الذكاء الاصطناعي "المُضاد للفساد"، معهد ماكس بلانك الألماني يجمع بين معالجة اللغة الطبيعية والشبكات العصبية العميقة لتطوير سبائك مقاومة للتآكل
المحتويات في لمحة:في عالم محاط بالفولاذ المقاوم للصدأ، ربما نسينا تقريبًا وجود التآكل. ومع ذلك، فإن التآكل موجود في كل جانب من جوانب الحياة. سواء كان مسمارًا صدئًا، أو سلكًا قديمًا متسربًا، أو سيارة فقدت بريقها، فإن كل ذلك يحدث بسبب التآكل. وبحسب الإحصائيات فإن الخسائر الاقتصادية الناجمة عن تآكل المعادن في جميع أنحاء العالم تتجاوز 2.5 تريليون دولار أميركي سنويا، وهو ما يتجاوز بكثير الكوارث الطبيعية الأخرى. ومن بينها، بلغت الخسائر الاقتصادية الناجمة عن التآكل في الصين حوالي 394.9 مليار دولار أمريكي، وهو ما يمثل 4.21 تريليون دولار أمريكي من الناتج المحلي الإجمالي للصين. ولهذا السبب، عمل الباحثون على استكشاف السبائك أو الأفلام المعدنية الواقية ذات المقاومة الأفضل للتآكل. اليوم، يتم استخدام الذكاء الاصطناعي لتحسين مقاومة المواد للتآكل.
الكلمات المفتاحية:معالجة اللغة الطبيعية والشبكات العصبية العميقة والتآكل
المؤلف | شيويه تساي
المحرر | سانيانغ
تم نشر هذه المقالة لأول مرة على منصة HyperAI WeChat العامة~
وبحسب إحصاءات الجمعية الوطنية لمهندسي التآكل (NACE)، فإن الخسائر الاقتصادية الناجمة عن التآكل في جميع أنحاء العالم في عام 2013 تجاوزت 2.5 تريليون دولار أمريكي.وفي الوقت نفسه، عانت الصين أيضاً من التآكل، حيث بلغت الخسائر الاقتصادية نحو 394.9 مليار دولار أميركي، وهو ما يمثل 4.21% من ناتجها المحلي الإجمالي في ذلك العام، وهو أعلى قليلاً من مثيله في البلدان المتقدمة الأخرى.
وبالمقارنة، بلغت الخسائر الاقتصادية الناجمة عن زلزال ونتشوان عام 2008 نحو 110 مليار دولار أميركي.وهذا يعني أنه منذ عام 2013، تجاوزت الخسائر الاقتصادية الناجمة عن التآكل وحده في بلادنا الزلازل الثلاثة التي ضربت مقاطعة ونتشوان.
الجدول 1: الخسائر الاقتصادية الناجمة عن التآكل في جميع أنحاء العالم في عام 2013 (بالمليارات من الدولارات الأمريكية)
ولحل مشكلة التآكل، يعمل الباحثون جاهدين على تحسين قوة المواد بينما يبحثون أيضًا عن طرق لتحسين مقاومتها للتآكل.. وبمساعدة الذكاء الاصطناعي، تمكنوا من تحقيق بعض التقدم، مثل التنبؤ بآلية تآكل السبائك في درجات الحرارة العالية، وتحليل معدل التآكل الجوي للصلب والتآكل البيئي للخرسانة المسلحة، والقدرة على استخدام الشبكات العصبية التلافيفية (CNN) لتحديد شكل تآكل المواد من الصور.
ومع ذلك، فإن بيانات الإدخال لنماذج التعلم الآلي هي في الغالب بيانات رقمية. ومع ذلك، في معالجة وتحليل المواد المعدنية، بالإضافة إلى البيانات الرقمية مثل قيمة الرقم الهيدروجيني ودرجة حرارة الاختبار، هناك أيضًا بيانات تصنيفية مثل نوع المادة وبيانات نصية مثل عملية المعالجة الحرارية وطريقة الاختبار.لا تستطيع نماذج التعلم الآلي التقليدية قراءة وتحليل جميع البيانات بشكل شامل، كما أن دقة التنبؤ بها منخفضة.
ولتحقيق هذه الغاية، أنشأ معهد ماكس بلانك لأبحاث الحديد (MPIE، معهد ماكس بلانك لأبحاث الحديد) في ألمانيا تم تطوير الشبكة العصبية العميقة الواعية للعملية من خلال الجمع بين الشبكة العصبية العميقة (DNN) ومعالجة اللغة الطبيعية (NLP).يمكن لهذا النموذج الجمع بين البيانات الرقمية وبيانات النص للمعالجة، ودقته أعلى بـ 15% من النماذج الأخرى.
