Corrosion of bolted joints – analysis and smart monitoring

Résumé

Cette étude examine la corrosion des faces de brides des assemblages boulonnés utilisés dans des applications industrielles telles que les réservoirs et tuyauterie sous pression, les éoliennes et les ponts. Un banc d’essai simulant un montage de brides a été développé pour simuler les conditions réelles, permettant un suivi continu des facteurs influençant la corrosion, comme la température, le débit de fluide, la pression, la conductivité, le pH, la différence de potentiel et l’intensité du courant. Des techniques électrochimiques, incluant les polarisations potentiodynamique et potentiostatique, la spectroscopie d’impédance électrochimique (EIS) et la mesure de bruit électrochimique (ENM), ont été employées pour caractériser la corrosion. Les résultats montrent que la corrosion par crevasse débute dans l’espace entre les rayons intérieurs du joint et la bride, avec les joints en graphite causant plus de corrosion sur les surfaces en acier inoxydable ASTM A182 F321 que les joints en PTFE. L’effet des dimensions de l’espace de crevasse sur la corrosion a également été étudié, révélant qu’une augmentation de l’épaisseur de l’espace de 1,58 à 6,35 mm accroît les taux de corrosion générale, tandis qu’une réduction de la profondeur de crevasse les diminue. Des algorithmes d’apprentissage automatique (arbre de décision, SVM, forêt aléatoire et classificateur par bagging) ont été comparés pour la prédiction du comportement de corrosion, le classificateur par bagging atteignant une précision de 94,4 %. De plus, des réseaux neuronaux récurrents (RNNs), et en particulier les modèles LSTM, ont été utilisés pour classifier les types de corrosion via les données de bruit électrochimique, atteignant une précision de 93,62 %, avec une approche hybride RF-LSTM atteignant 97,85 %. Un modèle LSTM non supervisé, combiné à l’analyse en composantes principales (PCA) et au regroupement K-means, montre un potentiel pour la surveillance en ligne de la corrosion. Ce travail fait progresser le domaine en démontrant l’efficacité des modèles d’apprentissage automatique et d’apprentissage profond pour la prédiction et la classification du comportement de corrosion, offrant une alternative plus efficace aux tests de corrosion traditionnels. Les connaissances acquises en matière de sélection de matériaux, de conception de joints et de dimensions des interstices contribuent à des conceptions de brides plus sûres et plus fiables dans les applications industrielles, réduisant potentiellement les coûts liés à la maintenance et aux défaillances imprévues. Ces résultats ouvrent la voie à des systèmes de surveillance en temps réel capables de gérer proactivement les risques de corrosion, améliorant ainsi la sécurité et la continuité opérationnelle.

Date	14 janv. 2025
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Lucas Hof (Directeur(-trice)) & Hakim A. Bouzid (Codirecteur(-trice))