Maschinelles Lernen zur Modellierung prädiktiver externer Korrosionsraten von Kohlenstoffstahlbehältern für abgebrannte Kernbrennstoffe im Boden

Aug 30, 2023

Wissenschaftliche Berichte Band 12, Artikelnummer: 20281 (2022) Diesen Artikel zitieren

1017 Zugriffe

3 Altmetrisch

Details zu den Metriken

Bodenkorrosion ist aufgrund des wirtschaftlichen Einflusses von Bodeninfrastrukturen immer ein kritisches Anliegen der Korrosionstechnik, wie es auch in jüngster Zeit der Schwerpunkt von Kanistern für abgebrannte Kernbrennstoffe war. Neben dem Korrosionsschutz ist auch die Korrosionsvorhersage des Kanisters wichtig. Erweiterte Kenntnisse über die Korrosionsrate von Behältermaterial für abgebrannte Kernbrennstoffe in einer bestimmten Umgebung können bei der Auswahl der besten Schutzmethode äußerst hilfreich sein. Die Anwendung von maschinellem Lernen (ML) zur Vorhersage der Korrosionsrate löst alle Herausforderungen aufgrund der Vielzahl von Variablen, die die Bodenkorrosion beeinflussen. In dieser Studie werden mehrere ML-Algorithmen verwendet, darunter Serienindividuell, Boosting, Bagging, künstliches neuronales Netzwerk (ANN), Serienindividuell, Boosting, Bagging, Chi-Quadrat-Automatik-Interaktionserkennung (CHAID), Baumentscheidung, lineare Regression (LR) und Ensemble-Lernen (EL) Füge die beste Option zusammen, die aus den drei oben genannten Algorithmusmethoden zusammengestellt wird. Um anhand der Leistung jedes Modells das Modell mit der höchsten Genauigkeit zu finden, wird die Ensemble-Stacking-Methode verwendet. Mittlere absolute Fehlerleistungsmatrizen sind in Abb. 15 dargestellt. Neben der Anwendung von ML wurde die Signifikanz der Eingabevariablen auch durch Sensitivitätsanalyse unter Verwendung des Merkmalswichtigkeitskriteriums bestimmt, und die Korrosionsrate von Kohlenstoffstahl reagiert am empfindlichsten auf Temperatur und Chlorid.

Der Bodenkorrosion wurde viel Aufmerksamkeit geschenkt, da es viele Fälle von unterirdischer Infrastruktur gibt, wie beispielsweise Kanister für abgebrannte Kernbrennstoffe, die Atommüll enthalten1,2,3,4. Diese Infrastruktur ist unverzichtbar und spielt eine wichtige Rolle im modernen Leben. Die langfristige Lagerung radioaktiver Abfälle bleibt weltweit eine große Herausforderung. Der Kraftstoff in diesen Systemen und den abzuleitenden Systemen muss möglicherweise für einen Zeitraum von bis zu 100 Jahren gelagert werden. Es gibt viele Arten von Kanistern, die für die unterirdische Abfalllagerung verwendet werden, wie z. B. Kohlenstoffstahl, Edelstahl, Nickellegierungen und Titanlegierungen. Wenn der Kanister korrodiert oder rissig ist und nach längerer Zeit nicht ersetzt werden kann, hat dies erhebliche wirtschaftliche Auswirkungen5 . Die Kenntnis der Korrosionsrate von Metall und der Eigenschaften des Bodens im Voraus ist für Ingenieure sehr hilfreich, um geeignete Schutzmethoden für die Pipeline zu finden6,7,8,9. Die Vorhersage der Korrosionsrate in komplexen Umgebungen wie dem Boden ist jedoch nicht einfach, da die Bodenumgebung viele Faktoren aufweist, die die Korrosionsrate beeinflussen, einschließlich der chemischen Konzentration im Bodenwasser, der Bodenfeuchtigkeit und der Bodenstruktur10. Matteo Stefanoni et al. haben eine sehr erfolgreiche Studie veröffentlicht, die eine Gleichung beschreibt, die die Korrosionsrate als Funktion der Porosität vorhersagen kann, bei der Wasser die Hohlräume im Boden füllt11,12. Mohamed El Amine Ben Seghier et al. prognostizierte die interne Korrosionsrate von Öl- und Gaspipelines13. Allerdings haben keine Forscher die Faktoren untersucht, die die äußere Korrosionsrate von unterirdischen Metallen basierend auf der Zusammensetzung der Bodenlösung und ihrer Temperatur beeinflussen.

In der modernen Welt können fast alle manuellen Aufgaben mithilfe von Algorithmen für maschinelles Lernen automatisiert werden14. Maschinelles Lernen (ML) hat ein breites Spektrum potenzieller industrieller Anwendungen15,16. Die Methode des maschinellen Lernens eignet sich für Vorhersagemodelle mit mehreren Variablen17. In jüngster Zeit haben viele wissenschaftliche Bereiche maschinelles Lernen auf multidisziplinäre Vorhersagen angewendet17,18,19. Selbst im Bereich der Korrosion haben viele Wissenschaftler maschinelles Lernen eingesetzt, um die Korrosionsrate in der Atmosphäre, die Leistung von Korrosionsinhibitoren und das Korrosionsverhalten vorherzusagen20,21,22,23,24. Allerdings gibt es nicht viele Studien, die sich auf die Vorhersage der Korrosionsrate von Kohlenstoffstahlkanistern in der Bodenumgebung konzentrieren. Unsere früheren Studien umfassten die Vorhersage der Korrosionsrate von Kohlenstoffstahl basierend auf dem Einfluss von pH-, Chlorid- und Sulfatkonzentration der Bodenlösung unter Verwendung einer Response-Surface-Methode (RSM)10 und pH-, Chlorid- und Temperatur der Bodenlösung mit unterschiedlichen untersuchten Bereichen Werte mithilfe von RSM und einem künstlichen neuronalen Netzwerk (ANN)25. Die Einschränkung unserer bisherigen Studien besteht darin, dass es nur drei korrosive Faktoren gibt.

Daher zielt diese Studie darauf ab, die Korrosionsrate von Kohlenstoffstahl, einem Material, das als kostengünstiger Kanister in einer Bodenumgebung verwendet wird, mit einer ganzen Reihe von Faktoren vorherzusagen, die die Korrosion unter realen Bodenbedingungen berücksichtigen, und zwar mithilfe mehrerer Algorithmen für maschinelles Lernen. Insbesondere stellt diese Arbeit die Vorhersage der Bodenkorrosion von Kohlenstoffstahlbehältern fertig und zeigt, wie maschinelles Lernen auf die Korrosionswissenschaft angewendet werden kann. Drei ML-Algorithmen und Ensemble-Lernmethoden wurden eingesetzt, um die Korrosionsrate mit Schwerpunkt auf Komponenten der Bodenlösung und deren Temperatur mithilfe der IBM SPSS-Modellierungssoftware vorherzusagen. Sie sind darauf optimiert, das Modell mit den besten Parametern zur Vorhersage der Korrosionsrate zu finden. IBM SPSS-Modellierer sind leistungsstarke Unterstützungssoftware, die maschinelles Lernen einfacher und für Nicht-Datenwissenschaftler zugänglicher macht. In dieser Studie wurden fünf Faktoren ausgewählt, die die Korrosionsrate beeinflussen, darunter pH-Wert, Chlorid, Bisulfid, Sulfat und Temperatur. Diese Studie untersucht auch die empfindlichsten Faktoren, die die äußere Korrosion im Boden beeinflussen.

