Predicting Corrosion Severity of Pipeline Steels in Supercritical CO2 Environments Using Supervised Machine Learning
Notice bibliographique
Résumé
Abstract The importance of effective corrosion management in carbon capture, utilization, and storage (CCUS) networks has significantly increased. Captured CO2 is often transported in the supercritical state (s-CO2) and can contain impurities like H2O, O2, SOx, or NOx. While repurposing existing oil and gas pipelines for s-CO2 transport has been suggested, further testing and risk assessment is required to validate this strategy and its associated risks. Given the substantial amount of corrosion data available from recent corrosion studies, machine learning (ML) has emerged as a promising tool for corrosion prediction and management. This study aims to utilize supervised ML techniques to predict the corrosion severity of pipeline steels operating in s-CO2 systems. The selected algorithms, random forest (RF), K-nearest neighbor (KNN), and support vector machine (SVM) were trained on a comprehensive data set of X-series pipeline steels which includes corrosion rates, impurity levels, temperatures, pressures, and exposure times. Additional testing data set and error and accuracy scores were used to determine the most accurate algorithm. An additional experimental testing was performed to verify the predictions of the model. It was found that the RF model had the best accuracy of 65.3% out of the three tested models and KNN had the worst accuracy of 59.2%. In multiple impurity environments the RF model was able to accurately predict corrosion severity but overestimated corrosion severity in environments with short exposure times.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 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 ».