先进的机器学习技术用于对工业冷却水管道腐蚀率的估计和预测

科学领域:

• 工业化学 工业化学 工业化学
• 材料科学 材料科学 材料科学
• 数据科学数据科学数据科学

背景情况:

• 工业用水管道,特别是冷却电路中的腐蚀对基础设施完整性和运营效率构成重大风险.
• 了解和预测腐蚀率对于主动维护和防止钢铁工业厂的昂贵故障至关重要.
• 区分直接和间接冷却电路是必不可少的,因为影响腐蚀的水产品相互作用动态不同.

研究的目的:

• 开发和评估先进的机器学习模型,用于预测直接和间接冷却水管道中的腐蚀率.
• 创建一个虚拟传感器,使用过程变量实时估计腐蚀率.
• 根据历史数据设计一个预测工具,以预测未来的腐蚀演变.

主要方法:

• 应用先进的机器学习技术,包括极端梯度增强,深度神经网络 (DNN),卷积神经网络 (CNN) 和长短期记忆 (LSTM) 循环网络.
• 开发一个虚拟传感器模型,用pH和温度等过程变量来估计腐蚀速率.
• 实施预测工具模型,使用时间窗口,根据过去的影响变量和腐蚀数据预测腐蚀率.

主要成果:

• 对于虚拟传感器方法,DNN实现了直接冷却电路的平均绝对百分比误差 (MAPE) 为 (25 ± 4) %,间接冷却电路的平均绝对百分比误差为 (11 ± 4) %).
• 在预测工具方法中,CNN在初级电路中表现最好 (MAPE = 4%),而LSTM在二级电路中表现最好 (MAPE = 9%).
• 使用时间窗口的模型在腐蚀预测方面表现出卓越的性能,精度随着较大数据集的增加而增加.

结论:

• 机器学习模型,特别是DNN,CNN和LSTM,对于估计和预测工业冷却电路中的腐蚀率都是有效的.
• 选择最佳模型取决于特定的冷却电路类型 (直接或间接) 和预测任务 (估计或预测).
• 该研究强调了时间数据和足够大数据集的重要性,以提高腐蚀预测模型的准确性和可靠性.