Maschinelles Lernen (ML) ist eine Art künstliche Intelligenz (KI), die es Softwareanwendungen ermöglicht, Ergebnisse genauer vorherzusagen, ohne explizit programmiert zu werden26,27. ML-Algorithmen liefern uns historische Daten als Eingaben, um neue Ausgabewerte vorherzusagen. ML ist wichtig, weil es den Menschen einen Überblick über Trends bei Dingen, Ereignissen und sogar menschlichem Verhalten verschafft28. Viele der heute führenden Unternehmen machen ML zu einem zentralen Bestandteil ihrer Geschäftstätigkeit, und ML ist für viele Unternehmen zu einem bedeutenden Wettbewerbsvorteil geworden29. ML hat auch seine Grenzen, aber es gibt bereits praktische Anwendungen, bei denen maschinelles Lernen hervorragende Arbeit leistet, wie z. B. Bildverarbeitung, Textanalyse, Data Mining (DM), Videospiele und Robotik. Der ML-Ansatz ist für die Entwicklung der Korrosionswissenschaft von wesentlicher Bedeutung. Diese Studie ermittelt die Problemvorhersage der externen Korrosionsrate von Kohlenstoffstahlkanistern im Boden und wählt einen optimalen und geeigneten ML-Algorithmus aus.

Die Bibliothek der ML-Algorithmen ist sehr vielfältig30,31. Daher ist die Identifizierung eines geeigneten Algorithmus ein zentrales Thema dieser Studie. Abbildung 1 fasst zusammen, wie wir den Algorithmus für diese Studie ausgewählt haben.

Verschiedene Kategorien von Algorithmen für maschinelles Lernen.

Es gibt zwei Arten beliebter ML-Algorithmen, darunter überwachtes und unüberwachtes Lernen32. Überwachtes Lernen ist ein Algorithmus, der die Ausgabe neuer Daten auf der Grundlage bekannter Eingabe- und Ergebnispaare vorhersagt. Dieses Datenpaar wird auch als Daten und Label bezeichnet. Neben dem Aufbau starker Modelle spielen auch das Sammeln und Kennzeichnen sinnvoller Daten eine Schlüsselrolle bei der Lösung von Problemen beim überwachten Lernen. Beim unüberwachten Lernen handelt es sich hingegen um eine Gruppe von Algorithmen, die es der Maschine ermöglichen, selbstständig zu lernen und ein bestimmtes Muster oder eine bestimmte Konfiguration zu finden, die in einem unbeschrifteten Datensatz verborgen ist. Das bedeutet, dass es nur den Eingabedatensatz hat und keine Ahnung hat, was das Ergebnis ist. Mit anderen Worten geht es bei der Verwendung dieser Methoden eher um die Charakterisierung der Daten32. Überwachtes Lernen hat eine höhere Genauigkeit als unbeaufsichtigtes Lernen, und die Daten dieser Studie sind gekennzeichnet, da sie einen bestimmten Prädiktorwert und eine bestimmte Bodenkorrosionsstromdichte haben27. Daher ist der überwachte Lernalgorithmus für diese Studie durchaus anwendbar.

Der überwachte Algorithmus ist weiter in zwei Hauptteile unterteilt: Klassifizierung und Regression. Der wichtigste Unterschied zwischen Regressions- und Klassifizierungsalgorithmen besteht darin, dass ein Klassifizierungsalgorithmus häufig zur Vorhersage von Kategorien und diskreten Werten verwendet wird, während Regressionsalgorithmen häufig zur Vorhersage kontinuierlicher Werte verwendet werden. In dieser Studie handelt es sich bei der Korrosionsstromdichte um eine bestimmte Größe, daher wurde die Regressionsmethode gewählt.

Es gibt viele andere Algorithmen für regressionsüberwachtes Lernen. Welcher Algorithmus ist also am besten geeignet, um in dieser Studie Vorhersagen zu treffen? Im Bereich ML gibt es ein No-Free-Lunch-Theorem (NFL): „Alle Optimierungsalgorithmen sind gleich gut, wenn ihre Leistung über alle möglichen Probleme gemittelt wird.“ Kurz gesagt geht man davon aus, dass es keinen einzelnen besten Optimierungsalgorithmus für alle Vorhersagemodellierungsprobleme gibt33. Man kann beispielsweise nicht sagen, dass ein künstliches neuronales Netzwerk immer besser ist als ein Entscheidungsbaum oder umgekehrt, da es viele Einflussfaktoren wie die Größe und Orthogonalität des Datensatzes gibt. Daher wurden in dieser Studie mehrere gängige Algorithmen für maschinelles Lernen zur Vorhersage von Problemen mit der Bodenkorrosionsrate implementiert, damit Korrosionswissenschaftler die Implementierung jedes Typs verstehen und wissen, wie sie den optimalen Vorhersagealgorithmus finden. In dieser Studie haben wir uns auf die drei ML-Algorithmen für überwachtes Lernen mit einzelner Regression konzentriert: künstliches neuronales Netzwerk (ANN), Chi-Quadrat-automatische Interaktionserkennung (CHAID)-Baumentscheidung und lineare Regression (LR). Zusätzlich zu den ausgewählten Einzelalgorithmen wurde in dieser Studie die Ensemble-Learning-Methode (EL) angewendet, um die Vorhersageleistung zu steigern. Die EL-Methode ist ein Algorithmus, der mehrere Algorithmen zusammenführt, um eine bessere Vorhersageleistung als einzelne Algorithmen zu erzielen. Eine detailliertere Beschreibung des Ensemble-Algorithmus erfolgt im nächsten Abschnitt.

Bei der Ensemble-Lernmethode handelt es sich um die Idee, verschiedene Modelle zu kombinieren, um verschiedene Arten von Arbeiten besser bewältigen zu können. Richtig kombinierte Modelle bilden ein leistungsstarkes Hybridmodell, das die Gesamtleistung im Vergleich zur alleinigen Verwendung des Modells verbessern kann34. Abbildung 2 zeigt einfach die EL-Methoden.

Klassifizierung von Ensemble-Lernmethoden.

Es gibt zwei Arten von EL-Methoden: homogene EL-Methoden und heterogene EL-Methoden. Die homogene Ensemble-Methode ist eine Methode zum mehrfachen Aufbau eines ML-Modells mit der gleichen Menge an Trainingsdaten. Die zweite Methode ist die heterogene Ensemble-Methode, bei der ein Modell mithilfe verschiedener ML-Algorithmen erstellt wird, wobei jeder Algorithmus dieselbe Menge an Trainingsdaten verwendet. Es gibt zwei Arten von Ensemble-Homogen-Methoden: Bagging und Boosting. Beide Methoden (homogen und heterogen) werden angewendet, um die Genauigkeit der Vorhersage in der Studie zu verbessern, und die beiden Arten von Ensemble-Methoden werden im nächsten Abschnitt ausführlich beschrieben.

