde die Ausgabe mit \(y_i=y_1,y_2,\ldots ,y_{105}\) bezeichnet.

Die MATLAB-Toolbox für neuronale Netzwerke verfügt über Mittel zum Anpassen der Netzwerkvariablen oder -parameter, um die Lerngenauigkeit zu verbessern52. Es gibt einige Parameter, die angepasst werden können, um die Lernleistung zu steigern, z. B. die Anzahl der Epochen, die standardmäßig von der NN-Toolbox ausgewählt werden können. Während andere, wie die Anzahl der Neuronen und die Größe der verborgenen Schichten, durch Versuch-und-Irrtum-Erfahrung ausgewählt werden können53. Der Fehler und der durchschnittliche Fehler zur Bewertung der Wirksamkeit des Modells werden unter Verwendung von (9) bzw. (10) berechnet.

wobei N die Anzahl der Datenpunkte ist.

In Szenario 4 werden stündlich 352 Messungen aufgezeichnet, wie in Tabelle 1 dargestellt. Die Größe der Schichten wird unter Verwendung einer zufälligen Datenteilung und des Lavenberg-Marquardt-Trainingsalgorithmus auf 10 festgelegt. Die erzielte Validierungsleistung beträgt \(2,6520\times 10^{-5}\) in der \(11{\text {th}}\) Epoche und es werden R-Werte von 1,00, 1,00 und 1,00 für Training, Validierung und erreicht Testsätze bzw. Dies implizierte, dass das ausgewählte Modell über hervorragende Lernfähigkeiten verfügte. Die Details des Trainingsmodells sind in Tabelle 2 zu sehen.

In diesem Abschnitt werden mehrere numerische Tests vorgestellt, die die Leistung des trainierten NN-Modells bei der Vorhersage der verbleibenden WT zeigen. In Abb. In den 8, 9 und 10 wird ein Vergleich zwischen den geschätzten und den gemessenen WT-Werten durchgeführt, wobei der Schwerpunkt auf den Szenarien 1, 2 und 3 an den Pin-Positionen C1-1, C8-3 bzw. C13-6 liegt. Die Ergebnisse unterstreichen eine interessante Beobachtung, dass die WT des SS-Ellenbogens innerhalb derselben Zeile, aber in verschiedenen Spalten variiert. Insbesondere ist ersichtlich, dass die verbleibende WT um die Enden des Ellenbogenarms (Pin C1-3 und C8-3) dicker ist als die Mitte des Ellenbogens (Pin C8-3). Die Abbildungen 8a, 9a und 10a bieten eine visuelle Darstellung dieses Phänomens. Der Unterschied in der WT-Verteilung wird auf den Herstellungsprozess des Rohrs zurückgeführt. Dennoch zeigt das NN-Modell trotz dieser Variationen seine Robustheit und liefert hochpräzise Vorhersagen mit minimalen Fehlern bei der Schätzung der verbleibenden WT.

Die bereitgestellten Visualisierungen bieten wertvolle Einblicke in die Beziehung zwischen den vorhergesagten und den tatsächlichen WT-Werten. Durch die Untersuchung der verschiedenen Szenarien und Stiftpositionen wird deutlich, dass die verbleibende WT über den SS-Ellenbogen hinweg nicht einheitlich ist. Der beobachtete Dickenunterschied, insbesondere zwischen den Enden und der Mitte des Rohrbogens, kann auf die bei der Herstellung des Rohrs angewandten Fertigungstechniken zurückgeführt werden. Trotz dieser Ungleichmäßigkeit demonstriert das trainierte NN-Modell seine Wirksamkeit durch die genaue Schätzung der verbleibenden WT. Die kleinen Fehler in der Vorhersage weisen darauf hin, dass das Modell in der Lage ist, mit diesen Schwankungen umzugehen und zuverlässige Schätzungen zu liefern.

WT-Vorhersage an Pin C1-3.

WT-Vorhersage an Pin C8-3.

WT-Vorhersage an Pin C13-6.

