전기장 매핑 데이터를 이용한 스테인레스 스틸 316L 엘보우의 신경망 기반 부식 모델링

Scientific Reports 13권, 기사 번호: 13088(2023) 이 기사 인용

210 액세스

측정항목 세부정보

스테인레스강(SS)은 우수한 내식성을 요구하는 산업 응용 분야에 널리 사용됩니다. 일반적인 구조 및 다양한 운영 시나리오에서 부식 거동을 모델링하는 것은 벽 두께(WT) 정보를 제공하여 예측 자산 무결성 체제로 이어지는 데 도움이 됩니다. 이러한 정신으로 인공 신경망(ANN)을 사용하여 SS 316L의 부식 거동을 모델링하는 접근 방식이 개발되었습니다. 이를 통해 서로 다른 농도의 식염수가 서로 다른 유량과 염분 농도로 팔꿈치 구조를 통해 흐르게 됩니다. 전압, 전류 및 온도 데이터는 팔꿈치 표면에 설치된 전기장 매핑(EFM) 핀을 사용하여 매시간 기록되며, 이는 ANN의 교육 데이터로 사용됩니다. 부식 모델링의 성능은 예측된 WT와 실험 테스트에서 얻은 실제 측정값을 비교하여 검증됩니다. 결과는 WT를 예측하기 위해 제안된 단일 ANN 모델의 탁월한 성능을 보여줍니다. 오류는 추정된 WT와 기록된 실제 측정값을 비교하여 계산되며, 각 설정의 최대 오류 범위는 0.5363~\(0.7535\%\)입니다. 모든 설정에서 각 핀의 RMSE 및 MAE 값도 계산되어 RMSE 및 MAE의 최대값이 각각 0.0271 및 0.0266이 됩니다. 더욱이, 관찰된 스케일 형성에 대한 간결한 설명도 보고되었습니다. 이 포괄적인 연구는 SS 316L 부식에 대한 더 나은 이해에 기여하고 산업 환경에서 부식을 방지하기 위한 효율적인 전략을 개발하기 위한 귀중한 통찰력을 제공합니다. ANN을 사용하여 WT 손실을 정확하게 예측함으로써 이 접근 방식을 통해 사전 유지 관리 계획을 수립하고 구조적 결함 위험을 최소화하며 산업 자산의 확장된 지속 가능성을 보장할 수 있습니다.

파이프라인과 기타 인프라는 세계 경제의 중추를 형성합니다. 공급망의 가동 중단 및 중단을 방지하려면 구조적 무결성을 보장하는 것이 가장 중요합니다. 이는 유체 운송에 중요한 역할을 하며 수력 발전, 해양, 원자력 발전소, 식품 가공, 석유 및 가스 산업을 포함한 다양한 부문에 필수적인 인프라입니다. 그러나 이러한 파이프라인은 부식, 찌그러짐, 결함, 균열과 같은 문제에 취약하여 고장을 일으키고 심각한 안전 위험을 초래할 수 있습니다. 이러한 실패는 누출, 파열, 치명적인 사고, 환경 피해 및 값비싼 수리 비용, 가동 중단, 생산 지연과 같은 재정적 결과를 초래할 수 있습니다. 이러한 위험을 완화하려면 정기적인 검사 및 유지 관리 관행을 구현하여 파이프라인 자산의 유지 관리 및 무결성을 우선시하는 것이 중요합니다. 결과적으로 파이프라인 부식 검사, 평가, 모델링 및 예측 분야는 학술 및 산업 환경 모두에서 상당한 주목을 받았습니다. 이 집중 연구 분야는 파이프라인 부식을 평가하고 예측하는 효과적인 방법과 도구를 개발하여 고장을 방지하고 이러한 중요한 인프라 시스템의 지속적인 안전한 작동을 보장하기 위한 사전 조치를 취하는 것을 목표로 합니다1,2,3,4,5.

부식은 가장 빈번한 현상이자 심각한 파이프라인 고장 메커니즘3으로, 파이프라인의 작동 수명을 크게 단축시킵니다. 이는 일반 또는 균일6, 구멍, 틈, 입상간, 침식-부식(E-C), 박테리아 활동으로 인한 부식, 환경 유발 균열 등 다양한 형태로 나타날 수 있습니다. 파이프라인의 부식률은 외부 및 내부 요인과 관련이 있습니다. 외부 요인의 몇 가지 예로는 작업장 환경, 토양 구성 및 매설 파이프라인의 응결, 지하 파이프의 수질 화학 등이 있습니다. 한편, 부식을 일으키는 여러 내부 요인으로는 흐르는 액체 활동, 운반되는 유체 유형, 온도, 유속 및 유체 장력 등이 있습니다7. 이러한 맥락에서 실시간으로 그리고 작동 중에 파이프라인의 벽 두께 손실을 정확하게 측정하는 것이 중요한 작업이 됩니다. 이는 특히 거친 유체로 인해 부식이 가속화되고 스케일링이 발생하기 쉬운 SS 파이프와 관련이 있습니다.