Wie in Abb. 3 dargestellt, können homogene Ensemble-Methoden in zwei Typen unterteilt werden: parallele Ensemble-Methoden (Bagging) und sequentielle Ensembles (Boosting). Ein Problem bei der Durchführung der Vorhersage ist eine Überanpassung aufgrund einer hohen Varianz oder eine Unteranpassung aufgrund einer zu hohen Abweichung. Um dieses Problem zu lösen, haben wir über eine Verringerung der Varianz und eine Verringerung der Verzerrung nachgedacht. Bei der Lernmethode für homogene Ensembles trägt das Einsacken dazu bei, die Varianz zu verringern, und das Boosten verringert die Verzerrung. Wenn die Methode mit einzelnen Algorithmen den Trainingsdatensatz verwendet, um das Modell mit der besten Anpassung zu erhalten, verwenden die Methoden des homogenen Ensembles (Bagging und Boosting) zufällige Trainingsdatensätze, um sie mehrmals auszuführen, um eine Ausgabe mit einer unterschiedlichen Anzahl von Modellen zu erhalten. Beim Bagging werden die schwachen Modelle unabhängig voneinander parallel trainiert, beim Boosting werden sie jedoch nacheinander trainiert. Auf diese Weise wird eine Folge von Modellen erstellt, und das Gewicht der Daten, die im vorherigen Modell falsch waren, nimmt mit jeder Wiederholung eines neuen Modells zu. Diese Gewichtsneuzuweisung hilft dem Algorithmus, die Parameter zu bestimmen, die er zur Verbesserung seiner Leistung benötigt. In dieser Studie wurden Standardlernen und homogenes Ensemble-Lernen (Bagging, Boosting) in künstlichen neuronalen Netzen verwendet. Zum Boosten bzw. Absacken wurden zehn Komponentenmodelle verwendet.

Die Architektur des Standardlernens, des homogenen Ensemble-Lernens und des heterogenen Ensemble-Lernens.

Wie in Abb. 3 dargestellt, verwendet die Methode des heterogenen Ensembles im Gegensatz zum homogenen Ensemble unterschiedliche Basisalgorithmen, um die Diversität der Menge sicherzustellen. In dieser Studie wurde nach der Ausführung standardmäßiger Lern-, Bagging- und Boosting-Methoden für jeden Algorithmus das Modell mit den besten Ergebnissen von ANN, CHAID und linearer Regression ausgewählt, um die Stapelmethode auszuführen, um die Vorhersageleistung der drei oben genannten Algorithmen zu erhöhen .

IBM SPSS Modeler ist eine führende Lösung für visuelle Datenwissenschaft und maschinelles Lernen. Dies ermöglicht Benutzern das Mining von Daten und modernen Anwendungen mit vollständigen Algorithmen und Modellen, die sofort einsatzbereit sind. Abbildung 4 zeigt die auf IBM SPSS-Modellierern ausgeführten Schritte und wie jeder Schritt ausgeführt wird. Das Ergebnis wird in den nächsten Abschnitten erläutert.

Auf IBM SPSS-Modellierern durchgeführte Schritte zur Vorhersage der externen Korrosionsrate von Kohlenstoffstahl im Boden.

Die Datenvorbereitung besteht aus drei Schritten: Daten sammeln, Daten klassifizieren und den Datensatz für Training, Tests und Validierung aufteilen. Zur Erhebung der Daten muss der Zweck der Studie definiert werden. In dieser Studie besteht das Ziel darin, die Korrosionsrate vorherzusagen, und Prädiktoren werden die Faktoren sein, die die Korrosion im Untergrund beeinflussen. Tabelle 1 fasst die Prädiktoren, Ziele und den untersuchten Bereich der Prädiktoren in dieser Studie zusammen. Obwohl viele Faktoren die Bodenkorrosion beeinflussen, ist es schwierig zu wissen, wie viele Faktoren die Korrosion im Boden beeinflussen. In dieser Kurzstudie wurde eine angemessene Anzahl von Faktoren ausgewählt, da sie für die Korrosion von Interesse sind und sich für die Durchführung des Experiments leicht anpassen lassen.

Bei der KI sind mehr Daten immer besser, da mehr Daten zu zusätzlichem Training und einem intelligenteren Modell führen. Wenn die Daten gemäß einer grundlegenden Checkliste zur Datenvorbereitung gut vorbereitet sind, sind sie für maschinelles Lernen bereit und es werden genaue Ergebnisse erzielt. In dieser Studie wurden einige Daten aus früheren Studien gesammelt und wir haben die Daten durch die Durchführung elektrochemischer Experimente in Abb. 5 ergänzt, die für ein genaues Ergebnis völlig ausreichend sind.

Drei-Elektroden-Aufbau zur Datenerfassung.

Als Arbeitselektrode wurde Kohlenstoffstahl SPW400 mit einer Zusammensetzung von 0,04 Gew.-% S, 0,04 Gew.-% P, 0,25 Gew.-% C und Rest Fe (koreanischer Standard) verwendet. Dieses Material wird häufig in der Bodenindustrie verwendet. Die Testumgebung ist entionisiertes Wasser mit Schwankungen in der chemischen Zusammensetzung und im pH-Wert. Chlorid, Bisulfid und pH-Einstellung für NaOH sowie gesättigte Boratsäuren, NaCl und Na2S wurden wie in Tabelle 1 aufgeführt verwendet. Temperaturänderungen wurden mithilfe einer Heizplatte kontrolliert. Als Arbeitselektrode verwendeten wir eine Zelle aus Kohlenstoffstahl SPW400, als Referenzelektrode eine gesättigte Kalomelelektrode und als Gegenelektrode zwei reine Graphite. Die Proben wurden mit SiC mit einer Körnung von 200–600 poliert und die Oberfläche mit Silikonpaste bedeckt, um 1 cm2 Kohlenstoffstahl freizulegen. Nachdem die Probe getrocknet war, wurde das Experiment 3 Stunden lang in OCP durchgeführt und dann potentiodynamisch von –0,25 vs. OCP auf 1 vs. OCP mit einer Scanrate von 0,166 mV/s durchgeführt. Nach dem Experiment wurde die potentiodynamische Polarisationskurve in Abb. 6 erhalten und mit der Tafel-Methode verwendet, um den Korrosionsstromdichtewert für jedes Experiment zu ermitteln. Alle gesammelten Daten sind in Tabelle 2 aufgeführt. Die Experimente 1–13 wurden in dieser Studie durchgeführt und die Experimente 14–43 wurden aus unseren früheren Studien gesammelt10,25.

Potentiodynamische Polarisationskurven von Kohlenstoffstahl mit Variation von pH-Wert, Chlorid und Bisulfid.

