Contenu en un coup d'œil :Dans un monde entouré d’acier inoxydable, nous avons peut-être presque oublié l’existence de la corrosion. Cependant, la corrosion existe dans tous les aspects de la vie. Qu'il s'agisse d'un clou rouillé, d'un vieux fil qui fuit ou d'une voiture qui a perdu son éclat, tout cela se produit à cause de la corrosion. Selon les statistiques, les pertes économiques causées par la corrosion des métaux dans le monde dépassent 2,5 billions de dollars américains chaque année, dépassant de loin les autres catastrophes naturelles. Parmi elles, les pertes économiques causées par la corrosion en Chine s'élèvent à environ 394,9 milliards de dollars américains, soit 4,21 % du PIB chinois. C’est pourquoi les chercheurs ont étudié des alliages ou des films protecteurs métalliques offrant une meilleure résistance à la corrosion. Aujourd’hui, l’IA est utilisée pour optimiser la résistance à la corrosion des matériaux.

Mots-clés:Traitement du langage naturel Corrosion des réseaux neuronaux profonds

Auteur | Xuecai

Rédacteur | Sanyang

Cet article a été publié pour la première fois sur la plateforme publique HyperAI WeChat~

Selon les statistiques de l'Association nationale des ingénieurs en corrosion (NACE), les pertes économiques causées par la corrosion dans le monde en 2013 ont dépassé 2,5 billions de dollars américains.Dans le même temps, la Chine a également été frappée par la corrosion, avec des pertes économiques d’environ 394,9 milliards de dollars, soit 4,21 % de son PIB cette année-là, légèrement plus élevé que celui des autres pays développés.

En comparaison, les pertes économiques causées par le tremblement de terre de Wenchuan en 2008 se sont élevées à environ 110 milliards de dollars.Autrement dit, dès 2013, les pertes économiques causées par la seule corrosion dans notre pays ont dépassé trois tremblements de terre de Wenchuan.

Tableau 1 : Pertes économiques causées par la corrosion dans le monde en 2013 (en milliards de dollars américains)

Afin de résoudre le problème de la corrosion, les chercheurs travaillent dur pour améliorer la résistance des matériaux tout en cherchant des moyens d’améliorer leur résistance à la corrosion.. Grâce à l'IA, ils ont réalisé quelques progrès, comme la prédiction du mécanisme de corrosion des alliages à haute température, l'analyse du taux de corrosion atmosphérique de l'acier et de la corrosion environnementale du béton armé, et la possibilité d'utiliser des réseaux neuronaux convolutifs (CNN) pour déterminer la forme de corrosion des matériaux à partir d'images.

Cependant, les données d’entrée des modèles d’apprentissage automatique sont principalement des données numériques. Cependant, dans le traitement et l'analyse des matériaux métalliques, en plus des données numériques telles que la valeur du pH et la température d'essai, il existe également des données catégorielles telles que le type de matériau et des données textuelles telles que le processus de traitement thermique et la méthode d'essai.Les modèles d’apprentissage automatique traditionnels ne sont pas en mesure de lire et d’analyser en profondeur toutes les données, et leur précision de prédiction est faible.

À cette fin, l'Institut Max Planck pour la recherche sur le fer (MPIE, Max-Planck-Institut für Eisenforschung) en Allemagne  Le DNN sensible aux processus a été développé en combinant un réseau neuronal profond (DNN) et le traitement du langage naturel (NLP).Ce modèle peut combiner des données numériques et des données textuelles pour le traitement, et sa précision est 15% supérieure à celle des autres modèles.

Dans le même temps, ils ont converti les propriétés physiques et chimiques des métaux en descripteurs et ont construit un DNN de transformation de caractéristiques, qui peut être utilisé pour prédire l'effet d'éléments non présents dans l'ensemble d'entraînement sur la résistance à la corrosion. Cette recherche a été publiée dans Science Advances en août 2023 sous le titre « Améliorer la conception d'alliages résistants à la corrosion grâce au traitement du langage naturel et à l'apprentissage profond ».

Des recherches connexes ont été publiées dans Science Advances

Lien vers l'article :

https://www.science.org/doi/10.1126/sciadv.adg7992

DNN sensible aux processus

Conception du modèle

L'ensemble de données de cette étude concerne le potentiel de piqûres de 769 alliages répartis en cinq catégories, comprenant des données numériques, des données de classification et des données textuelles. Parmi elles, les données numériques sont directement saisies dans le modèle, et les données catégorielles sont converties en données numériques par numérotation séquentielle et saisies dans le modèle.Les données textuelles sont traitées via l’architecture NLP puis entrées dans le modèle.

L'architecture NLP est principalement divisée en trois parties, notamment le balisage du vocabulaire, la vectorisation et le traitement des séquences vectorielles.

Lors du marquage des mots, chaque mot est remplacé par un jeton entier spécifique.Grâce au balisage du vocabulaire, une phrase ou une expression est convertie en un vecteur entier.

