Modélisation par apprentissage automatique des taux de corrosion externe prédictifs des cartouches en acier au carbone pour combustible nucléaire usé dans le sol

Aug 30, 2023

Rapports scientifiques volume 12, Numéro d'article : 20281 (2022) Citer cet article

1017 Accès

3 Altmétrique

Détails des métriques

La corrosion des sols est toujours une préoccupation majeure dans l'ingénierie de la corrosion en raison de l'influence économique des infrastructures du sol, comme cela a été et a été récemment le point central des conteneurs de combustible nucléaire usé. Outre la protection contre la corrosion, la prévision de la corrosion du canister est également importante. Une connaissance approfondie du taux de corrosion des matériaux des cartouches de combustible nucléaire usé dans un environnement particulier peut être extrêmement utile pour choisir la meilleure méthode de protection. L’application de l’apprentissage automatique (ML) à la prévision du taux de corrosion résout tous les défis en raison du nombre de variables affectant la corrosion des sols. Dans cette étude, plusieurs algorithmes de ML, y compris la décision d'arbre de détection automatique d'interaction du Chi carré (CHAID), la régression linéaire (LR) et un apprentissage d'ensemble en série individuel, boosting, ensachage de réseau neuronal artificiel (ANN), (EL) fusionne la meilleure option qui collecte les 3 méthodes algorithmiques ci-dessus. À partir des performances de chaque modèle, la méthode d'empilement d'ensemble permet de trouver le modèle avec la plus grande précision. Les matrices de performances d'erreur absolue moyenne sont présentées sur la figure 15. Outre l'application du ML, l'importance des variables d'entrée a également été déterminée par une analyse de sensibilité utilisant le critère d'importance des caractéristiques, et le taux de corrosion de l'acier au carbone est le plus sensible à la température et au chlorure.

La corrosion des sols a fait l'objet de beaucoup d'attention car il existe de nombreux exemples d'infrastructures souterraines telles que des conteneurs de combustible nucléaire usé contenant des déchets nucléaires1,2,3,4. Cette infrastructure est essentielle et joue un rôle important dans la vie moderne. La préservation à long terme des déchets radioactifs reste un défi majeur à l’échelle mondiale. Le carburant contenu dans ces systèmes et dans ceux qui seront rejetés devra peut-être être stocké pendant des périodes allant jusqu'à 100 ans. Il existe de nombreux types de conteneurs utilisés pour le stockage souterrain des déchets, tels que l'acier au carbone, l'acier inoxydable, les alliages de nickel et les alliages de titane… si le conteneur est corrodé, fissuré et ne peut pas être remplacé après une longue période, cela aura un impact économique important5 . Connaître à l'avance le taux de corrosion du métal et les propriétés du sol est très utile aux ingénieurs pour trouver des méthodes de protection appropriées pour le pipeline6,7,8,9. Cependant, prédire le taux de corrosion dans des environnements complexes tels que le sol n’est pas facile car l’environnement du sol comporte de nombreux facteurs qui affectent le taux de corrosion, notamment la concentration chimique dans l’eau du sol, l’humidité du sol et la structure du sol10. Matteo Stefanoni et coll. ont publié une étude très réussie décrivant une équation permettant de prédire le taux de corrosion en fonction de la porosité dans laquelle l'eau remplit les vides du sol11,12. Mohamed El Amine Ben Seghier et al. prédit le taux de corrosion interne des oléoducs et des gazoducs13. Cependant, aucun chercheur n’a étudié les facteurs qui affectent le taux de corrosion externe des métaux souterrains en fonction de la composition de la solution du sol et de sa température.

Dans le monde moderne, presque toutes les tâches manuelles peuvent être automatisées à l’aide d’algorithmes d’apprentissage automatique14. L’apprentissage automatique (ML) présente un large éventail d’applications industrielles potentielles15,16. La méthode d’apprentissage automatique convient aux modèles prédictifs à plusieurs variables17. Récemment, de nombreux domaines scientifiques ont appliqué l’apprentissage automatique à la prédiction multidisciplinaire17,18,19. Même dans le domaine de la corrosion, de nombreux scientifiques ont appliqué l’apprentissage automatique pour prédire le taux de corrosion dans l’atmosphère, les performances des inhibiteurs de corrosion et le comportement de la corrosion20,21,22,23,24. Cependant, peu d’études se concentrent sur la prévision du taux de corrosion des cartouches en acier au carbone dans l’environnement du sol. Nos études précédentes ont consisté à prédire le taux de corrosion de l'acier au carbone en fonction de l'influence du pH, de la concentration en chlorure et en sulfate de la solution du sol, en utilisant une méthode de surface de réponse (RSM)10 et du pH, du chlorure et de la température de la solution du sol avec différentes plages étudiées. valeurs en utilisant RSM et un réseau de neurones artificiels (ANN)25. La limite de nos études précédentes est qu’il n’existe que trois facteurs corrosifs.