Nach dem Sammeln und Klassifizieren der Faktoren wurden die Datensätze im Partitionierungsschritt in Trainingssatz, Testsatz und Validierungssatz aufgeteilt. Der Trainingssatz ist der Datensatz, der zum Trainieren des Modells verwendet wird. Die Algorithmen lernen die Modelle aus diesem Trainingssatz. Der Validierungssatz wurde erstellt, um das trainierte Modell regelmäßig zu bewerten. Nach dem Training passt das Modell den Parameter basierend auf den Ergebnissen der regelmäßigen Auswertung des Validierungssatzes an. Um zu wissen, ob ein Algorithmus oder Modell gut ist oder nicht, muss das Modell nach dem Training anhand eines Testdatensatzes, auch Testsatz genannt, bewertet werden. Im Allgemeinen helfen Validierungsdaten in der Regel bei der Optimierung der Algorithmen, und Testdaten liefern die endgültige Bewertung. In dieser Studie wurden 70 % des Datensatzes als Trainingssatz, 15 % des Datensatzes als Testsatz und 15 % des Datensatzes als Validierungssatz verwendet.

Die ausgewählten Algorithmen (ANN, CHAID Tree Decision, Linear Regression, Stacking Ensemble) wurden nach dem Datenvorbereitungsschritt ausgeführt. Nachfolgend finden Sie eine detaillierte Beschreibung der Ergebnisse der einzelnen Algorithmen-Ensemble-Lernmethoden.

KNNs sind mathematische Modelle, die durch biologische Neuronen aufgebaut werden. ANNs bestehen aus Gruppen von Arbeitsplätzen und künstlichen Neuronen, die Informationen verbinden und verarbeiten können, indem sie die Verbindungen weiterleiten und dann neue Werte an den Knoten berechnen. Viele ANNs sind auch Werkzeuge zur Modellierung nichtlinearer statistischer Daten.

Die beiden Haupttypen von KNN-Architekturen sind Feed-Forward- und Feedback-Netzwerke. Beim Feed-Forward fließen Signale im neuronalen Netzwerk nur in eine Richtung, während Back-Forward wiederholt werden kann. Feedforward ist weniger rechenintensiv und gilt als weniger genau als Feedback-Netzwerke. Das traditionelle Feed-Forward-Netzwerk eignet sich zur Modellierung von Eingabedatenbeziehungen mit einer oder mehreren Ausgabeantworten, insbesondere mit Boden35,36.

Die Netzwerkarchitektur enthält die folgenden drei Schichten: die Eingabeschicht, die verborgene Schicht und die Ausgabeschicht. Nach Auswahl der Art der Netzwerkarchitektur muss die Anzahl der verborgenen Schichten und Einheiten in jeder Schicht bestimmt werden. In dieser Studie verfügt die Eingabeschicht über fünf Einheiten mit fünf Faktoren (Temperatur, Chlorid, Sulfat, Bisulfid, pH) und die Ausgabeschicht über eine Einheit zur Vorhersage der Korrosionsstromdichte von Kohlenstoffstahl. In dieser Studie haben wir eine verborgene Ebene gewählt, da diese für die meisten Probleme ausreicht. Die Anzahl der Einheiten für die verborgene Schicht kann variieren, und es gibt einige empirisch fundierte Regeln. Die übliche basiert auf „die optimale Größe der verborgenen Schicht liegt normalerweise zwischen der Größe der Eingabe und der Größe der Ausgabe“37. In dieser Studie beträgt die Eingabegröße fünf und die Ausgabegröße eins. Um das beste Modell zu ermitteln, wurde die Anzahl der verborgenen Schichteinheiten von eins bis fünf getestet.

Nach dem Aufbau der in Abb. 7 gezeigten vollständigen Netzwerkarchitektur müssen das Gewicht und die Schwellenwerte aller Neuronen bestimmt werden. Jeder Knoten xi in der Eingabeschicht ist mit jedem Knoten in der verborgenen Schicht Hj verbunden. Jeder dieser Verbindungen werden einige Gewichtungen zugewiesen, wij. An jedem Knoten in der verborgenen Schicht wurden die Gesamtgewichte der Knoten aus der Eingabeschicht wie folgt berechnet: \({F}_{j}=\sum_{i}{w}_{ij}{x}_{i} \). Der Fj-Wert wurde über eine Aktivierungsfunktion, beispielsweise eine Sigmoidalfunktion, transformiert. Dieser Vorgang wurde auf allen Schichten wiederholt und passt die Verbindungsgewichte zwischen den Knoten an, bis der mittlere quadratische Fehler minimal war und die Ausgabeschicht erreicht wurde. Backpropagation, Levenberg-Marquarts und die konjugierte Gradientenmethode waren die drei Formen von Lernalgorithmen. Ein gutes Beispiel für einen Algorithmus ist die Backpropagation (BP), die in dieser Studie verwendete Methode.

ANN-Architektur zur Vorhersage der externen Korrosionsstromdichte von Kohlenstoffstahl im Boden.

Von den drei Methoden des Standard- und Homogenensembles (Bagging und Boosting) des ANN-Algorithmus in SPSS IBM-Modellierern mit einer Änderung der Anzahl der Einheiten in der verborgenen Schicht von eins auf fünf war ANN-Boosting mit zwei Einheiten in der verborgenen Schicht mit höchster Genauigkeit durchgeführt. Der minimale Fehler, der maximale Fehler, der mittlere Fehler, der mittlere absolute Fehler (MAE), die Standardabweichung und der lineare Korrelationswert wurden verwendet, um die Genauigkeit der Validierungsdaten in Abb. 8a zu bewerten.

Leistungsbewertung und -vergleich (a) Validierungsdaten (b) Vorhersagemodell der Einzel-, Boosting- und Bagging-Modelle von ANN zur Modellierung der Ikorr von Kohlenstoffstahl im Boden mit Variationen in der Einheit der verborgenen Schicht.

Aus dem Genauigkeitstestwert jeder Anzahl von Einheiten sehen wir, dass 2 Einheiten in der Boosting-Lernmethode der beste Wert im Validierungsdatentest sind. Dies ist ein gutes Ergebnis für die Vorhersage. Daher wurden zwei Einheiten für die verborgene Schicht und die Boosting-Lernmethode zur Vorhersage der Korrosionsrate ausgewählt. In Abb. 8b sind jedoch bei der Auswertung der angepassten R-, R2- und R2-Werte die 2 Einheiten der verborgenen Schicht nicht der höchste Wert, sondern 5 Einheiten der verborgenen Schicht. Das ist nicht verwunderlich, denn vielleicht sind Trainingsdaten mit 5 Einheiten in einem verborgenen Schichtmodell mit einer guten Annäherung an experimentelle Beobachtungen besser als 2 Einheiten in einer verborgenen Schicht. Bei der Bereitstellung von Validierungsdaten zur Überprüfung des Genauigkeitsmodells haben die 2 Einheiten der verborgenen Schicht Vorrang. Und natürlich wird die 2-Einheiten-Hidden-Methode immer noch als beste Methode gewählt, da es sich bei den Validierungsdaten um die Datenmenge handelt, die nicht im Trainingsprozess enthalten ist. Und es ist das, was die Leistung des Modells bewerten kann.

Bei der Analyse der Empfindlichkeit der Faktoren in der Studie, die die Korrosionsrate beeinflussen, unter Verwendung des ANN-Modells mit zwei Einheiten in der verborgenen Schicht kann festgestellt werden, dass die Korrosionsrate am empfindlichsten gegenüber Temperatur, Chlorid und Sulfat ist, die einen großen Einfluss haben Bisulfat und pH-Wert scheinen einen sehr geringen Einfluss zu haben, wie in Abb. 910,38,39,40 gezeigt.