Après le balisage du vocabulaire, bien que les données textuelles soient converties en valeurs numériques, il n'y a aucune corrélation entre les valeurs numériques et elles ne peuvent pas porter la sémantique du texte d'origine. Par conséquent, le vecteur entier est converti en un vecteur à virgule flottante à n dimensions par vectorisation. Au cours du processus de formation, le poids de chaque mot est continuellement optimisé.Après l’apprentissage, la proximité entre les vecteurs correspond à leur similarité sémantique.

Enfin, le vecteur à virgule flottante n-dimensionnel est converti en un vecteur unique via un réseau neuronal récurrent à mémoire à court terme (LSTM) et entre dans la couche d'entrée. LSTM peut identifier les dépendances à long terme entre les mots grâce à des fonctions de porte.Par conséquent, LSTM peut trouver des mots clés pertinents dans une phrase donnée et transmettre la partie la plus importante de la phrase à la couche d'entrée du DNN.

Figure 1 :Structure du modèle DNN sensible aux processus

A : Flux de travail de traitement des données PNL

B : Diagramme schématique du modèle DNN sensible aux processus

Formation et validation 

Après la formation, les chercheurs ont résumé l’erreur moyenne absolue des modèles. L'erreur absolue moyenne du DNN sensible au processus est d'environ 150 mV, soit 20 mV de moins que celle du DNN simple. R entre le potentiel de piqûres prévu et le potentiel de piqûres réel²  Il est de 0,78 ± 0,06, ce qui est supérieur à 0,61 ± 0,04 du DNN plus simple.Les résultats ci-dessus montrent qu'après avoir analysé les données textuelles, les performances du DNN sensible au processus sont meilleures que celles du modèle DNN simple.

Figure 2 : Résultats de la formation DNN prenant en compte les processus

A : L’erreur absolue moyenne pendant la formation et la validation, où la ligne rouge est l’erreur absolue moyenne du modèle DNN simple ;

B : Comparaison des résultats entre les modèles DNN sensibles aux processus et les modèles DNN simples.

Optimisation de la composition des alliages 

Afin de comparer les différences entre le DNN sensible au processus et le DNN simple dans le processus d'optimisation de la composition de l'alliage, les chercheurs sont partis de compositions d'alliage similaires, ont utilisé le même taux d'apprentissage et ont optimisé les compositions d'alliage en utilisant les deux modèles.

Figure 3 : Résultats de l'optimisation des composants

A&B : Résultats d’optimisation des alliages à base de fer ;

C&D : Résultats d'optimisation des alliages Ni-Cr-Mo ;

E&F : Résultats d'optimisation des alliages Al-Cr ;

G&H : Résultats d'optimisation pour alliage à haute teneur en humidité.

Comme le montre la figure, les résultats d’optimisation des deux modèles pour les alliages à base de fer et les alliages à haute teneur en humidité FeCrNiCo sont partiellement similaires, mais les résultats d’optimisation pour les deux autres alliages sont très différents.Premièrement, le DNN sensible au processus prédit que l’augmentation de la teneur en éléments Mo augmentera considérablement le potentiel de piqûres des alliages à base de Fe et des alliages Ni-Cr-Mo. Deuxièmement, le DNN, conscient du processus, estime que dans l'alliage Ni-Cr-Mo, l'azote interstitiel et le carbone interstitiel peuvent améliorer le potentiel de piqûres de l'alliage. Enfin, dans l’alliage Al-Cr, l’élément Cu contribue également à l’amélioration du potentiel de piqûres. Tous ces éléments sont ignorés par les DNN simples.

Transformation de fonctionnalités DNN

Conception du modèle 

Grâce à la fonction de caractérisation de la composition de l'alliage « WenAlloys », les informations sur la composition de l'alliage peuvent également être décomposées en une série de propriétés atomiques, physiques et chimiques, et transformées en différents descripteurs comme valeurs d'entrée du modèle DNN.

Tableau 2 : Résultats de transformation de certaines fonctionnalités

où c_je , r_je , X_je et E_c,i  Ils représentent respectivement la fraction atomique, le rayon atomique, l'électronégativité de Pauli et l'énergie de liaison des éléments.

Formation et validation

Figure 4 : Résultats de l'apprentissage du DNN de transformation de caractéristiques

A : Courbe d’erreur lors de l’apprentissage et de la vérification du modèle ;

B : Courbe de régression du potentiel de piqûres prédit et du potentiel de piqûres réel après l'entraînement ;

C : Comparaison des résultats entre le DNN de transformation de caractéristiques et le DNN simple.

Après la formation, l'erreur absolue moyenne du DNN de transformation de caractéristiques est d'environ 168 mV, R²  Il est de 0,66 et les performances sont légèrement améliorées par rapport au modèle DNN simple.

Analyse du mécanisme anticorrosion à l'aide de la transformation de caractéristiques DNN 

Un alliage de chacune des cinq catégories a été sélectionné pour la transformation des caractéristiques, puis introduit dans le modèle pour optimisation. Sur la base de la courbe d’optimisation, les fonctionnalités d’entrée peuvent être divisées en deux catégories.Un type de courbe de caractéristiques change considérablement au cours du processus d’optimisation, au-delà de ce qui était attendu dans l’ensemble d’apprentissage ; l'autre type de courbe caractéristique ne change que légèrement au cours du processus d'optimisation.

