Az acél korróziója az infrastruktúra és az építőipar egyik legköltségesebb és legelterjedtebb kihívása. A hidaktól és csővezetékektől a hajókig és felhőkarcolókig, a fém szerkezetek fokozatos lebomlása hatalmas pénzügyi veszteségekhez vezethet, amelyek évente a globális GDP 3-4%-át teszik ki.
Ennek a problémának a megoldására a Lawrence Livermore Nemzeti Laboratórium (LLNL) kutatói egy áttörő korróziós modellezési keretrendszert fejlesztettek ki, amely jelentősen javíthatja a mérnökök korróziós előrejelzéseit és a tartósabb anyagok tervezését. A Nature Communications folyóiratban nemrégiben megjelent tanulmány új megközelítést kínál a korrózió előrejelzésére, mielőtt az bekövetkezne – ez a fejlesztés segíthet megelőzni az anyagok meghibásodását és meghosszabbíthatja a kritikus infrastruktúra élettartamát.
Miért fontos az acél korróziós modellezése?
A korrózió gyakran ott kezdődik, ahol a legkevésbé számítunk rá – a projekt rejtett, nagy igénybevételnek kitett területein. Eddig a korrózió megelőzésére irányuló stratégiák többsége ismert ötvözetekről és jól dokumentált környezeti feltételekről szóló korábbi adatokra támaszkodott. Az anyagok fejlődésével és a környezet egyre agresszívabbá válásával azonban ezek a hagyományos modellek már nem elegendőek.
Az LLNL kutatói fejlett kinetikai modellezést alkalmaztak a korrózió nanoméretű szimulálására, feltárva, hogyan alakulnak ki, bomlanak le és alakulnak át az idő múlásával a védő oxidrétegek. Ezek a vékony rétegek elengedhetetlenek – ha feloldódnak vagy áteresztővé válnak, a korrózió gyorsan beindul.
Porózus nikkel-oxid atomi erő mikroszkópos képe, amelyet az oldódás-újrakicsapódás folyamat során rögzítettek. A kép forrása: Lawrence Livermore National Laboratory (LLNL).
Gép tanulási megközelítés a korrózió előrejelzéséhez
A keretrendszer praktikus és skálázható kialakítása érdekében a csapat integrált egy gépi tanuláson alapuló modellt, amely a környezeti és anyagi tényezők – többek között a pH-érték, a feszültség és az összetétel – alapján képes előre jelezni a korrózió kialakulását. Ahelyett, hogy a kísérletezésre és a hibákból való tanulásra támaszkodnának, a mérnökök egy napon ezeket a paramétereket bevihetik egy digitális eszközbe, és pontos előrejelzéseket kaphatnak a korróziós kockázatokról.
Ez jelentős előrelépés az anyagok tartósságának elemzésében, különösen olyan projektek esetében, amelyek újszerű ötvözeteket, komplex anyagkölcsönhatásokat vagy nagyon változó környezeti hatásokat tartalmaznak.
A közbenső feszültségzóna rejtélye – megoldva
A kutatás egyik legértékesebb felfedezése az volt, hogy megmagyarázta, mi történik a közbenső feszültségtartományban – egy olyan területen, amely régóta rejtélyt jelentett a mérnökök számára.
Az LLNL megállapította, hogy ebben a tartományban két folyamat – az oldódás és az újrakicsapódás – verseng egymással. Amikor a molekulák elhagyják a fém felületét, keverednek a környezettel, majd újra lerakódnak, kiszámíthatatlan módon átalakítják az oxidréteget. Az eredmény egy védőréteg, amely stabilnak tűnik, de teljesen más tulajdonságokkal rendelkezik.
Még feszültség nélkül is, ha különböző fémeket hoznak szoros érintkezésbe, egyfajta mikroelem keletkezhet, amely ugyanazokat a feltételeket idézi elő. Ez jelentős következményekkel jár a hídtervezés, a hajóépítés és más olyan területeken, ahol gyakoriak a vegyes fém szerkezetek.
Korrózióálló infrastruktúra tervezése
A korróziós folyamatok részletes szimulációjával ez a kutatás megnyitja az utat a proaktív anyagtervezés előtt. A mérnökök ahelyett, hogy meghibásodásra várnának vagy konzervatív biztonsági tartalékokra támaszkodnának, előrejelző modelleket használhatnak, hogy már a kezdetektől fogva megalapozott döntéseket hozzanak az anyagválasztás és a szerkezeti tervezés terén.
Az infrastruktúra tartósságával, az eszközök életciklusának tervezésével vagy a korróziós mérnöki munkával foglalkozók számára ez a modell egy intelligens, adat alapú módszert kínál a kockázatok csökkentésére és a megépített eszközök élettartamának meghosszabbítására.
Az LLNL munkája remek példa arra, hogy az adat alapú modellezés és a gépi tanulás hogyan nyithat új távlatokat az anyagok tartósságának területén, és hogy a korrózióra való odafigyelés ma hogyan vezethet erősebb, intelligens infrastruktúrához holnap.