Diagramm für die standardisierten Auswirkungen von Temperatur, Chlorid, Sulfat, Bisulfid und pH-Wert, wie von ANN mit zwei Einheiten in der verborgenen Schicht auf die Korrosionsstromdichte von Kohlenstoffstahl im Boden vorhergesagt.

Der zweite in dieser Studie gewählte Algorithmus ist der Entscheidungsbaum. Das Lernen über Entscheidungsbäume ist einer der frühesten und bekanntesten Algorithmen für maschinelles Lernen. Entscheidungsbäume verwenden Baumstrukturen, um den Wert einer Ergebnisvariablen vorherzusagen. Das Ergebnis eines Entscheidungsbaums ist äußerst einfach zu verstehen, insbesondere für Personen ohne analytischen Hintergrund, da zum Lesen und Interpretieren keine statistischen Kenntnisse erforderlich sind.

Wie in Abb. 10 dargestellt, sind die wesentlichen Komponenten eines Entscheidungsbaummodells Knoten und Zweige, und die wichtigsten Schritte bei der Modellkonstruktion sind Teilen, Stoppen und Beschneiden. Es gibt drei Grundtypen von Knoten: Wurzelknoten, interne Knoten und Blattknoten. Der Wurzelknoten, auch Entscheidungsknoten genannt, stellt eine Auswahl dar, die zur Aufteilung der Daten in zwei oder mehr Teilmengen durch Verzweigungen führt, wenn sich mehrere Möglichkeiten ergeben. Interne Knoten, oft auch Opportunity-Knoten genannt, spiegeln die verschiedenen Optionen wider, die in der Baumstruktur verfügbar sind. Das Ergebnis wird durch einen Blattknoten dargestellt, der auch als Endknoten bezeichnet wird. Der Baum beginnt mit dem Wurzelknoten, der alle Daten enthält, und unterteilt die Knoten dann mithilfe intelligenter Strategien in verschiedene Zweige.

Einfache Entscheidungsbaumstruktur zur Vorhersage der externen Korrosionsrate von Kohlenstoffstahl im Boden.

Zusätzlich zur strukturellen Zusammensetzung des Baumes gibt es Schritte zum Erstellen der Modelle, zu denen das Teilen, Stoppen und Beschneiden gehört. Beim Erstellen eines Modells sollten zunächst die wichtigsten Eingabevariablen definiert werden, und dann sollten die Datensätze am Wurzelknoten und den nachfolgenden inneren Knoten basierend auf dem Status dieser Variablen in zwei oder mehr Kategorien oder Buckets unterteilt werden. Diese Trenntechnik wird wiederholt, bis die Halte- oder Homogenitätsbedingungen erreicht sind. In den meisten Fällen werden nicht alle möglichen Eingabevariablen zum Aufbau des Entscheidungsbaummodells verwendet. In einigen Fällen wird eine einzelne Eingabevariable viele Male auf verschiedenen Ebenen des Entscheidungsbaums verwendet. Um einen Entscheidungsbaum zusammenzustellen, wurde ein anderer Algorithmus geschrieben, der im Problem verwendet werden kann. Zu den gängigen Baumentscheidungsalgorithmen gehören Klassifizierungs- und Regressionsbäume (CART), iterative Dichotomiser 3 (ID3), C4.5 und Chi-Quadrat-Automatik-Interaktionsdetektor (CHAID). CHAID wurde in dieser Studie verwendet.

Der automatische Chi-Quadrat-Interaktionsdetektor (CHAID) ist ein Algorithmus, der mithilfe von Chi-Quadrat-Statistiken einen Entscheidungsbaum generiert, um die optimale Zerlegung zu bestimmen. Kontinuierliche Prädiktoren werden in Kategorien mit einer ungefähr gleichen Anzahl von Beobachtungen unterteilt, während kategoriale Prädiktoren in Kategorien mit einer ungefähr gleichen Anzahl von Beobachtungen unterteilt werden. Für jeden Kategorieprädiktor führt CHAID alle potenziellen Kreuztabellen durch, bis das beste Ergebnis erzielt wird und keine weitere Aufteilung mehr möglich ist. Der CHAID-Ansatz kann verwendet werden, um die Beziehungen zwischen den geteilten Variablen und dem begleitenden zugehörigen Faktor innerhalb des Baums zu visualisieren.

Drei Methoden des standardmäßigen und homogenen Ensemble-Lernens (Absacken, Boosten) wurden mit unterschiedlichen Baumtiefen angewendet. Von der maximalen Baumtiefe bis zum Wert 5 und weiter waren die vorhergesagten Werte identisch und die Anzahl der Baumtiefen wuchs erst bei Wert 5. Tabelle 4 fasst die Ergebnisse der Bewertung der drei oben genannten Modelle mit minimalem Fehler und maximalem Fehler zusammen , mittlerer Fehler, mittlerer absoluter Fehler, Standardabweichung und linearer Korrelationswert. Die Vorhersageergebnisse der Boosting-Methode mit einer Baumtiefe von 3 hatten den niedrigsten MAE-Wert und alle anderen Parameter sind die besten des Validierungsdatensatzes in Abb. 11a. Sogar die Modell-CHAID-Baumentscheidung mit einer Baumtiefe von 3 weist in Abb. 11b die meisten R-, R2- und R2-angepassten Werte auf. Daher wurde die Boosting-Ensemble-Lernmethode mit einer Baumtiefe von 3 als optimales Modell für die CHAID-Baumentscheidung ausgewählt.

Leistungsbewertung und -vergleich (a) Validierungsdaten (b) Vorhersagemodelle der Einzel-, Boosting- und Bagging-Modelle des CHAID-Entscheidungsbaums zur Modellierung der Ikorr von Kohlenstoffstahl im Boden mit Variationen in der Anzahl der Baumtiefen.

Was die Bewertung der Empfindlichkeit des CHAID-Baumentscheidungsmodells gegenüber den Faktoren betrifft, ist die Temperatur weiterhin der dominierende Faktor, der die Geschwindigkeit der Bodenkorrosion beeinflusst. Chlorid und Sulfat rangierten an zweiter Stelle, während pH-Wert und Bisulfat die beiden geringsten Einflussfaktoren blieben, wie in Abb. 12 dargestellt.

Diagramm für die standardisierten Auswirkungen von Temperatur, Chlorid, Sulfat, Bisulfid und pH, wie von CHAID Tree Decision mit drei Baumtiefen vorhergesagt, auf die Korrosionsstromdichte von Kohlenstoffstahl im Boden.

