Analysis of Corrosion in Pipelines Using Computational Fluid Dynamics and Corrosion Rate Prediction Models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study delves into the comprehensive analysis of the impact of various parameters on CO 2 corrosion within the oil and gas industry.The primary focus is directed towards understanding the influence of temperature, pH value, CO 2 partial pressure, supersaturation and the development of corrosion product films on the corrosion rate.The simulation of a two-phase water-CO 2 fluid flow was executed in a horizontal pipe characterized by a length (l) of 5000 mm and a diameter (d) of 127 mm, utilizing the OpenFoam software package.To predict the corrosion rate, a NORSOK M -506 prediction model, implemented in the Python programming language, was employed.Mesh generation was performed by the Salome software package, and post-processing procedures were executed using the Paraview software package.To ensure that the analyzed results were independent of the mesh, a mesh refinement study was conducted using five systematically refined meshes.The simulation results were subsequently utilized as input parameters for the developed NORSOK M -506 prediction model, and the model's accuracy was validated against measurement data.The analysis showed that temperature had the greatest impact on the corrosion rate in the pipeline.Operating temperatures within the range of 100 -50 C were identified as conducive to the formation of a protective film, effectively decelerating the corrosion rate.In contrast, other parameters such as pH value, CO 2 partial pressure, and fluid flow rate exhibited a comparatively diminished impact on the corrosion rate under the specified conditions.Consequently, the determined annual corrosion rate amounted to 0.5 0.2 mm per year.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle