Общая информация

Цинкование обеспечивает нанесение цинкового покрытия на поверхность стали и является одним из самых эффективных методов ее антикоррозионной защиты. Это обеспечивается за счет высокой коррозионной стойкости цинковых покрытий, особенно к воздействию атмосферных факторов. Оцинкованная сталь является одним из самых важных продуктов с использованием цинка. Ежегодно во всем мире на нужды цинкования потребляется свыше трех миллионов тонн цинка, что составляет почти половину всего мирового объема его мирового производства [1].


Рисунок 1

Скорость коррозии, как цинка, так и других металлов, под воздействием атмосферных факторов может изменяться практически на 2 порядка в зависимости от условий эксплуатации. Поэтому для эффективного применения стальных конструкций с цинковым покрытием в условиях открытой местности очень важно знать скорость коррозии покрытия для конкретных параметров окружающей среды, в которых они будут эксплуатироваться.

Наиболее распространенным способом оценки срока службы оцинкованной стали является использование Метода обобщенных значений (см. Рис. 1) для различных атмосферных условий [2]. Несмотря на простоту и удобство использования, этот обобщенный подход уже не соответствует требованиям рынка. Сегодня конструкторам и проектировщикам, ответственным за спецификацию используемых материалов, все чаще требуется более точная информация и характеристики. Кроме того, поскольку на рынке появляется все больше продукции специального отраслевого назначения, необходима более специфическая информация по скорости коррозии, что создает потребность в более точных методиках прогнозирования.

Возврат в начало


Предыдущие методы прогнозирования скорости коррозии

  1. Метод обобщенных значений (Generalized value method)
  2. Метод географического расположения (Geographic mapping method)
  3. Метод ISOCORRAG
  4. Регрессионный метод (Regression method)

Многочисленные исследования выявили сильную зависимость скорости коррозии от определенных факторов, таких как, продолжительность сохранения влажности, содержания диоксида серы и концентрации хлоридов в воздухе. Эти факторы являются основополагающими для прогнозирования скорости коррозии и срока службы покрытия. Существуют исторически сложившиеся методы, разработанные для прогноза срока службы оцинкованных сталей под воздействием атмосферных условий. Ниже приводится краткое описание каждого из этих принципов

1.

Метод обобщенных значений (generalized value method)
При этом методе для определения скорости коррозии используются обобщенные значения для каждой из типовых атмосферных сред. Как показано на Рисунке 1, метод представляет упрощенные данные о стойкости в условиях коррозии для шести заданных атмосферных сред. Можно легко заметить, что этот метод предоставляет только приблизительную и обобщенную оценку срока службы продукции, поскольку используется всего несколько фиксированных значений для расчета широкого диапазона реальных скоростей коррозии для одного типа среды.

2.

Метод географического расположения (geographic mapping method)
При этом методе скорость коррозии материалов определяется и классифицируется в пределах местоположения эксплуатационного участка на карте коррозионной агрессивности региона [5]. Метод учитывает сложность использования общего прогноза скорости коррозии и пытается определить продолжительность эксплуатации продукции, основываясь непосредственно на информации о заданном участке по данным полевых наблюдений. Это более надежный метод оценки срока службы продукции. Однако, его применимость ограничена лишь небольшим количеством регионов, для которых проводились полевые исследования, по результатам которых были составлены карты коррозионной агрессивности среды.

3.

ISOCORRAG
Это система классификации коррозионной активности агрессивности среды, которая была разработана международной организацией по стандартизации (ISO) [6]. Согласно этой системе, атмосферные условия подразделяются на пять категорий в зависимости от значений продолжительности сохранения влажности, содержания диоксида серы и солей в атмосфере, которые влияют на скорость коррозии. По сравнению с методом обобщенных значений это более точный способ классификации атмосферных условий. Поэтому прогнозируемая скорость коррозии более точно соответствует условиям окружающей среды. Тем не менее, это опять же весьма приближенная оценка с использованием только пяти аргументов для расчета скорости коррозии с погрешностью полученной величины в пределах двух порядков. Кроме того, поскольку учет воздействия значимых факторов производится простым суммированием, точность даже этих широких диапазонов в некоторых случаях вызывает сомнения [7].

4. Регрессионная модель
По этой методике, математические функции выведены опытным путем на основе статистического анализа данных за прошедшие годы по отношению к соответствующим вышеперечисленным факторам. Ниже представлены три примера таких формул расчета скорости коррозии.
a) R = (a×SO2 + b×Cl + c)t (Ссылка 8)
b) R = a + b×SO2 + c×TOW + d×Cl (Ссылка 9)
c) R = A×tn-1 n = g + h×SO2(1 + i× T) + j×T (Ссылка 10,11)
A = a + b×Cl(1 + c×T + d× TOW) + e×SO2(1 + f×T)

где, R – скорость коррозии, t - время, T - температура, TOW – продолжительность сохранения влажности, SO2 – концентрация диоксида серы, Cl - концентрация хлоридов.

Поскольку эти модели обычно предоставляют полезную информацию о взаимосвязи между скоростью коррозии и факторами используемыми в регрессионном анализе, может выявиться большая неопределенность, когда они используются для прогноза в средах, которые не включены в регрессионный анализ. Это происходит чаще всего из-за того, что регрессионные модели используют заранее заданные функции для малого количества факторов, представляющие собой в основном линейные и суммарные зависимости, тогда как реальная функция с учетом всех значительных значимых факторов в конечном счете неизвестна. Кроме того, данные используемые для разработки регрессионных моделей, обычно ограничены малым количеством атмосферных сред, что ограничивает их применимость к реальному разнообразию атмосферных условий в мире.

Возврат в начало


Методы, используемые в представленной модели

Модели прогноза, применяемые в Zinc Coating Life Predictor были разработаны с использованием технологии нейронных сетей в комбинации со статистическими методами. Для моделирования прогноза использовалось коммерческое нейросетевое программное обеспечение NearoShell® 2 [12].

 

Нейросетевая технология

Нейросетевая технология имитирует процессы решения проблемы головным мозгом [12]. Как человек использует накопленный опыт в решении новых проблем или оценке ситуаций, нейронная сеть использует предыдущие решения для выстраивания системы нейронов, которые принимают новые решения, проводят классификации и составляют прогнозы.

Нейронные сети изучают образы и находят типовые решения для обучающих наборов данных, и на их основе разрабатывают способность правильно классифицировать новые образы, составлять прогнозы или предположения. Использование подхода нейронной сети дают превосходных результаты в диагностике проблем, принятии решений, прогнозировании и классификации других проблем, где важно распознование образов, и не требуются точные расчетные результаты.


Рисунок 4

Основой нейросетевой технологии является симулированный нейрон (изображен на Рисунке 4 в виде кружка). Независимые нейроны мало полезны, пока они не взаимосвязаны в сеть. Сеть обрабатывает определенное количество входных сигналов извне и генерирует выходной сигнал, классифицируя информацию или прогнозы. Нейроны соединены с помощью "весов" (изображены в виде линий), которые передают данные от одного нейрона к другому.

В зависимости от их связи с внешним средой, нейроны группируются в слои. К примеру, если нейрон получает данные извне, то предполагается, что он находится во входном слое. Если нейрон содержит данные по прогнозам или по классификации сети, он размещается в выходном слое. Нейроны, располагаемые между входным и выходным слоями, размещаются в скрытом слое (-ях).

Типичной нейронной сетью является сеть с обучением по алгоритму обратного распространения ошибки (back propagation network), которая обычно имеет три слоя нейронов. Входные значения из первого слоя оцениваются и передаются второму (скрытому) слою. Нейроны скрытого слоя "сжигают" или генерируют выходные сигналы, которые базируются на сумме оценочных значений, переданных им. Скрытые слои передают значения выходному слою таким же способом, а выходной слой генерирует желаемый результат (прогнозы или классификации).

Сеть "обучается" путем настройки внутреннего взаимодействия результатов оценки данных между слоями. Генерируемые сетью ответы постоянно сравниваются с правильными ответами и каждый раз предаваемые данные слегка корректируются в сторону правильных ответов. В конечном счете, после изучения проблемы, используется стабильный набор данных и генерируются адекватные результаты для всех изучаемых случаев или прогнозов. Польза от использования нейронных сетей особенно заметна, когда «обученная» сеть способна генерировать правильные результаты для данных, с которыми сеть никогда до этого не сталкивалась.

Возврат в начало


Точность результатов

Достоверность прогноза

Согласно статистике, средняя ошибка прогноза используемых моделей данного программного обеспечения составляет 36% ±13 при 95% степени достоверности. Оценка была произведена на основе более 40 контрольных испытаний скорости коррозии с мест, находящихся в различных географических точках, которые не были включены в процесс «обучения» нейронных сетевых моделей. Ниже представлены возможные причины ошибок.

i)

Одной из основных причин ошибки является включение только ограниченного количества факторов в модель прогнозирования. Включены только шесть параметров: дождь, RH, температура, концентрация хлоридов, концентрация серы и продолжительность воздействия. В реальности, многие факторы среды, материалов и структуры, такие как, направление ветра, частота высыхания поверхности, легирующие элементы, поверхностная ориентация и т.д., могут также оказывать влияние на скорость коррозии. Однако, они не используются поскольку, согласно исследованиям, оказывают меньшее воздействие по сравнению с вышеуказанными факторами. Они обычно не рассматриваются при нормальных атмосферных испытаниях. Кроме того, для этих параметров имеется очень ограниченное количество данных по сравнению с выбранными для этой модели шестью параметрами.

ii)

Основная причина ошибки лежит в различии между величиной расчетной и экспериментальной скорости коррозии. Каждая часть данных с места проведения коррозионных испытаний является усредненным по времени значением, определенным с помощью кратковременных замеров параметров среды. Расчетная скорость определяется с помощью усредненных среднегодовых значений параметров среды.

iii)

Третья причина связана с нерегулярным и непоследовательным представлением данных с мест проведения коррозионных испытаний, доступных для разработки модели. Полученные скорости коррозии в различных географических точках со всего мира получены путем замеров, проводимые большим количеством исследователей из различных стран в различные периоды года. Условия использования материалов и методика испытаний этих исследований скорее всего сильно отличаются друг от друга.

Значение усредненной ошибки примерно в 36% для прогнозируемой скорости коррозии является индикатором разброса данных, вызванный тремя причинами появления ошибки, упомянутые выше. Тем не менее, скорость коррозии, рассчитанная по этой модели прогнозирования (использующая эти шесть параметров), охватывает 64% вариантов атмосферной коррозии цинка в покрытии.

Сравнение с методом ISO

Международная организация по стандартизации ISO в 1993 опубликовала стандарт ISO 9223 "Коррозия металлов и сплавов. Коррозионная активность атмосферы. Классификация" [6]. Стандарт классифицирует атмосферные среды по пяти типам в соответствии с тремя параметрами среды: продолжительностью сохранения влажности, концентраций диоксида серы и минерализации осадков. Как показано на Рисунке 5, комбинация трех параметров среды определяет скорость коррозии в конкретном случае. Текущая модель Zinc Coating Life Predictor отличается от модели ISO в следующем:


Рисунок 5

  1. Она предоставляет конкретное значение, тогда как метод ISO выдает интервал значений для данных диапазонов условий.
  2. Она является непрерывной функцией факторов, тогда как метод ISO использует 4 или 5 широких диапазонов значений факторов.
  3. В ней используются первичные климатические параметры (такие как температура и относительная влажность) вместо продолжительности сохранения влажности, которая вычисляется на основании данных о температуре и относительной влажности. На практике намного легче получить среднегодовые значения температуры и относительной влажности, нежели продолжительность сохранения влажности, которая не является общепринятым параметром, представляемый метеостанциями.
  4. В модели учитывается влияние дождей, в отличие от метода ISO. Поэтому модель реагирует более адекватно на реальные ситуации, где дождь является значимым фактором.

     

    Возврат в начало


    Используемая литература

    1. Международная группа изучения свинца и цинка. Статистика по свинцу и цинку (International Lead Zinc Study Group, Zinc and Lead Statistics), Лондон, Великобритания, 1996.
    2. Американская ассоциация цинковальщиков (American Galvanisers Association), "Цинкование для антикоррозионной защиты - специальное руководство" (Galvanizing for Corrosion Protection -- A Special Guide), 1990.
    3. X.G. Zhang, "Коррозия и электрохимия цинка" (Corrosion and Electrochemistry of Zinc), Plenum, Нью-Йорк, 1996.
    4. Cominco Ltd., неопубликованные данные.
    5. G.A. King, "Картографирование коррозионной активности - новый инструмент для выбора материалов и управления материальными ресурсами" (Corrosivity Mapping - A Novel Tool for Materials Selection and Asset Management), Materials Performance, Январь, стр. 6, 1995.
    6. Международный стандарт "Коррозия металлов и сплавов. Коррозионная активность сред. Классификация" (Corrosion of Metals and Alloys -- Corrosivity of Atmospheres -- Classification), ISO 9223, 1992.
    7. G.A. King, "Некоторые видимые ограничения использования категорий ISO атмосферной коррозионной активности"( Some Apparent Limitations in Using the ISO Atmospheric Corrosivity Categories), Коррозия и материалы, Том. 23, Февраль, стр. 8, 1998.
    8. V. Kucera, S. Haagenrud, L. Atteraas and J. Gullman, "Коррозия стали и цинка в Скандинавии в соответствии с классификацией коррозионной активности атмосферных сред" (Corrosion of Steel and Zinc in Scandinavia With Respect to the Classification of the Corrosivity of Atmospheres) в "Ухудшение свойств металлов в атмосфере" (Degradation of Metals in the Atmosphere), Редакция S.W. Dean and T.S. Lee, ASTM STP 965, стр. 264, 1982.
    9. Knotkova, D., Boschek, P. and Kreislova, K., "Результаты программы ISO CORRAG: Обработка данных одного года относительно классификации коррозионной активности" (Results of ISO CORRAG Program: Processing of One-Year Data in Respect to Corrosivity Classification), ASTM STP 1239, W.W. Kirk and H.H. Lawson, ASTM , Филадельфия, стр. 38, 1995.
    10. Feliu, S., Morcillo, M. and Feliu, S., "Прогноз атмосферной коррозии по метрологическим параметрам и параметрам загрязнения - I. Годовая коррозия" (The Prediction of Atmospheric Corrosion from Meteorological and Pollution Parameters - I. Annual Corrosion), Corrosion Science, Том 34, стр. 403, 1993.
    11. Feliu, S., Morcillo, M. and Feliu, S. Jr, "Прогноз атмосферной коррозии по метрологическим параметрам и параметрам загрязнения - II. Долгосрочные прогнозы" (The Prediction of Atmospheric Corrosion from Meteorological and Pollution Parameters - II. Long-Term Forecasts), Corrosion Science, Том 34, стр. 415, 1993.
    12. NeuralShell 2, Ward System Group, включая 4 издание, Frederick, MD,1996.

    Возврат в начало