Corrosion of bolted joints – analysis and smart monitoring

Hakimian, Soroosh (2025). Corrosion of bolted joints – analysis and smart monitoring. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (19MB) | Prévisualisation

Résumé

This study examines corrosion of flange faces in bolted joints with and without gaskets used in industrial applications like pressure vessels and piping, wind turbines, and bridges. A test rig based on a bolted joint fixture were developed to simulate real-world conditions, allowing continuous monitoring of factors influencing corrosion, such as temperature, fluid flow, pressure, conductivity, pH, current, and potential. Electrochemical techniques, including potentiostatic and potentiodynamic polarization, electrochemical impedance spectroscopy, and electrochemical noise measurement, were used to characterize corrosion.

The results show that graphite gaskets increase the susceptibility to localized corrosion on ASTM A182 F321 stainless steel flange surfaces under the same working conditions, compared to graphite gaskets with metal foil inserts and virgin polytetrafluoroethylene (PTFE) gaskets. The mechanism of flange face corrosion is that, for PTFE gaskets, corrosion propagation mainly occurs at the gasket inner diameter and propagates through the depth of the flange while, for graphite gaskets, corrosion occurs on the whole contact surface of the flange and the gasket. This study also examined the effect of gap dimensions between the gasket and flanges, which influence crevice thickness and depth, on corrosion behavior. It was found that increasing the gap thickness from 1.58 to 6.35 mm raises the general corrosion rate of the flange surface from 0.09 to 1.03 mm. y−1, and crevice corrosion initiation time increases from 0.23 to 3.12 h.

Machine learning algorithms, including decision tree, support vector machine, random forest (RF), and bagging classifier, were compared for corrosion behavior prediction. Among these algorithms, bagging classifier achieved the highest accuracy of 94.4%. Additionally, recurrent neural networks, particularly long short-term memory (LSTM) models, were used to classify corrosion types using electrochemical noise data, achieving 93.62% accuracy, with a hybrid RF-LSTM approach reaching 97.85%. An unsupervised LSTM model with principal component analysis and k-means clustering offers potential for real-time corrosion monitoring.

This work advances the field by demonstrating the effectiveness of machine learning and deep learning models in predicting and classifying corrosion behavior, offering a more efficient alternative to traditional corrosion testing. The insights gained on material selection, gasket design, and gap dimensions contribute to safer and more reliable flange designs in industrial applications, potentially reducing costs associated with maintenance and unexpected failures. These findings pave the way for real-time monitoring systems that can proactively manage corrosion risks, improving overall safety and operational continuity.

Titre traduit

Corrosion des assemblages boulonnés – analyse et surveillance intelligente

Résumé traduit

Cette étude examine la corrosion des faces de brides des assemblages boulonnés utilisés dans des applications industrielles telles que les réservoirs et tuyauterie sous pression, les éoliennes et les ponts. Un banc d’essai simulant un montage de brides a été développé pour simuler les conditions réelles, permettant un suivi continu des facteurs influençant la corrosion, comme la température, le débit de fluide, la pression, la conductivité, le pH, la différence de potentiel et l’intensité du courant. Des techniques électrochimiques, incluant les polarisations potentiodynamique et potentiostatique, la spectroscopie d’impédance électrochimique (EIS) et la mesure de bruit électrochimique (ENM), ont été employées pour caractériser la corrosion. Les résultats montrent que la corrosion par crevasse débute dans l’espace entre les rayons intérieurs du joint et la bride, avec les joints en graphite causant plus de corrosion sur les surfaces en acier inoxydable ASTM A182 F321 que les joints en PTFE. L’effet des dimensions de l’espace de crevasse sur la corrosion a également été étudié, révélant qu’une augmentation de l’épaisseur de l’espace de 1,58 à 6,35 mm accroît les taux de corrosion générale, tandis qu’une réduction de la profondeur de crevasse les diminue. Des algorithmes d’apprentissage automatique (arbre de décision, SVM, forêt aléatoire et classificateur par bagging) ont été comparés pour la prédiction du comportement de corrosion, le classificateur par bagging atteignant une précision de 94,4 %. De plus, des réseaux neuronaux récurrents (RNNs), et en particulier les modèles LSTM, ont été utilisés pour classifier les types de corrosion via les données de bruit électrochimique, atteignant une précision de 93,62 %, avec une approche hybride RF-LSTM atteignant 97,85 %. Un modèle LSTM non supervisé, combiné à l’analyse en composantes principales (PCA) et au regroupement K-means, montre un potentiel pour la surveillance en ligne de la corrosion. Ce travail fait progresser le domaine en démontrant l’efficacité des modèles d’apprentissage automatique et d’apprentissage profond pour la prédiction et la classification du comportement de corrosion, offrant une alternative plus efficace aux tests de corrosion traditionnels. Les connaissances acquises en matière de sélection de matériaux, de conception de joints et de dimensions des interstices contribuent à des conceptions de brides plus sûres et plus fiables dans les applications industrielles, réduisant potentiellement les coûts liés à la maintenance et aux défaillances imprévues. Ces résultats ouvrent la voie à des systèmes de surveillance en temps réel capables de gérer proactivement les risques de corrosion, améliorant ainsi la sécurité et la continuité opérationnelle.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Manuscript-based thesis presented to École de technologie supérieure in partial fulfillement for the degree of doctor of philosophy". Comprend des références bibliographiques (pages 261-295).
Mots-clés libres:	assemblages à brides boulonnées avec et sans joints d’étanchéité, corrosion par crevasse, corrosion par piqûres, surveillance de la corrosion, sélection des matériaux, analyse microscopique, géométrie de crevasse, tests électrochimiques, apprentissage automatique, apprentissage profond
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Hof, Lucas
Codirecteur:	Codirecteur Bouzid, Hakim
Programme:	Doctorat en génie > Génie
Date de dépôt:	23 mai 2025 18:14
Dernière modification:	23 mai 2025 18:14
URI:	https://espace.etsmtl.ca/id/eprint/3605

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt