Durability and Corrosion/fa

مقدمه

پایداری به عنوان برآورده کردن نیازهای فعلی بدون به خطر انداختن توانایی نسل‌های آینده در تأمین نیازهای خود تعریف می‌شود. اصول آن بر کاهش اسراف، افزایش کیفیت فرآیندها و محصولات و اجرای سیستم‌های کارآمد الهام گرفته از اکوسیستم‌های طبیعی متمرکز است. در طول دهه گذشته، پایداری به یک تمرکز حیاتی نوظهور در حوزه مهندسی تبدیل شده است که ناشی از نیاز به کاهش اثرات زیست‌محیطی، بهینه‌سازی استفاده از منابع و توسعه سیستم‌های بادوام و کارآمد در صنایع مختلف است. یک ماده پایدار به عنوان ماده‌ای تعریف می‌شود که اثرات زیست‌محیطی خود را در طول چرخه عمر خود، از استخراج مواد اولیه گرفته تا فرآوری، استفاده و در نهایت بازیافت یا دفع، به حداقل می‌رساند. چنین موادی با دوام، بهره‌وری منابع، قابلیت بازیافت و توانایی کاهش ضایعات و انتشار گازهای گلخانه‌ای مشخص می‌شوند. آنها نقش مهمی در پرداختن به چالش‌های زیست‌محیطی، به ویژه در بخش‌هایی مانند ساخت و ساز، حمل و نقل و انرژی، که در آنها مصرف منابع و انتشار گازهای گلخانه‌ای نگرانی‌های مهمی هستند، ایفا می‌کنند.

خوردگی و پایداری

با افزایش تقاضای جهانی برای فلزات و مواد مهندسی‌شده، تلاقی علم خوردگی و پایداری به‌طور فزاینده‌ای اهمیت پیدا می‌کند. خوردگی با کاهش طول عمر این مواد، به‌طور مستقیم بر دوام آنها تأثیر می‌گذارد و جایگزینی‌های مکرر را که شامل فرآیندهای استخراج و تولید انرژی‌بر بیشتر است، ضروری می‌سازد. در واقع، خوردگی نقش مهمی در پایداری ایفا می‌کند زیرا منجر به کاهش منابع طبیعی و افزایش انتشار کربن می‌شود. هنگامی که مواد دچار خوردگی می‌شوند، انرژی سرمایه‌گذاری شده در استخراج، فرآوری و تولید آنها هدر می‌رود و منجر به خسارات مالی قابل توجه و اثرات مضر زیست‌محیطی می‌شود. توسعه تکنیک‌های پیشرفته کنترل خوردگی و مواد بادوام‌تر برای دستیابی به اهداف پایداری ضروری است. اتخاذ اصول اقتصاد چرخشی، مانند چارچوب "کاهش-استفاده مجدد-بازیافت"، با ترویج بازیافت و افزایش طول عمر مواد، این تلاش‌ها را بیشتر تقویت می‌کند.

برای درک عمیق‌تر چالش‌های پایداری مرتبط با خوردگی، به «چالش‌های جامعه علوم، مهندسی و فناوری خوردگی به عنوان پیامد افزایش تقاضا و مصرف مواد: یک مسئله پایداری» نوشته اینگرید میلوشف و جان آر. اسکالی، دو نفر از بهترین دانشمندان خوردگی، مراجعه کنید. کار آنها پیامدهای گسترده‌تر مصرف مواد، مدیریت خوردگی و نوآوری‌های مبتنی بر پایداری را بررسی می‌کند [1] .

کنترل خوردگی

خوردگی طیف وسیعی از مواد فلزی را تحت تأثیر قرار می‌دهد، از فولادهای کربنی ساختاری گرفته تا آلیاژهای با کارایی بالا مانند فولادهای ضد زنگ ، آلیاژهای تیتانیوم و سوپرآلیاژها. حتی این مواد گران‌قیمت و مقاوم در برابر خوردگی نیز تحت شرایط محیطی خاص مستعد تخریب هستند. علاوه بر این، صنایعی که به اجزای فلزی پیچیده و سفارشی نیاز دارند، به ویژه صنایعی که از تولید افزایشی (AM) پایدار استفاده می‌کنند، باید نگرانی‌های مربوط به خوردگی را در نظر بگیرند تا از دوام طولانی مدت قطعات چاپ شده اطمینان حاصل شود. علاوه بر این، ماژول‌های فتوولتائیک (PV) که به طور گسترده به عنوان یک منبع انرژی پایدار در نظر گرفته می‌شوند، نیز مستعد تخریب مرتبط با خوردگی هستند، به ویژه پنل‌های خورشیدی انعطاف‌پذیر که در محیط‌های دریایی استفاده می‌شوند، جایی که قرار گرفتن در معرض آب شور، زوال مواد را تسریع می‌کند.

از این رو، کنترل خوردگی بسیار مهم است. روش‌های مختلفی برای کنترل خوردگی می‌توان استفاده کرد، از جمله بررسی خوردگی، محافظت در برابر خوردگی و پیش‌بینی خوردگی که در بخش‌های بعدی به تفصیل توضیح داده شده‌اند.

