Resumen

Los conductos enterrados y las estructuras metálicas en los sistemas de metro están sujetos a corrosión electroquímica bajo la interferencia de corrientes vagabundas. La densidad de corriente de corrosión determina el grado y la velocidad de la corrosión por corriente vagabunda. En esta investigación se utilizó un método que combina experimentos electroquímicos con un algoritmo de aprendizaje automático para estudiar la densidad de corriente de corrosión bajo la acción conjunta de corriente vagabunda e ion cloruro. En este estudio, se construyó un modelo de optimización de enjambre de partículas cuánticas-red neuronal (QPSO-NN) para predecir la densidad de corriente de corrosión en el proceso de corrosión por corriente vagabunda. Se empleó el algoritmo QPSO para optimizar el proceso de actualización de pesos y sesgos en la red neuronal artificial (ANN). Los resultados muestran que la precisión del modelo QPSO-NN propuesto es mejor que el modelo basado en la red neuronal de retropropagación (

• Materias:Modelo de tráfico Sistemas antifrágiles Sistemas multiagente Componentes complejos
• Subjects:Traffic model Anti-fragile systems Multiagent systems Complex components
• Palabras claves:Tuberías; Estructuras metálicas; Corrosión electroquímica; Interferencia de corriente errante; Algoritmo de aprendizaje automático; Densidad de corriente de corrosión
• Keywords:Pipelines; Metallic structures; Electrochemical corrosion; Stray current interference; Machine learning algorithm; Corrosion current density