Framework for the Prediction and Assessment of Corrosion Damages in Amine Systems Using Plant Data, Process Simulation and Data Analysis
Notice bibliographique
Résumé
Abstract The prediction and assessment of corrosion rates in amine gas treating units include reviewing current and historical environmental components such as amine type, H2S and CO2 loading, and temperature; to identify, trend, and provide corrective actions for potential problems related to streams quality, contamination, or damage diagnosis. This review is completed with data obtained from traditional off-line monitoring methods, such as mechanical integrity reports and analysis of the process streams, to capture the state of criticality of the system. Recent advances in corrosion modeling of amine systems allow integrating this data with numerical modeling to effectively quantity and predict corrosion rates. Numerical modeling is based on empirical models, which are usually limited within the ranges of data used in their development, unlike first-principles models that can accurately extrapolate beyond this range. Furthermore, empirical models may lead to significant errors when extrapolated outside the range of the training data. Therefore, their accuracy can be substantially improved by adding data generated from first- principles models through a sensitivity analysis of process and corrosion-related variables. This work proposes a framework for predicting and assessing corrosion rates in amine gas treating units, using surrogate models that combine process simulation software and plant data. A first-principles model of a simulated amine plant is employed to predict process-related variables, combined with a mechanistic model used to predict corrosion rates. Once the data is collected, exploratory data analysis is employed to quantify the correlation between process and corrosion variables, dimensionality reduction, outliers’ detection and treatment, and model performance evaluation. This framework also provides guidelines for selecting surrogate models predicting process variables and corrosion rates. These models can eventually be coupled with multi-objective optimization algorithms for control purposes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».