基于图像的人工智能神经网络方法预测输电塔大气腐蚀质量损失

《Metals》：Prediction of Mass Loss Due to Atmospheric Corrosion in Power Transmission Towers Using an Image-Based Artificial Neural Network Approach

　　

摘要

传统腐蚀性评估需要进行至少一年暴露期的重量测量（ISO 9223/9226），这限制了基础设施快速维护决策的制定。为解决这一问题，利用通过人工神经网络（ANNs）分析的图像，开发了一种针对 AISI 1020 碳素钢和镀锌钢大气腐蚀引起的质量损失的预测模型。该模型基于盐雾试验和现场样本的 RGB 和 HSV 色彩空间图像进行训练。实现了三种模型：基于 YOLOv8 的分割网络（ANN-1），用于隔离腐蚀区域；前馈神经网络（ANN-2），用于根据像素颜色直方图预测质量损失；以及使用气象变量对环境腐蚀性进行分类的扩展网络（ANN-3）。在加速盐雾试验中，模型估算 AISI 1020 碳素钢的腐蚀速率为 1204 ± 202 μm·年^?1，镀锌钢为 61 ± 44 μm·年^?1（表示为每年的厚度损失），且平均绝对误差低，R² 值高。应用于巴西东北部的输电塔和变电站时，预测值落在实验误差范围内——在最严重的变电站处，每个 AISI 1020 碳素钢样本的预测值为 4.74 ± 1.60 g·年^?1，实测值为 4.73 ± 1.61 g·年^?1。图形界面支持基于局部腐蚀性进行维护、材料选择和表面处理决策。