ارزیابی خوردگی

تکنیک‌های الکتروشیمیایی، مانند قطبش پتانسیودینامیک و طیف‌سنجی امپدانس الکتروشیمیایی (EIS)، به طور گسترده برای ارزیابی رفتار خوردگی استفاده می‌شوند. این روش‌ها بینش‌هایی در مورد سینتیک خوردگی، پایداری لایه غیرفعال و واکنش‌های الکتروشیمیایی در سطح فلز ارائه می‌دهند. آزمایش‌های تسریع‌شده، از جمله اسپری نمک و آزمایش خوردگی در معرض چرخه‌ای، محیط‌های سخت را برای پیش‌بینی دوام مواد شبیه‌سازی می‌کنند. برای مقایسه مقاومت در برابر خوردگی اجزای فلزی، از جمله قطعات ساخته شده به روش افزایشی (AM)، معمولاً از قطبش پتانسیودینامیک و EIS استفاده می‌شود. در مقابل، برای ماژول‌های فتوولتائیک (PV)، آزمایش‌های اسپری نمک چرخه‌ای به طور گسترده برای ارزیابی دوام آنها در محیط‌های خورنده استفاده می‌شوند. بسته به هدف، نوع نمونه و شرایط محیطی، استانداردهای تثبیت‌شده‌ای برای هر یک از این ارزیابی‌ها وجود دارد.

• قطبش پتانسیودینامیک – شناخته‌شده‌ترین استانداردها: ASTM G5 ، ASTM G61 ، ASTM G59
• ماژول‌های فتوولتائیک – استانداردهای مرتبط: IEC 61701 ، IEC 60068-2-52

محافظت در برابر خوردگی

روش‌های حفاظت در برابر خوردگی برای افزایش طول عمر مواد فلزی با کاهش حساسیت آنها به تخریب محیطی ضروری هستند. بسته به نوع ماده، محیط و کاربرد، رویکردهای مختلفی استفاده می‌شود. در زیر برخی از استراتژی‌های رایج حفاظت در برابر خوردگی آورده شده است.

• حفاظت کاتدی: این تکنیک با تبدیل سطح فلز به کاتد در یک سلول الکتروشیمیایی، از خوردگی جلوگیری می‌کند. این روش معمولاً در خطوط لوله زیرزمینی، سازه‌های دریایی و مخازن ذخیره‌سازی با استفاده از آندهای فداشونده (حفاظت گالوانیک) یا سیستم‌های اعمال جریان اعمال می‌شود.
• حفاظت آندی: این روش یک جریان آندی کوچک را برای حفظ فلز در حالت غیرفعال اعمال می‌کند و میزان خوردگی را به میزان قابل توجهی کاهش می‌دهد. این روش در درجه اول برای فلزات بسیار مقاوم در برابر خوردگی مانند فولاد ضد زنگ در محیط‌های تهاجمی مانند صنایع فرآوری شیمیایی استفاده می‌شود.
• پوشش‌های آلی: پوشش‌های پایه اپوکسی به عنوان یک لایه مانع از رسیدن رطوبت، اکسیژن و یون‌های خورنده به سطح فلز جلوگیری می‌کنند. این پوشش‌ها به دلیل چسبندگی و مقاومت شیمیایی عالی، به طور گسترده در کاربردهای دریایی، خودروسازی و صنعتی مورد استفاده قرار می‌گیرند.
• آنودایزینگ: آنودایزینگ یک فرآیند الکتروشیمیایی است که با تشکیل یک لایه اکسید کنترل‌شده، مقاومت در برابر خوردگی، سختی سطح و مقاومت در برابر سایش فلزات را افزایش می‌دهد. این روش به ویژه برای آلومینیوم و تیتانیوم مؤثر است و آن را به روشی پرکاربرد برای کاربردهای هوافضا، زیست‌پزشکی و صنعتی تبدیل می‌کند. برای تیتانیوم، آنودایزینگ نه تنها محافظت در برابر خوردگی را بهبود می‌بخشد، بلکه امکان سفارشی‌سازی رنگ و افزایش زیست‌سازگاری را نیز فراهم می‌کند و آن را برای ایمپلنت‌های پزشکی و اجزای هوافضا ارزشمند می‌سازد. ضخامت و خواص لایه آنودایز شده را می‌توان با تنظیم ترکیب الکترولیت، ولتاژ و مدت زمان فرآیند تنظیم کرد و عملکرد بهینه را برای کاربردهای خاص تضمین کرد.