Der letzte in dieser Studie angewendete Algorithmus ist die lineare Regression (LR). Bei der einfachen linearen Regression wird eine Prädiktorvariable (X) zur Modellierung der Antwortvariablen (Y) verwendet. In diesem Fall wurde die Reaktionsvariable der Korrosionsstromdichte von Kohlenstoffstahl jedoch von mehr als einer Prädiktorvariablen beeinflusst. Daher muss der multiple lineare Regressionsalgorithmus verwendet werden. Multiple lineare Regressionsalgorithmen sind eine Methode zur Untersuchung der Beziehung zwischen vielen Prädiktorvariablen und einer Antwortvariablen. Es wird häufig zur Vorhersage beim maschinellen Lernen für überwachtes Lernen verwendet. Basierend auf den gegebenen Datenpunkten versucht es, eine Linie zu zeichnen, die die besten Punkte modelliert, und sein Hauptziel in diesem Algorithmus besteht darin, die beste Anpassungslinie zu finden. Die allgemeine Formel des multiplen linearen Regressionsmodells lautet:

In dieser Studie ist Y (Korrosionsstromdichte) = Ausgabe-/Antwortvariable, \(\beta =\) Koeffizienten des Modells. X1 (Temperatur), X2 (Chlorid), X3 (pH), X4 (Sulfat) und X5 (Bisulfid) sind die unabhängigen Variablen. Nachdem die beschrifteten Daten in die Software eingegeben wurden, wurde eine Gleichung erhalten:

Da lineare Regressionsalgorithmen Daten verwenden, um die Gleichung anzupassen, erzeugt eine zufällige Menge desselben Datensatzes immer noch dieselbe Gleichung, und das Lernen homogener Ensembles ist bei diesem Algorithmus nicht effektiv. Die Genauigkeit der Gleichung ist in Tabelle 3 aufgeführt.

Der R-Wert stellt die Korrelation dar und betrug 92,8 %, was auf einen sehr hohen Korrelationsgrad hinweist. Der R2-Wert gibt den Prozentsatz der Gesamtvariation der Antwortvariablen an.

Wie in Tabelle 4 gezeigt, meldet ANOVA die Anpassung der Regressionsgleichung an die Daten und zeigt, dass das Regressionsmodell die Antwortvariable gut vorhersagt. Die Regressionszeile und die Spalte „Sig“ zeigen die statistische Signifikanz des ausgeführten Regressionsmodells. Hier bedeutet p < 0,05, dass das Regressionsmodell die statistische Signifikanz der Antwortvariablen vorhersagt (es passt zu den Daten). Um die statistische Signifikanz der Anpassung des gesamten Regressionsmodells zu bestätigen, wurde der erhaltene F-Wert mit dem F-kritischen Wert verglichen. Der F-kritische Wert in der F-Verteilung wurde durch den Grenzwert zwischen den Spalten Freiheitsgrade (df) des F-Zählers und df des Nenners oder Fehlers von F bestimmt.

df des F-Zählers = Anzahl der Beta-Parameter im Regressionsmodell – 1 = 6 − 1 = 5

df von F Nenner = n – Anzahl der Beta-Parameter im Regressionsmodell = 43 − 6 = 37.

Wenn man in der 5 %-Verteilung nach oben schaut, liegt der F-kritische Wert (df des F-Zählers, df des F-Nenners) zwischen 2,534 und 2,450. Das Ergebnis der F-Test-Gesamtpanel-ANOVA betrug 45,881, was deutlich über dem F-kritischen Wert liegt. Dies weist darauf hin, dass das gesamte Regressionsmodell statistisch signifikant war und die Variablen pH, Chlorid, Bisulfat, Sulfat und Temperatur wichtige Prädiktoren für die Reaktionsvariable der Korrosionsrate sind.

Tabelle 5 liefert die Informationen, die zur Vorhersage der Korrosionsrate aus den fünf Faktoren erforderlich sind, und um anhand der Sig zu bestimmen, ob diese fünf erklärenden Variablen in statistisch signifikanter Weise zum Modell beitragen. Spalte. In Tabelle 5 zeigen die Ergebnisse, dass es drei Koeffizienten für Chlorid, Temperatur und Sulfat gibt, die statistisch signifikant sind (p < 0,05). Darüber hinaus können die Werte in Spalte B in der Spalte „Unstandardisierte Koeffizienten“ verwendet werden. Da die Werte in dieser Studie jedoch unterschiedliche Einheiten haben, ist es am sinnvollsten, standardisierte Koeffizienten zu verwenden. Das wichtige Ergebnis MAE der linearen Regression beträgt 3,696, was ein ziemlich guter Wert ist.

Bei der Bewertung des Einflusses der Forschungsfaktoren in LR ist die Temperatur immer noch der Faktor, der die Korrosionsrate von Kohlenstoffstahl am empfindlichsten beeinflusst. In Abb. 13 erhöht Chlorid den Einfluss auf die Korrosionsrate von Kohlenstoffstahl stärker als die beiden oben genannten Algorithmen, und die verbleibenden drei Faktoren haben immer noch einen geringen Einfluss auf die Korrosionsrate.

Diagramm für die standardisierten Auswirkungen von Temperatur, Chlorid, Sulfat, Bisulfid und pH, wie von LR auf die Korrosionsstromdichte von Kohlenstoffstahl im Boden vorhergesagt.

Alle drei Einzelalgorithmen und homogenen Algorithmen in dieser Studie sind einfach und leicht zu implementieren und die Vorhersageergebnisse sind ziemlich genau. In diesem Abschnitt wurde jedoch die heterogene Ensemble-Lernmethode angewendet, um die Genauigkeit so weit wie möglich zu verbessern.

Gemäß Abb. 14a liefert die Boosting-Methode von ANN mit 2 Einheiten in der verborgenen Schicht das beste Ergebnis mit einem MAE von 3,797. Die Verstärkung von CHAID mit einer Baumtiefe von 3 liefert die besten Ergebnisse im CHAID-Entscheidungsbaumalgorithmus mit einem MAE von 3,457, und die Vorhersageergebnisse der linearen Regression zeigten einen MAE von 3,696. Beim Vergleich der drei Algorithmen scheint der CHAID-Entscheidungsbaum die besten Vorhersageergebnisse zu liefern. Allerdings wurde heterogenes Ensemble-Lernen implementiert, um einen besseren Vorhersagewert zu erzielen und das Modell zu verbessern. Tatsächlich ergeben die drei oben am besten ausgewählten Modelle zusammen ein Modell mit einem MAE-Wert von 3,259, dem kleinsten Wert aller in dieser Studie verwendeten Modelle. Bei allen anderen Werten ist die Stacking-Ensemble-Methode immer noch das Modell mit der höchsten Genauigkeit sogar in Abb. 14b und zusammenfassenden MAE-Leistungsmatrizen in Abb. 15. Die angepassten R-, R2- und R2-Werte der Stacking-Ensemble-Methode sind immer noch das beste Modell. Die Trainingsergebnisse der vier Modelle und die Überprüfung der Vorhersageergebnisse mit dem Validierungsdatensatz sind in Abb. 16 dargestellt.

Leistungsbewertung und -vergleich (a) Validierungsdaten (b) Methodenmodell.

Mittlere absolute Fehlerleistungsmatrizen zur Vorhersage der Korrosion von Kohlenstoffstahl im Boden.

Vorhergesagter Wert im Vergleich zur gemessenen externen Korrosionsrate (a) Trainingsdaten (b) Testdaten von Kohlenstoffstahl im Boden.

