Resumen

Supervisar cuantitativamente la tasa de crecimiento de grietas del agrietamiento por corrosión bajo tensión (SCC) del material en un autoclave que simula un entorno de agua a alta temperatura y alta presión, y el método de caída de potencial de corriente continua (DCPD) es el método principal. Dado que el método DCPD comprueba las señales de caída de micro-nano-voltaje, la señal de monitorización es débil y fácil de ser interferida por el entorno. Para reducir y equilibrar el error causado por la deriva de la temperatura y otros factores a la precisión de la monitorización, es muy importante seleccionar razonablemente la posición del punto de la sonda de potencial de referencia. En este estudio, se utilizan el algoritmo genético (GA), el método de elementos finitos (FEM) y el análisis experimental para optimizar la posición del punto de sonda de potencial de referencia de la muestra de tracción compacta (CT). Se utiliza el método de elementos finitos para analizar el campo de potencial eléctrico de la muestra de tracción compacta, se construye un modelo matemático de la mensurabilidad y la independencia de la grieta de la diferencia de potencial de referencia, se utiliza el algoritmo genético para encontrar la posición óptima del punto de sondeo de la diferencia de potencial de referencia (RPD) y, finalmente, se realizan los experimentos de monitorización de grietas para evaluar la viabilidad de los resultados de la optimización del algoritmo. Los resultados indican que la RPD medida en el punto de entrada actual y en la posición superior derecha de la muestra de TC puede proporcionar la máxima compensación del potencial a ambos lados de la grieta y hacer que el rendimiento de la señal de monitorización sea óptimo.

• Materias:Agua Ingeniería de estructuras Asfalto Acero Concreto
• Subjects:Water Structural engineering Asphalt Steel Concrete
• Palabras claves:punto de sonda de potencial, métodos de elementos finitos, diferencia de potencial, algoritmo genético, caída de potencial actual, tasa de crecimiento de grietas, experimento de monitorización de grietas, señal de monitorización óptima, posición del punto de sonda, resultados de optimización del algoritmo
• Keywords:potential probe point, finite elements methods, potential difference, genetic algorithm, current potential drop, crack growth rate, crack monitoring experiment, monitoring signal optimal, probe point position, algorithm optimization results