Tendencia corrosiva por CO2 del gas natural basada en su composición mediante Redes Neuronales Artificiales
Barra lateral del artículo
Contenido principal del artículo
Resumen
La corrosión es un problema recurrente en la industria del gas natural, debido a la presencia de gases corrosivos como el CO2 y el H2S que en presencia de agua pueden atacar el acero y producir daños y fugas que generen accidentes y contaminación, es por ello que la predicción de la tendencia del gas natural hacia la corrosión es fundamental para desarrollar estrategias de inhibición y mitigación de este proceso. El objetivo del estudio fue desarrollar una Red Neuronal Artificial (RNA) entrenada con datos de composición de muestras de gas natural para predecir la tendencia corrosiva, como método alternativo que pueda ser utilizado como una herramienta predictiva eficiente. La RNA se entrenó con una muestra de 46 gases naturales y 11 componentes por cada una, además de la presión y la temperatura como condiciones operacionales, lo que representa un total de 598 datos de entrenamiento de la RNA, además se utilizaron 8 muestras adicionales para la validación externa del modelo. La RNA que desarrolló fue dentro de los principios de la estadística Bayesiana, con una arquitectura de Perceptrón Multicapa. Se obtuvo que la RNA es capaz de clasificar correctamente el 95,65% de la tendencia corrosiva de las muestras, siendo aquellas con tendencia no corrosiva las que presentaron el menor porcentaje de predicción (75%). La predicción de las muestras externas siguió la tendencia esperada, con menor capacidad para clasificar a las no corrosivas, y las muestras con posible corrosión y corrosivas fueron predichas en 80%. Se concluye que la RNA es una herramienta eficiente para la predicción de la tendencia corrosiva del gas natural en presencia de CO2 y su efectividad depende de que se utilicen muestras con todos los componentes necesarios para entrenar la misma, además puede ser mejorada al introducir otros parámetros como la cantidad de agua presente.
Descargas
Métricas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Citas
Alarouj, M., Alomair, O. y Elsharkawy, A. (2020) “Gas condensate reservoirs: Characterization and calculation of dew-point pressure”, Petroleum Exploration and Development, 47 (5), pp. 1091-1102. DOI: 10.1016/S1876-3804(20)60120-3
Alqahtani, H., Sarker, I. H., Kalim, A., Minhaz Hossain, S. M., Ikhlaq, S. y Hossain, S. (2020) “Cyber intrusion detection using machine learning classification techniques”. Computing Science, Communication and Security: First International Conference, COMS2 2020. Singapur: Springer, pp. 121-131. DOI: 10.1007/978-981-15-6648-6_10
Ayello, F., Robbins, W., Richter, S. y Nešić, S. (2013) “Model compound study of the mitigative effect of crude oil on pipeline corrosion”, Corrosion, 69 (3), pp. 286-296. DOI: 10.5006/0631
Chin, K. T., Arumugam, T., Karuppanan, S. y Ovinis, M. (2020) “Failure pressure prediction of pipeline with single corrosion defect using artificial neural network”, Pipeline Sci. Technol, 4 (1), pp. 10-17. DOI: 10.28999/2514-541X-2020-4-1-10-17
Faramawy, S., Zaki, T. y Sakr, A. A.-E. (2016) “Natural gas origin, composition, and processing: A review”, Journal of Natural Gas Science and Engineering, 34, pp. 34–54. DOI: 10.1016/j.jngse.2016.06.030
Farhadian, A., Varfolomeev, M. A., Kudbanov, A., Rezaeisadat, M. y Nurgaliev, D. K. (2020) “Waterborne polymers as kinetic/anti-agglomerant methane hydrate and corrosion inhibitors: A new and promising strategy for flow assurance”, Journal of Natural Gas Science and Engineering, 77, p. 103235. DOI: 10.1016/j.jngse.2020.103235
Feng, R., Beck, J. R., Hall, D. M., Buyuksagis, A., Ziomek Moroz, M. y Lvov, S. N. (2018) “Effects of CO2 and H2S on corrosion of martensitic steels in brines at low temperature”, Corrosion, 74 (3), pp. 276-287. DOI: 10.5006/2406
Groysman, A. (2017) “Corrosion problems and solutions in oil, gas, refining and petrochemical industry”, KOM–Corrosion and Material Protection Journal, 61 (3), pp. 100-117. DOI: 10.1515/kom-2017-0013
Jiang, G., Keller, J., Bond, P. L. y Yuan, Z. (2016) “Predicting concrete corrosion of sewers using artificial neural network”, Water research, 92, pp. 52-60. DOI: 10.1016/j.watres.2016.01.029
Li, J., Wang, D. y Xie, F. (2022) “Failure analysis of CO2 corrosion of natural gas pipeline under flowing conditions”, Engineering Failure Analysis, 137, p. 106265. DOI: 10.1016/j.engfailanal.2022.106265
Marín Velásquez, T. D. y Arriojas Tocuyo, D. D. J. (2020) “Efecto de la mezcla de aceites de Anacardium occidentale/Cocos nucífera en gasoil sobre la velocidad de corrosión de acero al carbono en solución salina”, Revista Tecnología en Marcha, 33 (4), pp. 37-46. DOI: 10.18845/tm.v33i4.4484
Marín, T. D. y Arriojas, D. D. J. (2021) “Ubicación de revistas científicas en cuartiles según SJR: Predicción a partir de estadística multivariante”, Anales de Documentación, 24 (1), pp. 1-11. DOI: 10.6018/analesdoc.455951.
NACE SP106 (2018) Control of Internal Corrosion in Steel Pipelines and Piping Systems. Houston: National Association of Corrosion Engineers International.
Nayak, N., Anarghya, A. y Al Adhoubi, M. (2020) “A study on the behavior of CO2 corrosion on pipeline using computational fluid dynamics, experimental and artificial neural network approach”, Engineering Research Express, 2 (2), p. 025012. DOI: 10.1088/2631-8695/ab69d6
Perez, T. E. (2013) “Corrosion in the oil and gas industry: an increasing challenge for materials”, Jom, 65 (8), pp. 1033-1042. DOI: 10.1007/s11837-013-0675-3
Valdez, B., Schorr, M. y Bastidas, J. M. (2015) “The natural gas industry: equipment, materials, and corrosion”, Corrosion Reviews, 33 (3-4), pp. 175-185. DOI: 10.1515/corrrev-2015-0012
Verma, C., Quraishi, M. A. y Rhee, K. Y. (2022) “Hydrophilicity and hydrophobicity consideration of organic surfactant compounds: Effect of alkyl chain length on corrosion protection”, Advances in Colloid and Interface Science, 306, p. 102723. DOI: 10.1016/j.cis.2022.102723
Wang, Y., Li, Y., Song, Y. y Rong, X. (2020) “The influence of the activation function in a convolution neural network model of facial expression recognition”, Applied Sciences, 10 (5), p. 1897. DOI: 10.3390/app10051897
Wang, Y., Wang, H. y Peng, Z. (2021) “Rice diseases detection and classification using attention based neural network and bayesian optimization”, Expert Systems with Applications, 178, p. 114770. DOI: 10.1016/j.eswa.2021.114770
Wu, S., Zhu, X. y Wang, H. (2023) Subsampling and jackknifing: a practically convenient solution for large data analysis with limited computational resources. Ithaca, New York: Cornell University. Disponible en https://arxiv.org/abs/2304.06231. DOI: 10.48550/arXiv.2304.06231