Abbildung 11 bietet einen umfassenden Überblick über die minimalen, maximalen und durchschnittlichen Fehler, die jedem Pin in der WT-Vorhersage zugeordnet sind. Diese Visualisierung ermöglicht einen einfachen Vergleich und eine einfache Analyse der Leistung des NN-Modells über verschiedene Pins hinweg. Es ist ersichtlich, dass das NN-Modell seine Fähigkeit unter Beweis stellt, die WT-Werte bei unterschiedlichen Durchflussraten und Konzentrationen genau vorherzusagen. Um eine übersichtlichere Darstellung der Fehler zu ermöglichen, werden in Tabelle 3 die Fehler für jeden Pin in den Szenarien 1, 2 und 3 mit allen 112 Datenpunkten aufgeführt. Die Tabelle veranschaulicht deutlich die außergewöhnliche Genauigkeit des NN-Modells bei der Schätzung von WT-Messungen über einen Bereich von Durchflussraten und Konzentrationen hinweg. Bemerkenswert ist, dass der beobachtete maximale Fehler in Szenario 1 äußerst gering ist, nämlich \(0,7535\%\).

Diese Ergebnisse unterstreichen die Robustheit und Zuverlässigkeit des NN-Modells, wenn es um die Vorhersage von WT-Werten unter verschiedenen Bedingungen geht. Durch die Berücksichtigung mehrerer Szenarien und die Einbeziehung einer breiten Palette von Datenpunkten demonstriert das Modell seine Fähigkeit, konsistent genaue Schätzungen zu generieren. Selbst unter schwierigen Bedingungen mit unterschiedlichen Durchflussraten und Konzentrationen behält das NN-Modell ein hohes Maß an Genauigkeit bei. Dies wird in den in Tabelle 3 dargestellten minimalen und maximalen Fehlerwerten deutlich und bestätigt die Wirksamkeit und Präzision des NN-Modells bei WT-Vorhersageaufgaben weiter.

Die minimalen, maximalen und durchschnittlichen Fehler für drei Szenarien sind in Tabelle 3 aufgeführt.

RMSE und MAE werden auch für die Szenarien 1, 2 und 3 zur weiteren Auswertung berechnet, wie in Tabelle 4 dargestellt. In dieser Tabelle sind die Maximal-, Minimal- und Durchschnittswerte von RMSE und MAE aufgeführt, die für jeden EFM-Pin berechnet wurden. Die Ergebnisse dieser Berechnungen unterstreichen die außergewöhnliche Leistung der NNs bei der Schätzung der verbleibenden WT von SS-Bögen. Alle Werte belegen die herausragenden Fähigkeiten von NNs in dieser Hinsicht.

Die oben dargestellten Ergebnisse zeigen, dass die NN-Modellierung ein wertvolles Werkzeug für die eingehende Analyse der Rohrkorrosionseigenschaften ist. Diese Ergebnisse verdeutlichen das Potenzial der Nutzung von NN-Modellen, um umfassende Einblicke in das Verhalten von Rohren zu gewinnen. Die Studie betont insbesondere, wie wichtig es ist, den Bogenabschnitt eines Rohrs zu verstehen, der für die Konstruktion von NN-Modellen verwendet werden kann. Durch die Einbeziehung aller notwendigen Messungen, die durch das EFM-Prinzip gewonnen werden, kann ein trainiertes NN-Modell entwickelt werden. Dieser Ansatz verspricht eine genaue Modellierung und Vorhersage von Korrosion in Pipelines. Aus dieser Studie lässt sich schließen, dass das NN-Modell einen wesentlichen Beitrag zum Bereich der Rohrkorrosionsforschung leisten und proaktive Wartungs- und Managementstrategien erleichtern könnte.

In diesem Artikel wurden die ersten Ergebnisse eines Modells eines künstlichen neuronalen Netzwerks (ANN) untersucht, das zur Vorhersage der Korrosion in einem Krümmer aus SS 316L eingesetzt wurde, der Salzwasser mit unterschiedlichen Durchflussraten und Konzentrationen ausgesetzt war. Der Messaufbau umfasste einen SS 316L-Winkel mit angebrachten EFM-Stiften zur Messung der Spannungs- und Stromwerte sowie der Temperatur. Diese Messungen wurden über einen Zeitraum von 352 Stunden durchgeführt und dienten dem Training und Test des ANN-Modells. Das trainierte Modell schätzte die Wandstärke (WT) anhand der bei verschiedenen Durchflussraten und Konzentrationen erhaltenen Messwerte genau. Die über den gesamten Ellenbogenabschnitt berechneten maximalen Fehler betrugen \(0,7535\%\), \(0,6359\%\) und \(0,5363\%\) in den Szenarien 1, 2 und 3. Darüber hinaus wurden RMSE und MAE aller Pins in jedem Szenario berechnet, wobei der maximale RMSE-Wert 0,0271 und der maximale MAE-Wert 0,0266 betrug. Die erzielten vielversprechenden Ergebnisse motivieren zur weiteren Erforschung und Implementierung eines Online-ANN-basierten Tools zur Echtzeitvorhersage der verbleibenden WT in SS-Ellbogen. Außerdem wird es interessant sein, in zukünftigen Arbeiten andere Ansätze des maschinellen Lernens zu vergleichen, um die verbleibende WT verschiedener SS-Ellenbogen abzuschätzen. Dieses Tool würde wertvolle Erkenntnisse für die Wartung und das Integritätsmanagement in industriellen Anwendungen liefern.