Abschließend werden die beiden Hauptfaktoren, die die Korrosionsrate von Kohlenstoffstahl in Bezug auf Bodentemperatur und Chlorid beeinflussen, auf der Reaktionsoberfläche und der Konturoberfläche gemäß dem Modell der Stapel-Ensemble-Methode in Abb. 17 dargestellt.

Einfluss von zwei Hauptfaktoren (Temperatur, Chlorid) auf die Korrosionsrate von Kohlenstoffstahl im Boden.

Der Zweck dieser Arbeit bestand darin, ein optimiertes Modell zur Vorhersage der externen Korrosionsrate von Kohlenstoffstahlkanistern im Boden zu erstellen. Nach der Durchführung einer Reihe von Modellen, um das genaueste Modell zu finden, wurde die Ensemble-Learning-Stacking-Methode als optimale Methode zur Verhaltensvorhersage anhand des untersuchten Datensatzes identifiziert. Obwohl die Methode eine hervorragende Genauigkeit bei den vorhergesagten Werten in diesem Datensatz zur Vorhersage der Korrosionsrate außerhalb der Pipeline zeigte, bedeutet dies nicht, dass diese Methode in allen Fällen die beste ist. Daher müssen für jeden unterschiedlichen Datensatz mehrere Modelle ausgewertet werden, um das optimale Modell zu finden. Um die Zuverlässigkeit des Modells zu verbessern, ist es notwendig, eine große Menge an Daten zum Korrosionsboden bereitzustellen und mehr Prädiktoren bereitzustellen, die sich auf die Bodenkorrosion auswirken, z. B. Feuchtigkeit und Porosität. Neben der Anwendung des ML wurde die Bedeutung der Eingabevariablen auch durch Sensitivitätsanalyse bestimmt, und die Korrosionsrate von Kohlenstoffstahl reagiert am empfindlichsten auf Temperatur und Chlorid.

Die Autoren bestätigen, dass die Daten, die die Ergebnisse dieser Studie stützen, im Artikel verfügbar sind. Rohdaten, die die Ergebnisse dieser Studie stützen, sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Zhou, Z. et al. Beschleunigende Rolle des mikrobiellen Films bei der Bodenkorrosion von Rohrleitungsstahl. Int. J. Press. Gefäße Pip. 192, 104395 (2021).

Artikel CAS Google Scholar

Liu, H., Dai, Y. & Cheng, YF Korrosion von unterirdischen Rohrleitungen in Lehmböden mit unterschiedlichen Bodenschichtdicken und Belüftungen. Araber. J. Chem. 13(2), 3601–3614 (2020).

Artikel CAS Google Scholar

Zhang, Q. et al. Langzeit-Korrosionsabschätzung von Kohlenstoffstahl, Titan und seinen Legierungen im Verfüllmaterial aus verdichtetem Bentonit für das Endlager für Atommüll. Wissenschaft. Rep. 9(1), 1–18 (2019).

ADS Google Scholar

King, F. Materialien für Atommüllbehälter: Korrosionsverhalten und Langzeitleistung in geologischen Endlagersystemen. In Geological Repository Systems for Safe Disposal of Sunt Nuclear Fuels and Radioactive Waste 365–408 (Elsevier, 2017).

Kapitel Google Scholar

Davis, J. Die Auswirkungen und wirtschaftlichen Auswirkungen von Korrosion. Korrosion: Understanding the Basics 1. Auflage, 1–21 (ASM International Press, 2000).

Buchen Sie Google Scholar

Cai, Y., Xu, Y., Zhao, Y. & Ma, X. Vorhersage der atmosphärischen Korrosion: Eine Übersicht. Corros. Rev. 38, 299–321 (2020).

Artikel CAS Google Scholar

El Maaddawy, T. & Soudki, K. Ein Modell zur Vorhersage der Zeit vom Korrosionsbeginn bis zur Korrosionsrissbildung. Zementkonz. Kompositionen. 29(3), 168–175 (2007).

Artikel Google Scholar

Otieno, M., Beushausen, H. & Alexander, M. Vorhersage der Korrosionsrate in Stahlbetonkonstruktionen – Eine kritische Überprüfung und vorläufige Ergebnisse. Mater. Corros. 63(9), 777–790 (2012).

CAS Google Scholar

Biezma, MV, Agudo, D. & Barron, G. Eine Fuzzy-Logik-Methode: Vorhersage der externen Korrosionsrate von Rohrleitungen. Int. J. Press. Gefäße Pip. 163, 55–62 (2018).

Artikel Google Scholar

Chung, NT, So, Y.-S. & Kim, J. Bewertung des Einflusses der Kombination von pH-Wert, Chlorid und Sulfat auf das Korrosionsverhalten von Rohrleitungsstahl im Boden mithilfe der Response-Surface-Methode. Materialien 14(21), 6596 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Stefanoni, M., Angst, UM & Elsener, B. Kinetik der elektrochemischen Auflösung von Metallen in porösen Medien. Nat. Mater. 18(9), 942–947 (2019).

Artikel ADS CAS PubMed Google Scholar

Stefanoni, M., Angst, UM & Elsener, B. Elektrochemie und Kapillarkondensationstheorie enthüllen den Korrosionsmechanismus in dichten porösen Medien. Wissenschaft. Rep. 8(1), 1–10 (2018).

Artikel CAS Google Scholar

Seghier, MEAB, Höche, D. & Zheludkevich, M. Vorhersage der internen Korrosionsrate für Öl- und Gaspipelines: Implementierung von Ensemble-Lerntechniken. J. Nat. Gaswissenschaft. Ing. 99, 104425 (2022).

Artikel Google Scholar

Ray, S. Ein kurzer Überblick über Algorithmen für maschinelles Lernen. Im Jahr 2019 Internationale Konferenz über maschinelles Lernen, Big Data, Cloud und Parallel Computing (COMITCon) (IEEE, 2019).

Google Scholar

Gandhi, S., Mosleh, W., Shen, J. & Chow, C.-M. Automatisierung, maschinelles Lernen und künstliche Intelligenz in der Echokardiographie: Eine schöne neue Welt. Echokardiographie 35(9), 1402–1418 (2018).

Artikel PubMed Google Scholar

Das, S., Dey, A., Pal, A. & Roy, N. Anwendungen künstlicher Intelligenz beim maschinellen Lernen: Rückblick und Ausblick. Int. J. Comput. Appl. 115(9), 31–41 (2015).

Google Scholar

Idowu, S., Saguna, S., Christer, A. & Olov, S. Angewandtes maschinelles Lernen: Vorhersage der Wärmelast im Fernwärmesystem. Energieaufbau. 133, 478–488 (2016).

Artikel Google Scholar

Marcelino, P., de LurdesAnTunes, M., Fortunato, E. & Castilho Gomes, M. Ansatz des maschinellen Lernens zur Vorhersage der Fahrbahnleistung. Int. J. Pavement Eng. 22(3), 341–354 (2021).

Artikel Google Scholar

Ahmed, AN et al. Methoden des maschinellen Lernens für eine bessere Vorhersage der Wasserqualität. J. Hydrol. 578, 124084 (2019).

