Corrosion Monitoring and Root Cause Identification in High Solids Concentrators
Notice bibliographique
Résumé
Abstract Black liquor high solids (about 80%) concentrators have often been found to suffer from aggressive corrosion. Especially the 1st and 2nd effect bodies are susceptible to corrosion attacks resulting in tube leaks and wall thinning, limiting the availability and lifetime of evaporator lines. Corrosion dynamics and utilized construction materials have been studied extensively within the pulp and paper industry in order to understand the corrosion process. However, it has been challenging to identify root causes for corrosion, which has limited pro-active measures in minimizing corrosion damages. In this case, corrosion of the 1st phase concentrator was studied by defining the potential regions for passive area, stress corrosion cracking, pitting corrosion and general corrosion. This was achieved by using a technique called Polarization Scan which reveals ranges for the passive area in which the equipment is naturally protected against corrosion. The Open Circuit Potential (OCP) a.k.a. corrosion potential and Linear Polarization Resistance (LPR) of the metal were monitored on-line, which enabled to define corrosion risks for stainless steel 304L, duplex stainless steels 2205 and SAF 2906. An on-line temperature measurement complemented the results adding valuable insight to the analysis. A powerful process diagnostics tool, WedgeTM, was used to identify root causes of the corrosion attacks. Many of the root causes were related to process conditions triggering corrosion. Once the metal surface was activated, it was difficult to re-passivate the metal naturally unless a sufficient potential range was reached. The project enabled the mill to study various process scenarios and find a less corroding formula for the process. Ultimately, the mill was able to reduce corrosion risks and hence extend the life time of the vessels.
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 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».