Die im Rahmen der aktuellen Studie generierten und/oder analysierten Datensätze sind aufgrund der Vertraulichkeit nicht öffentlich zugänglich, können aber auf begründete Anfrage beim entsprechenden Autor angefordert werden.

Yuan, X.-X., Pandey, M. & Bickel, G. Ein probabilistisches Modell der Wandverdünnung in Candu-Speisern aufgrund strömungsbeschleunigter Korrosion. Nukl. Ing. Des. 238, 16–24 (2008).

Artikel CAS Google Scholar

Vanaei, H., Eslami, A. & Egbewande, A. Ein Überblick über Pipeline-Korrosion, Inline-Inspektion (ILI) und Korrosionswachstumsratenmodelle. Int. J. Press. Gefäße Pip. 149, 43–54 (2017).

Artikel CAS Google Scholar

Heidary, R., Gabriel, SA, Modarres, M., Groth, KM & Vahdati, N. Ein Überblick über datengesteuerte Lochfraßwachstumsmodelle für Öl- und Gaspipelines, die für die Prognose und das Gesundheitsmanagement anwendbar sind. Int. J. Prognost. Gesundheitsmanagement. 9, 25 (2018).

Google Scholar

Papavinasam, S., Revie, RW, Friesen, WI, Doiron, A. & Panneerselvan, T. Überprüfung von Modellen zur Vorhersage interner Lochfraßkorrosion von Öl- und Gaspipelines. Corros. Rev. 24, 173–230 (2006).

Artikel CAS Google Scholar

Xie, M. & Tian, Z. Ein Überblick über das Pipeline-Integritätsmanagement unter Verwendung von Inline-Inspektionsdaten. Ing. Scheitern. Anal. 92, 222–239 (2018).

Artikel Google Scholar

Choi, Y.-S., Nesic, S. & Ling, S. Wirkung von H2S auf die CO2-Korrosion von Kohlenstoffstahl in sauren Lösungen. Elektrochim. Acta 56, 1752–1760 (2011).

Artikel CAS Google Scholar

Verink, E. & Heidersbach, R. Bewertung der Tendenz zur Entlegierung in Metallsystemen. Proz. ASTM 72, 303–322 (1972).

Google Scholar

Chen, J. Energieressource. Technol. Trans. ASME 128, 70–78 (2006).

Artikel CAS Google Scholar

Zeng, L., Guo, Corros. Wissenschaft. 144, 258–265 (2018).

Artikel ADS CAS Google Scholar

Shadley, J., Shirazi, S., Dayalan, E., Ismail, M. & Rybicki, E. Erosion-Korrosion eines Kohlenstoffstahlbogens in einer Kohlendioxidumgebung. Korrosion 52, 25 (1996).

Artikel Google Scholar

Hu, X. & Neville, A. CO2-Erosion-Korrosion von Pipeline-Stahl (API x65) unter Öl- und Gasbedingungen – ein systematischer Ansatz. Tragen Sie 267, 2027–2032 (2009).

Artikel CAS Google Scholar

Parsi, M. et al. CFD-Simulation der Sandpartikelerosion unter Mehrphasenströmungsbedingungen. Tragen Sie 376, 1176–1184 (2017).

Artikel Google Scholar

Vieira, RE, Parsi, M., Zahedi, P., McLaury, BS & Shirazi, SA Sanderosionsmessungen unter mehrphasigen ringförmigen Strömungsbedingungen in einem horizontal-horizontalen Bogen. Pulvertechnologie. 320, 625–636 (2017).