Artikel Google Scholar

Ceolho, LB et al. Überprüfung des maschinellen Lernens zur Korrosionsvorhersage aus einer datenorientierten Perspektive. npj Mater. Degrad. 6(1), 1–16 (2022).

Google Scholar

Yan, L., Diao, Y., Lang, Z. & Gao, K. Vorhersage der Korrosionsrate und Bewertung der Einflussfaktoren von niedriglegierten Stählen in der Meeresatmosphäre mithilfe eines maschinellen Lernansatzes. Wissenschaft. Technol. Adv. Mater. 21(1), 359–370 (2020).

Artikel CAS PubMed PubMed Central Google Scholar

Diao, Y., Yan, L. & Gao, K. Verbesserung des auf maschinellem Lernen basierenden Modells zur Vorhersage der Korrosionsrate durch Optimierung von Eingabemerkmalen. Mater. Des. 198, 109326 (2021).

Artikel CAS Google Scholar

Winkler, DA Vorhersage der Leistung organischer Korrosionsinhibitoren. Metals 7(12), 553 (2017).

Artikel Google Scholar

Mythreyi, OV, Rohith Srinivaas, M., Kumar, TA & Jayaganthan, R. Auf maschinellem Lernen basierende Vorhersage des Korrosionsverhaltens in additiv gefertigtem Inconel 718. Daten 6(8), 80 (2021).

Artikel Google Scholar

Chung, NT, Choi, S. & Kim, J. Vergleich von Reaktionsoberflächenmethoden und künstlichen neuronalen Netzwerkansätzen zur Vorhersage der Korrosionsrate von Kohlenstoffstahl im Boden. J. Elektrochem. Soc. 2022(169), 051503 (2022).

Artikel Google Scholar

Goldenberg, SL, Nir, G. & Salcudean, SE Eine neue Ära: Künstliche Intelligenz und maschinelles Lernen bei Prostatakrebs. Nat. Rev. Urol. 16(7), 391–403 (2019).

Artikel PubMed Google Scholar

Shahani, NM, Kamran, M., Zheng, Adv. Zivil. Ing. 2021, 1–19 (2021).

Artikel Google Scholar

Vellido, A. Die Bedeutung von Interpretierbarkeit und Visualisierung beim maschinellen Lernen für Anwendungen in der Medizin und im Gesundheitswesen. Neuronale Berechnung. Appl. 32(24), 18069–18083 (2020).

Artikel Google Scholar

Weber, F. & Schütte, R. Eine domänenorientierte Analyse der Auswirkungen von maschinellem Lernen – Der Fall des Einzelhandels. Big Data Cogn. Berechnen. 3(1), 11 (2019).

Artikel Google Scholar

Ullah, B., Kamran, M. & Rui, Y. Prädiktive Modellierung kurzfristiger Felsbrüche für die Stabilität unterirdischer Strukturen mithilfe maschineller Lernansätze: T-SNE, K-Means-Clustering und XGBoost. Mathematik 10(3), 449 (2022).

Artikel Google Scholar

Kamran, M. Eine hochmoderne Catboost-basierte T-verteilte stochastische Nachbareinbettungstechnik zur Vorhersage des Rückbruchs im Dewan-Zementkalksteinbruch. J. Min. Umgebung. 12(3), 679–691 (2021).

Google Scholar

Nasteski, V. Ein Überblick über die überwachten maschinellen Lernmethoden. Horizonte 4, 51–62 (2017).

Artikel Google Scholar

Adam, SP, Alexandropoulos, S.-AN, Pardalos, PM & Vrahatis, MN No-Free-Lunch-Theorem: Eine Rezension. Ca. Optim. 2019, 57–82 (2019).

Artikel MathSciNet MATH Google Scholar

Kamran, M. Ein probabilistischer Ansatz zur Vorhersage des Bohrratenindex mithilfe der Ensemble-Lerntechnik. J. Min. Umgebung. 12(2), 327–337 (2021).

Google Scholar

Yang, Y. et al. Biosorption von Acid Black 172 und Kongorot aus wässriger Lösung durch nicht lebensfähiges Penicillium YW 01: Kinetische Studie, Gleichgewichtsisotherme und Modellierung künstlicher neuronaler Netzwerke. Bioresour. Technol. 102(2), 828–834 (2011).

Artikel CAS PubMed Google Scholar

Farhana, M., Ahmad, M., Ansari, MA & Malik, A. Vorhersage der Biosorption von Gesamtchrom durch Bacillus sp. unter Verwendung eines künstlichen neuronalen Netzwerks. Stier. Umgebung. Kontam. Toxicol. 88(4), 563–570 (2012).

Artikel Google Scholar

Heaton, J. Einführung in neuronale Netze mit Java (Heaton Research Inc, 2008).

Google Scholar

Yarong, S., Jiang, G., Chen, Y., Zhao, P. & Tian, ​​Y. Auswirkungen von Chloridionen auf die Korrosion von Sphäroguss und Kohlenstoffstahl in Bodenumgebungen. Wissenschaft. Rep. 7(1), 1–13 (2017).

ADS Google Scholar

Arzola, S., Palomar-Pardavé, M. & Genesca, J. Einfluss des spezifischen Widerstands auf den Korrosionsmechanismus von Weichstahl in Natriumsulfatlösungen. J. Appl. Elektrochem. 33(12), 1233–1237 (2003).

Artikel Google Scholar

Saupi, S., Sulaiman, MA & Masri, MN Auswirkungen der Bodeneigenschaften auf die Korrosion unterirdischer Rohrleitungen: Ein Überblick. J. Trop. Ressource. Aufrechterhalten. Wissenschaft. (JTRSS) 3(1), 14–18 (2015).

Artikel Google Scholar

Referenzen herunterladen

Diese Arbeit wurde durch das Kernforschungs- und Entwicklungsprogramm der National Research Foundation of Korea (NRF) unterstützt, das vom koreanischen Ministerium für Wissenschaft und IKT (MSIT) finanziert wird (NRF-2021M2E1A1085195).

School of Advanced Materials Science and Engineering, Sungkyunkwan University, 2066, Seobu-ro, Jangan-gu, Suwon, Gyeonggi-do, 440-746, Republik Korea

Thuy Chung Nguyen, Yoon-Sik So, Jin-Soek Yoo und Jung-Gu Kim

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

TCN-Konzeptualisierung. TCN hat das Hauptmanuskript geschrieben. TCN und JSY haben experimentelle Daten erstellt. TCN, YSS und JSY analysieren und untersuchen Daten. YSS und JGK haben das Manuskript überprüft und bearbeitet. JSY, JGK ist Projektverwaltung.

Korrespondenz mit Jung-Gu Kim.

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 Originalautor(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 gesetzlich 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

Nguyen, TC, So, YS., Yoo, JS. et al. Maschinelles Lernen zur Vorhersage der externen Korrosionsraten von Kohlenstoffstahlbehältern für abgebrannte Kernbrennstoffe im Boden. Sci Rep 12, 20281 (2022). https://doi.org/10.1038/s41598-022-24783-5

Zitat herunterladen

Eingegangen: 04. August 2022

Angenommen: 21. November 2022

Veröffentlicht: 24. November 2022

DOI: https://doi.org/10.1038/s41598-022-24783-5

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.