Kolmogorov–Arnold Network for Predicting CO2 Corrosion and Performance Comparison with Traditional Data-Driven Approaches
Notice bibliographique
Résumé
Accurate prediction of CO2 corrosion under dense-phase and supercritical conditions remains a critical challenge for oil and gas pipeline integrity management. While machine learning (ML) has been applied in this field, prevailing models like the Multilayer Perceptron (MLP) often struggle to capture the complex, non-linear interactions between multiple environmental parameters, limiting their predictive accuracy and robustness. To bridge this gap, this study innovatively introduces the Kolmogorov–Arnold Network (KAN) algorithm for CO2 corrosion rate prediction. Utilizing a unique dataset of field-collected parameters (including dissolved O2, H2S, SO2 concentrations, and water cut), we developed a KAN model and conducted systematic hyperparameter optimization. Our investigation revealed the optimal network configuration (3 layers, grid = 3) and, counterintuitively, that the steps parameter does not correlate positively with performance. Most significantly, comparative experiments demonstrated that the KAN model substantially outperforms traditional MLP, achieving superior prediction accuracy alongside faster computational speed and lower loss values. These findings not only provide a robust tool for precise corrosion prevention in oilfield operations but also highlight the potential of KAN as a novel, efficient, and highly accurate framework for tackling complex problems in materials degradation.
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 ».