Artikel CAS Google Scholar

Owen, J. et al. Entwurf eines Winkelstücks für integrierte gravimetrische, elektrochemische und akustische Emissionsmessungen in Erosions-Korrosions-Rohrströmungsumgebungen. Tragen Sie 428, 76–84 (2019).

Artikel Google Scholar

Khan, R., Ya, H. & Pao, W. Eine experimentelle Studie zur Erosions-Korrosions-Leistung von 90-Grad-Bogenrohren aus Kohlenstoffstahl AISI 1018 und Edelstahl AISI 304l. Metalle 9, 1260 (2019).

Artikel CAS Google Scholar

Dai, Y., Zheng, Nukl. Ing. Technol. 53, 3474–3490 (2021).

Artikel CAS Google Scholar

Wan, T. & Saito, S. Strömungsbeschleunigte Korrosion von Edelstahl des Typs 316l, verursacht durch turbulente eutektische Blei-Wismut-Strömung. Metalle 8, 627 (2018).

Artikel Google Scholar

Soomro, AA et al. Integritätsbewertung korrodierter Öl- und Gaspipelines mithilfe maschinellen Lernens: Eine systematische Überprüfung. Ing. Scheitern. Anal. 131, 105810 (2022).

Artikel CAS Google Scholar

Lo, M., Karuppanan, S. & Ovinis, M. Ausfalldruckvorhersage einer korrodierten Rohrleitung mit in Längsrichtung interagierenden Korrosionsfehlern, die kombinierten Belastungen unter Verwendung von fem und ann ausgesetzt sind. J. Mar. Sci. Ing. 9, 281 (2021).

Artikel Google Scholar

Vijaya Kumar, SD, Karuppanan, S. & Ovinis, M. Vorhersage des Ausfalldrucks einer hochfesten Rohrleitung mit einem einzelnen Korrosionsdefekt, der kombinierten Belastungen ausgesetzt ist, unter Verwendung eines künstlichen neuronalen Netzwerks (ann). Metalle 11, 373 (2021).

Artikel Google Scholar

Wang, C., Li, W., Wang, Y., Xu, S. & Yang, X. Chloridinduzierte Streustromkorrosion von q235a-Stahl und Vorhersagemodell. Konstr. Bauen. Mater. 219, 164–175 (2019).

Artikel CAS Google Scholar

Altabey, WA et al. Deep-Learning-basierte Rissidentifizierung für Stahlrohrleitungen durch Extrahieren von Merkmalen aus der 3D-Schattenmodellierung. Appl. Wissenschaft. 11, 6063 (2021).

Artikel CAS Google Scholar

Zhi, Y., Yang, T. & Fu, D. Ein verbessertes Tiefwaldmodell zur Vorhersage der atmosphärischen Korrosionsrate niedriglegierter Stähle im Freien. J. Mater. Wissenschaft. Technol. 49, 202–210 (2020).

Artikel CAS Google Scholar

Liu, X. et al. Eine ANN-basierte Methode zur Vorhersage des Versagensdrucks für erdverlegte hochfeste Rohre mit Streustromkorrosionsdefekten. Energiewissenschaft. Ing. 8, 248–259 (2020).

Artikel Google Scholar

Li, F., Wang, W., Prozesssicher. Umgebung. Prot. 122, 23–32 (2019).

Artikel CAS Google Scholar

Shaik, NB, Sayani, JKS, Benjapolakul, W., Asdornwised, W. & Chaitusaney, S. Experimentelle Untersuchung und ANN-Modellierung zur CO2-Hydratkinetik in Mehrphasen-Pipelinesystemen. Wissenschaft. Rep. 12, 13642 (2022).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Shaik, NB et al. Auf einem wiederkehrenden neuronalen Netzwerk basierendes Modell zur Abschätzung des Lebenszustands einer Trockengaspipeline. Prozesssicher. Umgebung. Prot. 164, 639–650 (2022).

Artikel CAS Google Scholar

Shaik, NB, Pedapati, SR & Dzubir, FAB Vorhersage der verbleibenden Nutzungsdauer eines Rohrleitungssystems mithilfe künstlicher neuronaler Netze: Eine Fallstudie. Ain Shams Eng. J. 13, 101535 (2022).