وفي الوقت نفسه، قاموا بتحويل الخصائص الفيزيائية والكيميائية للمعادن إلى أوصاف وقاموا ببناء تحويلات مميزة لشبكة عصبية عميقة.، والتي يمكن استخدامها للتنبؤ بتأثير العناصر غير الموجودة في مجموعة التدريب على مقاومة التآكل. نُشر هذا البحث في مجلة Science Advances في أغسطس 2023 تحت عنوان "تعزيز تصميم السبائك المقاومة للتآكل من خلال معالجة اللغة الطبيعية والتعلم العميق".
وقد تم نشر الأبحاث ذات الصلة في مجلة Science Advances
رابط الورقة:
https://www.science.org/doi/10.1126/sciadv.adg7992
شبكة عصبية عميقة واعية بالعملية
تصميم النموذج
تتكون مجموعة البيانات في هذه الدراسة من إمكانية التآكل لـ 769 سبيكة في خمس فئات، بما في ذلك البيانات الرقمية وبيانات التصنيف وبيانات النص. ومن بينها، يتم إدخال البيانات الرقمية مباشرة في النموذج، ويتم تحويل البيانات التصنيفية إلى بيانات رقمية من خلال الترقيم التسلسلي وإدخالها في النموذج.يتم معالجة البيانات النصية من خلال بنية معالجة اللغة الطبيعية ثم إدخالها في النموذج.
تنقسم بنية معالجة اللغة الطبيعية بشكل أساسي إلى ثلاثة أجزاء، بما في ذلك وضع علامات على المفردات، والتحويل إلى متجهات، ومعالجة تسلسلات المتجهات.
أثناء وضع علامات على الكلمات، يتم استبدال كل كلمة برمز عدد صحيح محدد.من خلال وضع علامات على المفردات، يتم تحويل العبارة أو الجملة إلى متجه صحيح.
بعد وضع علامات على المفردات، على الرغم من تحويل بيانات النص إلى قيم عددية، إلا أنه لا يوجد ارتباط بين القيم العددية ولا يمكنها أن تحمل دلالات النص الأصلي. لذلك، يتم تحويل المتجه الصحيح إلى متجه فاصلة عائمة ذو n أبعاد من خلال المتجهات. أثناء عملية التدريب، يتم تحسين وزن كل كلمة بشكل مستمر.بعد التدريب، فإن القرب بين المتجهات يتوافق مع تشابهها الدلالي.
أخيرًا، يتم تحويل متجه النقطة العائمة ذو الأبعاد n إلى متجه واحد من خلال شبكة عصبية متكررة ذات ذاكرة قصيرة المدى طويلة (LSTM) ويدخل طبقة الإدخال. يمكن لـ LSTM تحديد التبعيات طويلة المدى بين الكلمات من خلال وظائف البوابة.لذلك، يمكن لـ LSTM العثور على الكلمات الرئيسية ذات الصلة من جملة معينة وتمرير الجزء الأكثر أهمية من الجملة إلى طبقة الإدخال في DNN.
الشكل 1:هيكل نموذج DNN الواعي للعملية
أ: سير عمل معالجة بيانات البرمجة اللغوية العصبية
ب: مخطط تخطيطي لنموذج DNN الواعي للعملية
التدريب والتحقق
بعد التدريب، قام الباحثون بتلخيص متوسط الخطأ المطلق للنماذج. يبلغ متوسط الخطأ المطلق لشبكة DNN الواعية للعملية حوالي 150 مللي فولت، وهو أقل بـ 20 مللي فولت من الخطأ المطلق لشبكة DNN البسيطة. R بين إمكانية التآكل المتوقعة وإمكانية التآكل الفعلية2 إنه 0.78 ± 0.06، وهو أعلى من 0.61 ± 0.04 من DNN الأبسط.تظهر النتائج أعلاه أنه بعد تحليل بيانات النص، فإن أداء DNN الواعي للعملية أفضل من أداء نموذج DNN البسيط.
الشكل 2: نتائج تدريب DNN الواعية بالعملية
أ: متوسط الخطأ المطلق أثناء التدريب والتحقق، حيث يمثل الخط الأحمر متوسط الخطأ المطلق لنموذج DNN البسيط؛
ب: مقارنة النتائج بين نماذج DNN الواعية للعملية ونماذج DNN البسيطة.
