Ученые из Индийского научного института и Катарского научно-технологического исследовательского центра создали новую систему для автоматической оценки коррозии на промышленных объектах. В основе метода лежит машинное обучение и анализ изображений. Исследование опубликовали в журнале npj Materials Degradation.

Разработанный алгоритм изучает снимки металлических поверхностей, сделанные под микроскопом, и самостоятельно, без участия человека, определяет, насколько серьезно повреждение.

Коррозия — это скрытая угроза, которая бьет по экономике и безопасности таких отраслей, как энергетика и нефтегазовый сектор, — поясняет Фаниндра К. Ялаварти, профессор отделения вычислительных наук и наук о данных IISc и старший автор работы.

Он добавляет, что она незаметно подтачивает целостность оборудования, ставя под удар жизни людей и возлагая на общество груз растущих затрат на ремонт. Как пишет КООП МЕДИА, от ржавчины эффективно избавляет метод лазерной очистки металла, но оборудование стоит недешево, а потому всегда лучше беду предупредить, чем потом расхлебывать ее последствия.

Соавтор исследования, Ашвин Раджкумар, бывший постдок в CDS, развивает мысль: коррозия молча подрывает надежность систем, подвергая риску жизни и благополучие людей и заставляя нести все более тяжелые расходы на обслуживание.

Искусственный интеллект в этой технологии фокусируется на двух ключевых признаках разрушения:

• Толщина слоя ржавчины и других отложений на металле.
• Пористость, то есть количество крошечных отверстий в этих отложениях.

Алгоритм анализирует микрофотографии и точно измеряет эти параметры. На основе этих данных он вычисляет важнейшие характеристики, показывающие масштаб проблемы, такие как концентрация агрессивных химических веществ и уровень кислотности под слоем отложений.

Чем толще слой ржавчины, тем выше содержание хлоридов и тем кислее среда на поверхности металла, — говорит Ялаварти. — Мы выявили конкретные уровни кислотности (pH), которые сигнализируют об усугублении коррозии. Например, когда pH падает ниже 2.8-3, это значит, что коррозия перешла в очень тяжелую стадию.

Было поразительно увидеть такую сильную и однородную связь между локальной кислотностью и стадией коррозии, особенно тот порог при pH ~2.8-3, который отделяет третью стадию от четвертой, — отмечает Раджкумар. — Это говорит о том, что состояние поверхности и локальная химия связаны теснее, чем мы думали раньше. Это дает нам ценный маркер для прогнозирования развития коррозии.

Ученые испытали свой метод на одной из самых сложных и распространенных проблем — подотложечной коррозии (ПК) труб парогенераторов, которая часто встречается в промышленных котлах и другом оборудовании, работающем при высоких температурах.

Наш алгоритм показал высокую точность, около 73%, — говорит Ялаварти. — Он работает быстрее и дает более стабильные результаты, чем люди, которые вручную изучают изображения с оптического микроскопа.

Главное преимущество метода — в его подходе к обучению. Это обучение без учителя: алгоритму не нужны заранее размеченные человеком данные, которых в исследованиях коррозии часто не хватает. Вместо этого он использует метод k-средних, который самостоятельно разбивает изображение на различные зоны — например, отложения и поры, — не делая заранее предположений об их виде. Это особенно полезно, когда структура продуктов коррозии сложна и разнообразна.

Исследователи, однако, предупреждают, что хотя метод можно адаптировать к разным типам коррозии, его придется настраивать для каждого конкретного случая, так как проявления разрушений могут сильно отличаться.

Следующий ключевой шаг — проверить алгоритм на гораздо более крупных и разнообразных наборах данных, которые охватят весь спектр морфологии отложений и рабочих условий, с которыми сталкивается промышленность, — говорит Раджкумар.

Такая технология очень перспективна для промышленного обслуживания. Она позволяет перевести оценку коррозии на количественные, основанные на данных рельсы по всем предприятиям и отраслям. Ее интеграция с системами цифрового мониторинга станет еще одним шагом к цифровизации промышленности, что сулит выгоды в безопасности, операционной эффективности и материаловедении.

Наш опыт в биомедицинском анализе изображений, где оптическая микроскопия и автоматизированная диагностика уже спасают жизни, вдохновил нас применить тот же интеллектуальный и строгий подход к науке о коррозии, — делится Ялаварти.

Реальная польза этого исследования заключается в переходе от субъективной, качественной оценки коррозии ( «глянь, тут сильно ржаво») к объективной, количественной и автоматизированной. Это как заменить врача, который ставит диагноз „на глазок“, на точный лабораторный анализ с выдачей цифровых показателей.

Польза для индустрии:

• Предиктивное обслуживание: Компании смогут не по графику, а по реальному состоянию оборудования планировать ремонты, останавливая производство именно тогда, когда это необходимо, а не раньше или, что страшнее, позже.
• Снижение рисков аварий: Раннее и точное выявление тяжелых стадий коррозии (той самой, при pH ниже 2.8) позволит предотвратить возможные инциденты на опасных производствах, вплоть до разгерметизации труб и взрывов.
• Экономия ресурсов: Снизятся затраты на постоянный ручной контроль силами высокооплачиваемых инженеров-дефектоскопистов, а также на внеплановые и избыточно частые ремонты.

Основное слабое место исследования, которое сами авторы признают, — это необходимость тонкой настройки алгоритма под каждый конкретный тип коррозии и оборудование. Заявленная точность в 73% для узкой задачи подотложечной коррозии — хорошее начало, но для широкого промышленного внедрения этого может быть недостаточно. Мир коррозии огромен: есть межкристаллитная, питтинговая, щелевая коррозия, и все они выглядят по-разному. Универсального «детектора ржавчины», который работал бы везде без длительной и дорогой адаптации, эта технология пока не предлагает. Кроме того, валидация на „больших и разнообразных наборах данных“ — это следующий этап, а значит, до реального внедрения может пройти еще несколько лет.

Ранее ученые создали покрытие, защищающее железо от ржавчины почти на 100%.