Artikel Google Scholar

Ossai, CI Ein datengesteuerter maschineller Lernansatz zur Korrosionsrisikobewertung – eine vergleichende Studie. Big Data Cogn. Berechnen. 3, 28 (2019).

Artikel Google Scholar

Zhou, D. et al. Vibrationsbasierte Fehlerdiagnose des Erdgaskompressors mittels adaptiver stochastischer Resonanz, realisiert durch generative gegnerische Netzwerke. Ing. Scheitern. Anal. 116, 104759 (2020).

Artikel Google Scholar

Shaik, NB, Pedapati, SR, Othman, A., Bingi, K. & Dzubir, FAA Ein intelligentes Modell zur Vorhersage des Lebenszustands von Rohölpipelines mithilfe künstlicher neuronaler Netze. Neuronale Berechnung. Appl. 33, 14771–14792 (2021).

Artikel Google Scholar

Kubisztal, J., Kubisztal, M. & Haneczok, G. Korrosionsschäden an 316l-Stahloberflächen untersucht mit statistischen Methoden und künstlichem neuronalem Netzwerk. Mater. Corros. 71, 1842–1855 (2020).

Artikel CAS Google Scholar

Memon, AM, Salman, UT, Hamzat, AK & AlHems, LM Neuronale Netzwerkmethode zur Modellierung der Korrosion von SS 316L-Krümmern basierend auf der Kartierung elektrischer Felder. Corros. Rev. 40, 383–391 (2022).

Artikel CAS Google Scholar

Andritsos, N. & Karabelas, A. Kalziumkarbonatablagerungen in einem Plattenwärmetauscher in Gegenwart von Partikeln. Int. J. Wärme-Massentransf. 46, 4613–4627 (2003).

Artikel CAS Google Scholar

Ahmed, WH, Bello, MM, El Nakla, M. & Al Sarkhi, A. Strömung und Stoffübergang stromabwärts einer Öffnung unter strömungsbeschleunigten Korrosionsbedingungen. Nukl. Ing. Des. 252, 52–67 (2012).

Artikel CAS Google Scholar

Ahmed, WH, Bello, MM, El Nakla, M., Al Sarkhi, A. & Badr, HM Experimentelle Untersuchung strömungsbeschleunigter Korrosion unter Zweiphasenströmungsbedingungen. Nukl. Ing. Des. 267, 34–43 (2014).

Artikel CAS Google Scholar

El-Gammal, M. et al. Die hydrodynamischen Effekte der Einphasenströmung auf die Strömung beschleunigten die Korrosion in einem 90-Grad-Bogen. Nukl. Ing. Des. 240, 1589–1598 (2010).

Artikel CAS Google Scholar

Gurney, K. Eine Einführung in neuronale Netze (CRC Press, 2018).

Buchen Sie Google Scholar

Ding, L., Rangaraju, P. & Poursaee, A. Anwendung der verallgemeinerten neuronalen Regressionsnetzwerkmethode zur Korrosionsmodellierung von im Boden eingebettetem Stahl. Böden gefunden. 59, 474–483 (2019).

Artikel Google Scholar

Jiménez-Come, MJ, Turias, IJ & Ruiz-Aguilar, JJ Ein zweistufiges Modell basierend auf künstlichen neuronalen Netzen zur Bestimmung des Lochfraßkorrosionsstatus von Edelstahl 316l. Corros. Rev. 34, 113–125 (2016).

Artikel Google Scholar

Jiménez-Come, MJ, de las Luz Martín, M., Matres, V. & Baladés, JDM Der Einsatz künstlicher neuronaler Netze zur Modellierung des Lochfraßverhaltens von Edelstahl EN 1.4404 in Meeresumgebungen: Datenanalyse und neue Entwicklungen. Corros. Rev. 38, 339–353 (2020).

Artikel Google Scholar

Petković, DL, Madić, MJ & Radenković, GM Die Auswirkungen von Passivierungsparametern auf das Lochfraßpotenzial von biomedizinischem Edelstahl. Chem. Ind. Chem. Ing. Q. 23, 121–129 (2017).

Artikel Google Scholar

Ramana, K. et al. Einfluss verschiedener Umgebungsparameter auf das Lochfraßverhalten von Edelstahl AISI Typ 316l: Experimentelle Studien und neuronale Netzwerkmodellierung. Mater. Des. 30, 3770–3775 (2009).

