[ad_1]
La cinética de oxidación y la corrosión de las aleaciones de Zr dependen en gran medida de la porosidad de la zirconia (ZrO2) Capas.
![El aprendizaje automático predice los efectos de la porosidad en la corrosión de las aleaciones de Zr](https://d1otjdv2bf0507.cloudfront.net/images/news/ImageForNews_39679_16631616398356011.jpg)
Estudio: Efectos de la nanoporosidad en la velocidad de corrosión de las aleaciones de Zr utilizando nanomicroscopía junto con aprendizaje automático. Crédito: Sesión de fotos de Korawat/Shutterstock.com
En un estudio publicado en Corrosion Science, el equipo sometió a Zircaloy-4 a oxidación durante unos tres meses. La porosidad a nanoescala se evaluó mediante microscopía electrónica de transmisión (TEM), que luego se cuantificó con precisión mediante conteo manual y un novedoso algoritmo de aprendizaje automático basado en diferencias de valores de escala de grises.
Una introducción a las aleaciones de Zr
Las aleaciones de Zr son los materiales de elección para su uso en los núcleos de los reactores enfriados por agua debido a su pequeña sección transversal para la absorción térmica de neutrones y su buena resistencia a la corrosión en agua a alta temperatura.
Zircaloy-4 ofrece la mayor resistencia a la corrosión y una absorción mínima de hidrógeno entre las aleaciones de Zr.
Las condiciones agresivas en el interior de los reactores conducen a una formación no despreciable de óxidos y una absorción significativa del hidrógeno asociado.
Comprender y mejorar la resistencia a la corrosión de las aleaciones de Zr, y Zircaloy-4 en particular, tiene importantes beneficios económicos y de seguridad.
Cinética de corrosión de Zircaloy-4
La cinética de corrosión de Zircaloy-4 es típicamente subparabólica, con la tasa de pasivación a través de la acumulación de óxido que continúa disminuyendo hasta que se alcanza un nivel de espesor umbral.
Se produce un cambio en la cinética de la corrosión, denominado transitorio, en el nivel umbral del espesor del óxido.
La protección contra el óxido se disipa rápidamente una vez que se alcanza la transición, como lo demuestran las observaciones del aumento de peso. Se forma una nueva capa de óxido pasivante dentro del sustrato metálico, lo que conduce a una cinética cíclica pronunciada del proceso de oxidación.
Crecimiento de óxido en aleaciones de Zr
Cuando la aleación de Zr se oxida, se crean diferentes fases, microestructuras, tensiones y texturas en la capa de óxido.
La tasa de formación de óxido está regulada principalmente por la entrada de oxígeno y la salida de electrones por difusión. Tanto el hidrógeno como el oxígeno pueden difundirse a través de la capa de óxido.
La difusión puede tener lugar en los límites de grano y en los poros que lo acompañan en la capa de óxido; Por lo tanto, la textura de la capa de óxido es un elemento clave que afecta el mecanismo de difusión. La textura del óxido está relacionada con la textura de la aleación Zr.
La capa de óxido protege la aleación de Zr de la oxidación posterior y la entrada de hidrógeno. El conocimiento de la evolución de la textura en la capa de óxido es crucial para comprender el mecanismo y el alcance de esta protección.
¿Cómo puede ayudar el aprendizaje automático?
La cuantificación precisa y la evolución cualitativa de los poros en la zirconia son cruciales, ya que juegan un papel clave en la comprensión de los procesos de oxidación e hidratación de las aleaciones de Zr.
Hasta la fecha, la porosidad de la zirconia se ha cuantificado en pequeña medida contando manualmente los poros encontrados en las imágenes TEM. Desafortunadamente, este método requiere mucho tiempo y es propenso a errores humanos.
Los enfoques de aprendizaje automático (ML) como reemplazo de los descriptores de observación humana se han utilizado ampliamente para determinar características a nanoescala mediante la extracción automática de estas características de fuentes de datos multidimensionales.
Desarrollo del modelo de aprendizaje automático
Los enfoques de aprendizaje automático son ideales para cuantificar los poros en zirconia, caracterizar la densidad de poros de manera más efectiva e incluso predecir la formación de poros en zirconia bajo diferentes condiciones de corrosión.
El equipo utilizó una serie de imágenes TEM de zirconia contadas manualmente para entrenar el modelo de aprendizaje automático. Se utilizaron varias propiedades como datos de entrenamiento para el modelo de aprendizaje automático, incluida la porosidad del óxido, las fracturas del óxido y los granos en el sustrato metálico.
A continuación, se correlacionó la distribución de la porosidad a nanoescala con la textura del óxido localizada, lo que reveló una fuerte asociación entre la porosidad a nanoescala y las desalineaciones de los límites de los granos de óxido.
Finalmente, se investigó la porosidad a nanoescala y la textura del óxido en relación con la velocidad de corrosión, la temperatura de corrosión y la textura del sustrato. El objetivo era comprender sus interrelaciones y determinar la mejor estrategia para mejorar la resistencia a la corrosión de las aleaciones de Zr.
Resultados de la investigacion
Utilizando enfoques basados en el aprendizaje automático, los investigadores evaluaron los efectos de la textura del óxido, la temperatura y el tiempo de exposición en la porosidad a nanoescala y la formación de subóxido en la aleación Zircaloy-4 corroída con enfriamiento beta.
Descubrieron que la orientación del grano de metal tenía un impacto significativo en la porosidad del óxido, la textura del óxido y la tasa de corrosión.
La formación impulsada por la tensión fue dominante entre 25° y 75° desde la dirección del crecimiento del óxido, mientras que la formación reticular fue dominante en las orientaciones restantes.
Se ha informado una porosidad reducida y tasas de corrosión reducidas en el modo de formación impulsado por tensión, mientras que se han observado una mayor porosidad y tasas de corrosión aumentadas en el modo de formación de coincidencia de celosía.
La textura del sustrato metálico y el modo de formación de óxido podrían afectar significativamente la concentración de poros y la desalineación del límite de grano en el óxido resultante, lo que afecta en gran medida el comportamiento frente a la corrosión.
Esta estrategia se puede utilizar para crear materiales superiores resistentes a la corrosión adaptando texturas apropiadas utilizando enfoques de procesamiento de materiales específicos.
Relación
Zhang H, Kim T. y otros. (2022). Efectos de la nanoporosidad en la velocidad de corrosión de las aleaciones de Zr utilizando nanomicroscopía junto con aprendizaje automático. ciencia de la corrosión. Disponible en: https://linkinghub.elsevier.com/retrieve/pii/S0010938X22005789
[ad_2]