blog

Jul 19, 2023

Modelagem de corrosão baseada em rede neural de cotovelo de aço inoxidável 316L usando dados de mapeamento de campo elétrico

Relatórios Científicos volume 13, Artigo número: 13088 (2023) Cite este artigo 198 Acessos Métricas detalhes O aço inoxidável (SS) é amplamente empregado em aplicações industriais que exigem qualidade superior

Scientific Reports volume 13, Artigo número: 13088 (2023) Citar este artigo

198 acessos

Detalhes das métricas

O aço inoxidável (SS) é amplamente empregado em aplicações industriais que exigem resistência superior à corrosão. Modelar seu comportamento de corrosão em vários cenários estruturais e operacionais comuns é benéfico para fornecer informações sobre a espessura da parede (WT), levando assim a um regime preditivo de integridade de ativos. Com esse espírito, é desenvolvida uma abordagem para modelar o comportamento de corrosão do SS 316L usando redes neurais artificiais (RNAs), em que água salina em diferentes concentrações flui através de uma estrutura de cotovelo em diferentes taxas de fluxo e concentrações de sal. Os dados de tensão, corrente e temperatura são registrados de hora em hora usando pinos de mapeamento de campo elétrico (EFM) instalados na superfície do cotovelo, que servem como dados de treinamento para as RNAs. O desempenho da modelagem de corrosão é verificado comparando o WT previsto com medições reais obtidas em testes experimentais. Os resultados mostram o desempenho excepcional do modelo de RNA único proposto para prever WT. O erro é calculado comparando o WT estimado e a medição real registrada, onde o erro máximo para cada configuração varia de 0,5363 a \(0,7535\%\). Os valores RMSE e MAE de cada pino em cada configuração também são calculados de forma que os valores máximos de RMSE e MAE sejam 0,0271 e 0,0266, respectivamente. Além disso, também é relatado um relato conciso da formação de escala observada. Este estudo abrangente contribui para uma melhor compreensão da corrosão do SS 316L e oferece informações valiosas para o desenvolvimento de estratégias eficientes para prevenir a corrosão em ambientes industriais. Ao prever com precisão a perda de WT usando RNAs, esta abordagem permite o planejamento proativo da manutenção, minimizando o risco de falhas estruturais e garantindo a sustentabilidade estendida dos ativos industriais.

Os oleodutos e outras infra-estruturas constituem a espinha dorsal da economia global. É de extrema importância garantir a sua integridade estrutural, a fim de evitar paralisações e interrupções na cadeia de abastecimento. Desempenham um papel crucial no transporte de fluidos e são infra-estruturas vitais para vários sectores, incluindo centrais hidroeléctricas, marítimas, nucleares, processamento alimentar e indústrias de petróleo e gás. No entanto, essas tubulações são suscetíveis a problemas como corrosão, amassados, defeitos e rachaduras, que podem levar a falhas e representar riscos significativos à segurança. Tais falhas podem resultar em vazamentos, rupturas, acidentes fatais, danos ambientais e consequências financeiras, como reparos dispendiosos, interrupções e atrasos na produção. Para mitigar estes riscos, é essencial priorizar a manutenção e integridade dos ativos dos gasodutos, implementando inspeções regulares e práticas de manutenção. Como resultado, o campo de inspeção, avaliação, modelagem e previsão de corrosão em dutos ganhou atenção significativa tanto em ambientes acadêmicos quanto industriais. Esta área de estudo focada visa desenvolver métodos e ferramentas eficazes para avaliar e prever a corrosão de tubulações, permitindo medidas proativas para prevenir falhas e garantir a operação segura e contínua desses sistemas de infraestrutura crítica1,2,3,4,5.

A corrosão é o fenômeno mais frequente e o mecanismo grave de falha de dutos3, o que reduz significativamente a vida operacional dos dutos. Pode assumir várias formas, incluindo geral ou uniforme6, corrosão por picada, fenda, intergranular, erosão-corrosão (E-C), corrosão provocada por atividade bacteriana e fissuras induzidas pelo ambiente. A taxa de corrosão na tubulação está associada a fatores externos e internos. Alguns exemplos de fatores externos são o ambiente do local de trabalho, a composição do solo e a condensação para tubulações enterradas ou a química da água para tubulações subterrâneas. Enquanto isso, vários fatores internos que causam corrosão são a atividade do líquido que flui, o tipo de fluido transportado, a temperatura, a vazão e a tensão dos fluidos7. Neste contexto, medir com precisão a perda de espessura da parede em tubulações em tempo real e durante a operação torna-se uma tarefa crítica. Isto é particularmente relevante para tubos SS, que são propensos a corrosão acelerada e incrustações causadas por fluidos agressivos.