Modellazione di apprendimento automatico dei tassi di corrosione esterna predittivi del contenitore in acciaio al carbonio del combustibile nucleare esaurito nel suolo

Jun 02, 2023

Scientific Reports volume 12, numero articolo: 20281 (2022) Citare questo articolo

1063 accessi

3 Altmetrico

Dettagli sulle metriche

La corrosione del suolo è sempre una preoccupazione critica per l'ingegneria della corrosione a causa dell'influenza economica delle infrastrutture del suolo, come è stato ed è stato recentemente al centro dell'attenzione dei contenitori di combustibile nucleare esaurito. Oltre alla protezione dalla corrosione, è importante anche la previsione della corrosione del contenitore. La conoscenza avanzata del tasso di corrosione del materiale dei contenitori del combustibile nucleare esaurito in un particolare ambiente può essere estremamente utile nella scelta del miglior metodo di protezione. L’applicazione dell’apprendimento automatico (ML) alla previsione del tasso di corrosione risolve tutte le sfide dovute al numero di variabili che influenzano la corrosione del suolo. In questo studio, diversi algoritmi di ML, tra cui serie individuali, potenziamento, bagging di reti neurali artificiali (ANN), serie individuali, boosting, bagging, decisione dell'albero con rilevamento automatico dell'interazione chi-quadrato (CHAID), regressione lineare (LR) e un apprendimento d'insieme (EL) unisci l'opzione migliore che raccoglie dai 3 metodi dell'algoritmo sopra. Dalle prestazioni di ciascun modello per trovare il modello con la massima precisione è il metodo di impilamento dell'insieme. Le matrici di prestazione dell'errore assoluto medio sono mostrate in Fig. 15. Oltre ad applicare ML, la significatività delle variabili di input è stata determinata anche attraverso l'analisi di sensibilità utilizzando il criterio di importanza delle caratteristiche, e la velocità di corrosione dell'acciaio al carbonio è la più sensibile alla temperatura e al cloruro.

La corrosione del suolo ha ricevuto molta attenzione perché ci sono molti esempi di infrastrutture sotterranee come i contenitori di combustibile nucleare esaurito contenenti scorie nucleari1,2,3,4. Questa infrastruttura è essenziale e svolge un ruolo importante nella vita moderna. La conservazione a lungo termine dei rifiuti radioattivi rimane una delle principali sfide a livello mondiale. Potrebbe essere necessario immagazzinare il carburante in questi sistemi e in quelli che verranno scaricati per periodi fino a 100 anni. Esistono molti tipi di contenitori utilizzati per lo stoccaggio sotterraneo dei rifiuti come acciaio al carbonio, acciaio inossidabile, leghe di nichel e leghe di titanio... se il contenitore è corroso, rotto e non può essere sostituito dopo un lungo periodo, avrà un impatto economico significativo5 . Conoscere in anticipo il tasso di corrosione del metallo e le proprietà del terreno è molto utile per gli ingegneri per trovare metodi di protezione adeguati per la tubazione6,7,8,9. Tuttavia, prevedere la velocità di corrosione in ambienti complessi come il suolo non è facile perché l’ambiente del suolo presenta molti fattori che influenzano la velocità di corrosione, tra cui la concentrazione di sostanze chimiche nell’acqua del suolo, l’umidità e la struttura del suolo10. Matteo Stefanoni et al. hanno pubblicato uno studio di grande successo che descrive un'equazione in grado di prevedere la velocità di corrosione in funzione della porosità in cui l'acqua riempie i vuoti nel suolo11,12. Mohamed El Amine Ben Seghier et al. ha previsto il tasso di corrosione interna degli oleodotti e dei gasdotti13. Tuttavia, nessun ricercatore ha studiato i fattori che influenzano la velocità di corrosione esterna dei metalli sotterranei in base alla composizione della soluzione del suolo e alla sua temperatura.

Nel mondo moderno, quasi tutte le attività manuali possono essere automatizzate utilizzando algoritmi di apprendimento automatico14. L'apprendimento automatico (ML) ha un'ampia gamma di potenziali applicazioni industriali15,16. Il metodo di machine learning è adatto a modelli predittivi con più variabili17. Recentemente, molti campi scientifici hanno applicato l’apprendimento automatico alla previsione multidisciplinare17,18,19. Anche nel campo della corrosione, molti scienziati hanno applicato l’apprendimento automatico per prevedere la velocità di corrosione nell’atmosfera, le prestazioni degli inibitori della corrosione e il comportamento della corrosione20,21,22,23,24. Tuttavia, non ci sono molti studi focalizzati sulla previsione del tasso di corrosione dei contenitori in acciaio al carbonio nell’ambiente del suolo. I nostri studi precedenti prevedevano la previsione del tasso di corrosione dell'acciaio al carbonio in base all'influenza della concentrazione di pH, cloruro e solfato della soluzione nel suolo, utilizzando un metodo della superficie di risposta (RSM)10 e pH, cloruro e temperatura della soluzione nel suolo con diversi intervalli analizzati valori utilizzando RSM e una rete neurale artificiale (ANN)25. Il limite dei nostri studi precedenti è che ci sono solo tre fattori corrosivi.