Figure 5 : Courbes d'optimisation pour différentes caractéristiques d'entrée

La figure montre quatre caractéristiques qui ont changé de manière significative au cours du processus d’optimisation, ce qui signifie que ces caractéristiques peuvent être des paramètres importants pour améliorer le potentiel de piqûres de l’alliage.

Prédiction de l'alliage Al-Cu-Sc-Zr à l'aide de la transformation de caractéristiques DNN 

Étant donné que l'entrée du DNN de transformation de caractéristiques ne contient que les caractéristiques atomiques, physiques et chimiques des composants,Il peut donc faire des prédictions pour des éléments qui ne sont pas présents dans l’ensemble d’entraînement.

Dans divers alliages, les éléments Sc et Zr ont montré des améliorations de la résistance à la corrosion. Par conséquent, l'équipe de recherche a utilisé la transformation de caractéristiques DNN pour analyser les effets de ces deux éléments sur l'alliage Al-Cu.

Figure 6 : Résultats de la prédiction DNN de transformation des caractéristiques pour le potentiel de piqûres de l'alliage Al-Cu-Sc-Zr

Comme le montre la figure, avec l'augmentation de la teneur en éléments Zr et Sc, le potentiel de piqûres de l'alliage continue d'augmenter, indiquant que la résistance à la corrosion de l'alliage a été améliorée.Ce résultat vérifie le pouvoir prédictif de la transformation de caractéristiques DNN pour les nouveaux éléments.

Les résultats ci-dessus montrent queEn combinant le NLP avec le DNN, le modèle est capable de lire des données textuelles sur les méthodes de traitement et de test des alliages, il est donc plus performant que le modèle DNN traditionnel et peut découvrir l'influence des éléments ignorés par le simple DNN sur la résistance à la corrosion des alliages.Le DNN de transformation de caractéristiques peut prédire les performances d'éléments qui n'existent pas dans l'ensemble d'entraînement en fonction des propriétés atomiques, physiques et chimiques de l'alliage.

  La corrosion : le tueur silencieux du métal

En 2009, l’Organisation mondiale de la corrosion (OMD) a institué le 24 avril de chaque année comme Journée mondiale de la corrosion afin de sensibiliser le public à la corrosion. En tant que phénomène chimique courant, la corrosion existe dans tous les recoins de notre vie. Qu'il s'agisse de divers ustensiles de cuisine, de divers appareils électroménagers, de transports maritimes, terrestres et aériens, ou même de divers bâtiments au design unique, ils sont tous en proie à la corrosion.On peut dire que partout où il y a du métal, il y a de la corrosion.

La corrosion des métaux comprend la corrosion chimique et la corrosion électrochimique, parmi lesquelles la corrosion électrochimique est la plus courante et la plus nocive. La corrosion électrochimique fait référence au phénomène selon lequel deux métaux forment un circuit dans une solution électrolytique, formant une cellule galvanique, ce qui provoque la corrosion du métal actif. La corrosion électrochimique courante comprend la corrosion uniforme, la corrosion par piqûres, la corrosion sous contrainte, la corrosion caverneuse, etc.Parmi elles, la corrosion non uniforme, en particulier la corrosion par piqûres et d’autres formes de corrosion qui ne sont pas faciles à détecter, sont plus nocives pour les métaux et peuvent facilement provoquer des accidents.

Figure 7 : Types courants de corrosion électrochimique

Le 22 novembre 2013, l'oléoduc de la ville de Qingdao, dans la province du Shandong, a été exposé pendant une longue période à une forte concentration de chlore et à une alternance d'environnements secs et humides, ce qui a provoqué la corrosion et l'amincissement de la paroi du tuyau, jusqu'à sa rupture, entraînant une fuite de pétrole brut. Au cours des opérations de nettoyage et de réparation qui ont suivi, des opérations inappropriées sur place ont conduit à l'explosion de pétrole brut, qui a finalement causé 62 morts et 163 blessés.

La corrosion est souvent difficile à détecter, c'est pourquoi éviter les accidents de corrosion nécessite des inspections et des réparations manuelles régulières, ce qui consomme beaucoup de main-d'œuvre et de ressources matérielles.Désormais, grâce à l’IA, nous pouvons optimiser la composition des alliages et trouver des matériaux offrant une meilleure résistance à la corrosion.Parallèlement, des systèmes numériques de surveillance de la corrosion sont également mis en œuvre pour nous aider à localiser rapidement les potentiels de corrosion, de sorte que le « tueur silencieux » ne soit plus silencieux.

Liens de référence :

[1] http://impact.nace.org/documents/Nace-International-Report.pdf

[2] https://whatispipe.com/corrosion/?expand_article=1

[3] https://www.gov.cn/govweb/jrzg/2014-01/11/content_2564654.htm# :

Cet article a été publié pour la première fois sur la plateforme publique HyperAI WeChat~