Artikel CAS Google Scholar

Jiménez-Come, M., Turias, I., Ruiz-Aguilar, J. & Trujillo, F. Charakterisierung der Lochfraßkorrosion von Edelstahl mithilfe künstlicher neuronaler Netze. Mater. Corros. 66, 1084–1091 (2015).

Artikel Google Scholar

Paul, S. Modellierung unvorhersehbarer Ausfälle von Baumaterial 304 im Meerwasser durch Lochfraßkorrosion und Simulation der Chloridionenverteilung mit der Finite-Elemente-Methode. Multidisziplinär. Modell. Mater. Struktur. 20, 20 (2016).

Google Scholar

Li, Z., Lu, Y. & Wang, X. Modellierung der Wachstumsraten von Spannungsrisskorrosion für wichtige Strukturmaterialien von Kernkraftwerken. J. Mater. Wissenschaft. 55, 439–463 (2020).

Artikel ADS CAS Google Scholar

Guo, S., Han, E.-H., Wang, H., Zhang, Z. & Wang, J. Lebensdauervorhersage für das Spannungskorrosionsverhalten von 316l-Edelstahlkrümmern eines Kernkraftwerks. Acta Metall. Sünde. 53, 455–464 (2017).

CAS Google Scholar

Marquardt, DW Ein Algorithmus zur Kleinste-Quadrate-Schätzung nichtlinearer Parameter. J. Soc. Ind. Appl. Mathematik. 11, 431–441 (1963).

Artikel MathSciNet MATH Google Scholar

Levenberg, K. Eine Methode zur Lösung bestimmter nichtlinearer Probleme in der Methode der kleinsten Quadrate. Q. Appl. Mathematik. 2, 164–168 (1944).

Artikel MathSciNet MATH Google Scholar

Hagan, MT, Demuth, HB & Beale, M. Neural Network Design (PWS Publishing Co., 1997).

Google Scholar

Asklany, S., Mansouri, W. & Othmen, S. Levenberg-Marquardt Deep-Learning-Algorithmus zur Vorhersage von Schwefeldioxid. IJCSNS Int. J. Comput. Wissenschaft. Netw. Sicher. 19, 7 (2019).

Demuth, H. & Beale, M. Neural Network Toolbox Benutzerhandbuch (Citeseer, 2000).

Google Scholar

Alahmed, AS, Taiwo, SU, Abido, MA & Almuhaini, MM Intelligente flexible Prioritätenliste für die Neukonfiguration von Mikronetzanforderungen mithilfe eines tiefen neuronalen Netzwerks. Im Jahr 2019 IEEE Innovative Smart Grid Technologies-Asia (ISGT Asia), 3490–3495 (IEEE, 2019).

Referenzen herunterladen

Die Arbeit wird von der King Fahd University of Petroleum and Minerals (KFUPM) unterstützt.

Angewandtes Forschungszentrum für Metrologie, Standards und Tests, Forschungsinstitut, King Fahd University of Petroleum and Minerals, Dhahran, 31261, Saudi-Arabien

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

Sie können diesen Autor auch in PubMed Google Scholar suchen

AMM: Schreiben – ursprünglicher Entwurf, formale Analyse, Konzeptualisierung, Supervision, Software und schriftliche Überprüfung; IHI: Schreiben-Originalentwurf, formale Analyse, Methodik, Software und Schreiben-Rezension; und LMA: Projektverwaltung, Supervision, Schreiben, Überprüfen und Bearbeiten. Alle Autoren haben das Manuskript überprüft.

Korrespondenz mit Azhar M. Memon oder Imil Hamda Imran.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Memon, AM, Imran, IH & Alhems, LM Auf neuronalen Netzwerken basierende Korrosionsmodellierung von Edelstahlbögen 316L unter Verwendung von Kartierungsdaten des elektrischen Feldes. Sci Rep 13, 13088 (2023). https://doi.org/10.1038/s41598-023-40083-y

Zitat herunterladen

Eingegangen: 28. Februar 2023

Angenommen: 04. August 2023

Veröffentlicht: 11. August 2023

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

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.

Blog

Auf einem neuronalen Netzwerk basierende Korrosionsmodellierung eines Bogens aus Edelstahl 316L unter Verwendung von Kartierungsdaten des elektrischen Feldes