在电化学噪声测量中使用反复的神经网络在接接头上的腐蚀类型识别

科学领域:

• 材料科学 材料科学 材料科学
• 腐蚀工程 腐蚀工程
• 人工智能的人工智能

背景情况:

• 螺栓边接头在管道和工艺设备中至关重要.
• 这些关节的局部腐蚀可能会导致不可预测的泄漏.
• 目前的电化学噪声 (EN) 数据处理是劳动密集型的,需要专门的知识.

研究的目的:

• 使用原始EN信号自动识别边缘表面的腐蚀类型.
• 评估这个任务的监督,混合和无监督机器学习 (ML) 方法.
• 提高关键基础设施腐蚀监测的可靠性和效率.

主要方法:

• 循环神经网络 (RNN) 的应用,特别是长期短期记忆 (LSTM) 模型.
• 监督学习 (LSTM),混合 (LSTM自编码器 + 随机森林) 和无监督学习 (LSTM自编码器 + PCA + k-means) 方法的评估.
• 使用来自自发电化学反应的实验获得的EN数据.

主要成果:

• 监督的LSTM模型在腐蚀类型识别中实现了93.62%的准确性.
• 结合LSTM自动编码器功能与随机森林分类器的混合方法达到97.85%的准确性.
• 无监督的方法显示了实时腐蚀监测的潜力.

结论:

• 在EN信号上使用ML的自动腐蚀识别是可行的和有效的.
• 混合ML模型为腐蚀分类提供了更高的精度.
• 这些进步可以带来改进的材料保护策略和降低基础设施故障风险.