تحسين تركيب السبائك
من أجل مقارنة الاختلافات بين DNN الواعية للعملية وDNN البسيطة في عملية تحسين تركيبة السبائك، بدأ الباحثون من تركيبات سبائك مماثلة، واستخدموا نفس معدل التعلم، وقاموا بتحسين تركيبات السبائك باستخدام كلا النموذجين.
الشكل 3: نتائج تحسين المكونات
أ&ب: نتائج تحسين السبائك القائمة على الحديد؛
C&D: نتائج تحسين سبيكة Ni-Cr-Mo؛
E&F: نتائج تحسين سبيكة Al-Cr؛
G&H: نتائج التحسين لسبائك الرطوبة العالية.
كما يمكن أن نرى من الشكل، فإن نتائج تحسين النموذجين للسبائك القائمة على الحديد وسبائك FeCrNiCo عالية الرطوبة متشابهة جزئيًا، ولكن نتائج التحسين للسبائك الأخرى مختلفة جدًا.أولاً، تتنبأ الشبكة العصبية العميقة الواعية للعملية بأن زيادة محتوى عنصر الموليبدينوم سوف تزيد بشكل كبير من إمكانية التآكل في السبائك القائمة على الحديد وسبائك النيكل والكروم والموليبدينوم. ثانيًا، تعتقد DNN الواعية للعملية أنه في سبيكة Ni-Cr-Mo، يمكن للنيتروجين الخلالي والكربون الخلالي أن يعززا من إمكانية التآكل في السبائك. وأخيرًا، يساهم عنصر النحاس في سبيكة Al-Cr أيضًا في تحسين إمكانية التآكل. يتم تجاهل كل هذه الأمور بواسطة شبكات DNN البسيطة.
تحويل الميزات DNN
تصميم النموذج
من خلال وظيفة توصيف تركيبة السبائك "WenAlloys"، يمكن أيضًا تحليل معلومات تركيبة السبائك إلى سلسلة من الخصائص الذرية والفيزيائية والكيميائية، وتحويلها إلى أوصاف مختلفة كقيم إدخال لنموذج DNN.
الجدول 2: نتائج تحويل بعض الميزات
حيث جأنا ، رأنا ، سأنا و هـج، أنا إنها تمثل الكسر الذري، ونصف القطر الذري، والسلبية الكهربية لباولي، وطاقة ربط العنصر على التوالي.
التدريب والتحقق
الشكل 4: نتائج تدريب تحويل الميزات في DNN
أ: منحنى الخطأ أثناء تدريب النموذج والتحقق منه؛
ب: منحنى الانحدار لإمكانية التآكل المتوقعة وإمكانية التآكل الفعلية بعد التدريب؛
ج: مقارنة النتائج بين تحويل الميزات DNN و DNN البسيط.
بعد التدريب، يبلغ متوسط الخطأ المطلق لتحويل الميزة DNN حوالي 168 مللي فولت، R2 إنه 0.66، والأداء محسّن قليلاً مقارنةً بنموذج DNN البسيط.
تحليل آلية مقاومة التآكل باستخدام تحويل الميزات DNN
تم اختيار سبيكة واحدة من كل فئة من الفئات الخمس لتحويل الميزات ثم إدخالها في النموذج لتحسينها. بناءً على منحنى التحسين، يمكن تقسيم ميزات الإدخال إلى فئتين.يتغير نوع واحد من منحنى الميزة بشكل كبير أثناء عملية التحسين، بما يتجاوز ما كان متوقعًا في مجموعة التدريب؛ النوع الآخر من منحنى الميزة يتغير قليلاً فقط أثناء عملية التحسين.
الشكل 5: منحنيات التحسين لميزات الإدخال المختلفة
يوضح الشكل أربع ميزات تغيرت بشكل كبير أثناء عملية التحسين، مما يعني أن هذه الميزات قد تكون معلمات مهمة لتحسين إمكانية التآكل في السبائك.
التنبؤ بسبائك Al-Cu-Sc-Zr باستخدام تحويل الميزات DNN
نظرًا لأن مدخلات تحويل الميزة في DNN تحتوي فقط على الميزات الذرية والفيزيائية والكيميائية للمكونات،وبالتالي، فإنه يمكنه إجراء تنبؤات للعناصر غير الموجودة في مجموعة التدريب.
أظهرت عناصر Sc و Zr في السبائك المختلفة تحسنات في مقاومة التآكل. لذلك، استخدم فريق البحث تقنية تحويل الميزات DNN لتحليل تأثيرات هذين العنصرين على سبيكة Al-Cu.