پیش‌بینی خوردگی

پیش‌بینی خوردگی برای ارزیابی طول عمر مواد و جلوگیری از خرابی‌های غیرمنتظره در صنایع مختلف بسیار مهم است. روش‌های شبیه‌سازی پیشرفته، مانند روش‌هایی که از COMSOL Multiphysics استفاده می‌کنند ، مدل‌سازی فرآیندهای خوردگی را با حل معادلات الکتروشیمیایی و انتقال جرم امکان‌پذیر می‌سازند و امکان پیش‌بینی نرخ خوردگی، حمله موضعی و اثرات محیطی بر روی مواد مختلف را فراهم می‌کنند. علاوه بر این، یادگیری ماشین (ML) با تجزیه و تحلیل مجموعه داده‌های بزرگ از مطالعات تجربی و میدانی برای شناسایی الگوها و پیش‌بینی رفتار خوردگی در شرایط مختلف، به عنوان ابزاری قدرتمند برای پیش‌بینی خوردگی در حال ظهور است. مدل‌های ML می‌توانند داده‌های حسگر در زمان واقعی، پارامترهای محیطی و خواص مواد را برای بهبود دقت در ارزیابی ریسک خوردگی ادغام کنند و رویکردی داده‌محورتر و پیشگیرانه‌تر برای مدیریت خوردگی ارائه دهند.

مطالعات موردی در تحقیقات خوردگی و پایداری

نمونه‌های تحقیقاتی زیر بر مطالعات خوردگی تمرکز دارند که به چالش‌های پایداری و دوام مواد می‌پردازند.

بهینه‌سازی عملیات سطحی برای آلیاژهای تیتانیوم تولید شده به روش افزایشی [2]

آلیاژهای تیتانیوم به دلیل مقاومت در برابر خوردگی شناخته شده‌اند؛ با این حال، آنها در محیط‌های سخت مستعد خوردگی موضعی هستند. این مطالعه خواص خوردگی قطعات تیتانیومی تولید شده به روش افزایشی (AM) را ارزیابی کرد که به دلیل زبری سطح بالا، به ندرت در شرایط ساخت خود استفاده می‌شوند. اکثر قطعات AM برای افزایش عملکرد نیاز به عملیات سطحی دارند و الکتروپولیش یکی از موثرترین گزینه‌ها است، به ویژه برای هندسه‌های پیچیده و غیرقابل دسترس که نمی‌توان آنها را با روش‌های مکانیکی اصلاح کرد. با این حال، عملیات الکتروشیمیایی و شیمیایی مرسوم برای آلیاژهای تیتانیوم معمولاً به اسید هیدروفلوئوریک متکی هستند که نگرانی‌های زیست‌محیطی و ایمنی قابل توجهی را ایجاد می‌کند. این تحقیق یک الکترولیت مبتنی بر اتیلن گلیکول را به عنوان جایگزینی سازگارتر با محیط زیست بررسی کرد. علاوه بر این، شرایط اصلاح با گنجاندن یک مرحله آندیزاسیون برای بهبود بیشتر زبری سطح و مقاومت در برابر خوردگی بهینه شد. این مطالعه به عنوان یک مقاله با دسترسی آزاد منتشر شده است و مرجعی برای انتخاب روش‌های اصلاح پایدار که مقاومت در برابر خوردگی سطوح آلیاژ تیتانیوم AM را افزایش می‌دهند، ارائه می‌دهد.

کاربرد یادگیری ماشین برای طبقه‌بندی خوردگی [3] [4]

اگرچه برخی روش‌های غیرمخرب برای بررسی خوردگی وجود دارد، اما اکثر تکنیک‌های مرسوم مخرب، زمان‌بر و نیازمند تحلیل دستی هستند. با این حال، پایگاه‌های داده ارزشمند متعددی حاوی پارامترهای رفتار خوردگی برای محیط‌ها و شرایط مواجهه خاص هستند. با استفاده از تکنیک‌های یادگیری ماشین (ML)، می‌توان از این پایگاه‌های داده برای آموزش مدل‌ها جهت پیش‌بینی رفتار خوردگی در شرایط و مواد مختلف استفاده کرد و نیاز به آزمایش‌های اضافی و مصرف منابع را کاهش داد. این تحقیقات به طور خاص از پایگاه داده یک تولیدکننده فولاد استفاده کردند که شامل داده‌های رفتار خوردگی برای فولادهای مختلف در محیط‌های اسیدی و بازی است. با آموزش مدل‌های ML روی این مجموعه داده، رفتار خوردگی فولادهای ضد زنگ با دقت بیش از 90٪ پیش‌بینی شد. علاوه بر این، مدل پیشنهادی به گونه‌ای تعمیم داده شد که حتی زمانی که اطلاعات دقیقی در مورد محیط در معرض یا ترکیب دقیق عنصری فولاد ضد زنگ در دسترس نبود، نیز کار کند. این مطالعه نشان داد که حتی با ورودی‌های اولیه، مانند غلظت هیدروژن و سولفید در محیط خورنده و مجموع عناصر آلیاژی، می‌توان تا 77.8٪ از رفتار خوردگی را به طور دقیق پیش‌بینی کرد. کد و مجموعه داده‌های مربوط به این کارها برای تحقیقات و کاربردهای بیشتر در GitHub در دسترس عموم قرار دارد .