El documento se titula "Machine learning modeling of time-dependent corrosion rates of carbon steel in presence of corrosion inhibitors" y trata sobre el uso de métodos de aprendizaje automático para modelar las tasas de corrosión en acero al carbono con el tiempo, considerando la adición de inhibidores de corrosión en diversas dosis y horarios de dosificación.
¿Cómo lo hicieron?
Los investigadores emplearon varios algoritmos de aprendizaje automático (Red Neuronal Artificial, Random Forest, Máquinas de Vectores de Soporte y K Vecinos Más Cercanos) para modelar datos experimentales de tasas de corrosión variando en el tiempo del acero suave. Utilizaron un enfoque supervisado para entrenar modelos que predicen tanto las tasas de corrosión dependientes del tiempo como las estables, basándose en extensos datos experimentales recopilados en condiciones controladas.
¿Qué obtuvieron?
Descubrieron que el modelo Random Forest fue el más efectivo para predecir el perfil temporal completo de las tasas de corrosión, con un error cuadrático medio (MSE) que varía entre 0.005 y 0.093. Los modelos entrenados mostraron una alta precisión en la predicción de las tasas de corrosión, tanto en condiciones de estado estable como en variaciones temporales, incluso en experimentos con datos dispersos.
¿Cómo beneficia a la industria?
Este estudio es beneficioso para la industria, especialmente para el sector de petróleo y gas, donde se utilizan tuberías de acero al carbono que están sujetas a corrosión. La capacidad de predecir y modelar la eficacia de los inhibidores de corrosión usando aprendizaje automático puede reducir significativamente la necesidad de experimentación costosa y tiempo intensivo, permitiendo una gestión más eficiente y predictiva del mantenimiento de infraestructuras críticas. Además, ayuda a optimizar la dosificación y los horarios de los inhibidores para maximizar su efectividad, lo cual es crucial para prolongar la vida útil de las instalaciones y reducir los costos operativos y de mantenimiento.
Mohammadreza Aghaaminiha a, Ramin Mehrani b, Martin Colahan a, Bruce Brown a,
Marc Singer a, Srdjan Nesic a, Silvia M. Vargas c, Sumit Sharma a,*
Te invitamos a tomar nuestro próximo curso:
コメント