الشكل 6: نتائج التنبؤ بتحويل الميزات في DNN لإمكانية التآكل في سبيكة Al-Cu-Sc-Zr
كما هو موضح في الشكل، مع زيادة محتوى عنصري Zr وSc، تستمر إمكانية التآكل في السبائك في الزيادة، مما يشير إلى تحسن مقاومة التآكل في السبائك.تتحقق هذه النتيجة من القوة التنبؤية لتحويل الميزات DNN للعناصر الجديدة.
وتظهر النتائج أعلاه أنمن خلال الجمع بين معالجة اللغة الطبيعية (NLP) والشبكة العصبية العميقة (DNN)، يصبح النموذج قادرًا على قراءة بيانات نصية حول طرق معالجة السبائك واختبارها، لذا فهو يعمل بشكل أفضل من نموذج DNN التقليدي ويمكنه اكتشاف تأثير العناصر التي يتجاهلها DNN البسيط على مقاومة التآكل للسبائك.يمكن لشبكة DNN لتحويل الميزات التنبؤ بأداء العناصر غير الموجودة في مجموعة التدريب استنادًا إلى الخصائص الذرية والفيزيائية والكيميائية للسبائك.
التآكل: القاتل الصامت للمعادن
في عام 2009، أعلنت المنظمة العالمية للتآكل يوم 24 أبريل من كل عام يومًا عالميًا للتآكل بهدف زيادة الوعي العام بالتآكل. باعتباره ظاهرة كيميائية شائعة، فإن التآكل موجود في كل زاوية من حياتنا. سواء كان الأمر يتعلق بأدوات المطبخ المختلفة، أو الأجهزة المنزلية المختلفة، أو وسائل النقل عبر البحر والبر والجو، أو حتى المباني ذات التصميم الفريد، فإنها كلها معرضة للتآكل.يمكن القول أنه أينما يوجد المعدن يوجد التآكل.
يتضمن تآكل المعادن التآكل الكيميائي والتآكل الكهروكيميائي، ومن بينهما التآكل الكهروكيميائي الأكثر شيوعًا والأكثر ضررًا. يشير التآكل الكهروكيميائي إلى الظاهرة التي تشكل فيها معدنين دائرة في محلول إلكتروليت، مما يؤدي إلى تكوين خلية جلفانية، مما يتسبب في تآكل المعدن النشط. يشمل التآكل الكهروكيميائي الشائع التآكل المنتظم، والتآكل النقطي، والتآكل الإجهادي، والتآكل الشقوقي، وما إلى ذلك.ومن بينها التآكل غير المنتظم، وخاصة التآكل النقطي وأشكال التآكل الأخرى التي ليس من السهل اكتشافها، والتي تكون أكثر ضررًا بالمعادن ويمكن أن تسبب حوادث بسهولة.
الشكل 7: الأنواع الشائعة للتآكل الكهروكيميائي
في 22 نوفمبر 2013، تعرض خط أنابيب النفط في مدينة تشينغداو بمقاطعة شاندونغ لمستويات عالية من الكلور والبيئات الجافة والرطبة المتناوبة لفترة طويلة، مما تسبب في تآكل جدار الأنبوب وترققه، وفي النهاية تمزقه، مما أدى إلى تسرب النفط الخام. وخلال عملية التنظيف والإصلاح اللاحقة، أدت العمليات غير السليمة في الموقع إلى انفجار النفط الخام، مما تسبب في نهاية المطاف في مقتل 62 شخصًا وإصابة 163 آخرين.
غالبًا ما يكون من الصعب اكتشاف التآكل، لذا فإن تجنب حوادث التآكل يتطلب إجراء عمليات تفتيش وإصلاحات يدوية منتظمة، وهو ما يستهلك الكثير من القوى العاملة والموارد المادية.الآن، بمساعدة الذكاء الاصطناعي، يمكننا تحسين تركيب السبائك والعثور على مواد ذات مقاومة أفضل للتآكل.وفي الوقت نفسه، يتم أيضًا استخدام أنظمة مراقبة التآكل الرقمية لمساعدتنا في تحديد إمكانات التآكل بسرعة، بحيث لم يعد "القاتل الصامت" صامتًا.
روابط مرجعية:
[1] http://impact.nace.org/documents/Nace-International-Report.pdf
[2] https://whatispiping.com/corrosion/?expand_article=1
[3] https://www.gov.cn/govweb/jrzg/2014-01/11/content_2564654.htm#:
تم نشر هذه المقالة لأول مرة على منصة HyperAI WeChat العامة~