DỰ BÁO MỨC ĐỘ ĂN MÒN THÉP TRONG ĐIỀU KIỆN KHÍ QUYỂN BIỂN BẰNG PHƯƠNG PHÁP HỌC MÁY

Nguyễn Anh Sơn; Vương Thị Vy Anh; Chu Phạm Đình Tú; Nguyễn Phú Nguyên; Trần Mạnh Tuấn; Nguyễn Hữu Linh

doi:10.34238/tnu-jst.13747

DỰ BÁO MỨC ĐỘ ĂN MÒN THÉP TRONG ĐIỀU KIỆN KHÍ QUYỂN BIỂN BẰNG PHƯƠNG PHÁP HỌC MÁY

Thông tin bài báo

Ngày nhận bài: 04/10/25 Ngày hoàn thiện: 30/12/25 Ngày đăng: 31/12/25

Các tác giả

1. Nguyễn Anh Sơn, Viện Khoa học vật liệu - Viện Hàn lâm Khoa học và Công nghệ Việt Nam
2. Vương Thị Vy Anh, Viện Khoa học vật liệu - Viện Hàn lâm Khoa học và Công nghệ Việt Nam
3. Chu Phạm Đình Tú, Viện Công nghệ thông tin – ĐH Quốc gia Hà Nội
4. Nguyễn Phú Nguyên, Trường Đại học Thủy lợi
5. Trần Mạnh Tuấn , Trường Đại học Thủy lợi
6. Nguyễn Hữu Linh, Học viện Báo chí - Tuyên truyền

Tóm tắt

Việc đánh giá ăn mòn kim loại có tác động lớn từ môi trường khí hậu. Trong các môi trường khác nhau thì mức độ ăn mòn cũng khác nhau, đặc biệt trong môi trường khí quyển biển. Mục tiêu của nghiên cứu này là trả lời câu hỏi: làm thế nào để dự báo ăn mòn thép trong điều kiện khí quyển biển? Trong bài báo này, chúng tôi tập trung vào các vấn đề chính: i) thu thập bộ dữ liệu môi trường khí quyển biển; ii) nghiên cứu sử dụng mô hình học máy để dự đoán tốc độ ăn mòn của hai loại thép CT3 và Corten B trong môi trường khí quyển biển. Chúng tôi đã triển khai thu thập bộ dữ liệu thu thập trong điều kiện khí quyển thu thập tại các địa điểm khác nhau ở Việt Nam từ 2024 đến 2025, đã ứng dụng, đánh giá hiệu năng 2 mô hình học máy là XGBoost và LightGBM để đánh giá mức độ ăn mòn của hai loại thép CT3 và Corten B. Kết quả của nghiên cứu có ý nghĩa thực tiễn trong việc dự báo tốc độ ăn mòn thép trong môi trường khí quyển biển để từ đó ước lượng thời gian sử dụng thép để đảm bảo an toàn các công trình biển.

Từ khóa

Học máy; Ăn mòn thép; XGBoost; LightGBM; Khí quyển biển

Toàn văn:

PDF

Tài liệu tham khảo

[1] T. Nguyen, L. D. Manh, and D. Hoang, “Investigation of the corrosion inhibition efficiency of dimethylaminoethanol and isopropanol binary mixture on CT3 Steel,” (in Vietnamese), Journal of Tropical Science and Engineering, vol. 24, pp. 182-191, 2021, doi: 10.58334/vrtc.jtst.n24.19.

[2] M. E. A. B. Seghier, O. Ø. Knudsen, A. W. B. Skilbred, and D. Höche, “An intelligent framework for forecasting and investigating corrosion in marine conditions using time sensor data,” NPJ Materials Degradation, vol. 7, 2023, Art. no. 91.

[3] Q. Chen, H. Wang, H. Ji, X. Ma, and Y. Cai, “Data-driven atmospheric corrosion prediction model for alloys based on a two-stage machine learning approach,” Process Safety and Environmental Protection, vol. 188, pp. 1093-1105, 2024.

[4] L. Yan, Y. Diao, Z. Lang, and K. Gao, “Corrosion rate prediction and influencing factors evaluation of low-alloy steels in marine atmosphere using machine learning approach,” Science and Technology of Advanced Materials, vol. 21, no. 1, pp. 359–370, 2020, doi: 10.1080/14686996.2020.1746196.

[5] A. A. Thanush, P. Chitra, J. Kasinath, and R. S. Prakash, “Atmospheric corrosion rate prediction of low-alloy steel using machine learning models,” in IOP Conference Series: Materials Science and Engineering, IOP Publishing, vol. 1248, no. 1, Jul. 2022, Art. no. 012050.

[6] M. T. Nguyen, L. T. Quy, and V. N. Pham, “Prediction of steel atmospheric corrosion by means of artificial neuron networks,” Vietnam Journal of Chemistry, vol. 52, pp. 112–115, 2014.

[7] N.-L. Tran, T.-H. Nguyen, V.-T. Phan, and D. D. Nguyen, “A Machine Learning-Based Model for Predicting Atmospheric Corrosion Rate of Carbon Steel,” Advances in Materials Science and Engineering, vol. 2021, 2021, Art. no. 6967550.

[8] L. Yan, Y. Diao, Z. Lang, and K. Gao, “Corrosion rate prediction and influencing factors evaluation of low-alloy steels in marine atmosphere using machine learning approach,” Science and Technology of Advanced Materials, vol. 21, no. 1, pp. 359–370, 2020.

[9] T. Chen and C. Guestrin, “XGBoost: A scalable tree boosting system,” in Proc. 22nd ACM SIGKDD Int. Conf. Knowledge Discovery and Data Mining, 2016, pp. 785-794.

[10] C. Bentéjac, A. Csörgő, and G. Martínez-Muñoz, “A comparative analysis of gradient boosting algorithms,” Artif. Intell. Rev., vol. 54, pp. 1937–1967, 2021.

[11] G. Ke et al., “LightGBM: A highly efficient gradient boosting decision tree,” in Advances in Neural Information Processing Systems, vol. 30, pp. 1-9, 2017.

[12] Y. Yu, X. Si, C. Hu, and J. Zhang, "A review of recurrent neural networks: LSTM cells and network architectures," Neural Computation, vol. 31, no. 7, pp. 1235-1270, 2019.

[13] Q. Ren, J. Zhang, Y. Xu, Y. Xin, D. Liu, and Q. Zhang, "Towards the dynamics of a DNN learning symbolic interactions," Advances in Neural Information Processing Systems, vol. 37, pp. 50653-50688, 2024.

[14] International Organization for Standardization, “Corrosion of Metals and Alloys: Corrosivity of Atmospheres: Measurement of Environmental Parameters Affecting Corrosivity Atmospheres,” ISO, 2012. [Online]. Available: https://www.iso.org/standard/53501.html. [Accessed November 15, 2025].

[15] ASTM G50-10, "Standard practice for conducting atmospheric corrosion tests on metals," ASTM International, 2015. [Online]. Available: https://webstore.ansi.org/standards/astm/astmg50102015? srsltid=Afm BOorDuios3LRaWrN6Tjj4uZIPBg__1yfZeElLQBVPIDbvxHXw7xVT. [Accessed November 15, 2025].

[16] ISO 8407, "Corrosion of metals and alloys—Removal of corrosion products from corrosion test specimens," 1991. [Online]. Available: https://www.iso.org/standard/71866.html. [Accessed November 15, 2025].

DOI: https://doi.org/10.34238/tnu-jst.13747

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