قسم الكيمياء

Permanent URI for this collection

http://localhost:4000/handle/123456789/738

Browse

Browsing قسم الكيمياء by Author "Boucherit, Mohamed Nadir"

Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    Modélisation des processus de corrosion localisée et prévision de la performance des inhibiteurs
    (université oum el bouaghi, 2018) Boukhari, Yakoub; Boucherit, Mohamed Nadir
    Le Centre de Recherche Nucléaire de Birine dispose d'un réacteur nucléaire de recherche "Essalem" en service depuis 1992. La chaleur produite dans le réacteur est transmise par l'eau lourde du circuit primaire à l'eau déminéralisée du circuit secondaire qui la transmet à son tour à l'air au niveau de tours de refroidissement. Le circuit secondaire est constitué d'un acier au carbone et il est ouvert sur une atmosphère agressive qui peut provoquer la corrosion par piqûration de l'acier. Dans ce travail, nous avons étudié et comparé l'efficacité d'inhibiteurs inorganiques et non toxiques associés à un oxydant. La réalisation de cette étude a été effectuée par des mesures électrochimiques (la voltamétrie). Le facteur de performance est le potentiel de piqûration (Epiq). La relation entre le Epiq et les facteurs influents sur la corrosion par piqûration est très complexe. Les résultats expérimentaux obtenus en première partie du travail ont été utilisé dans un travail de modélisation. Dans cette partie de modélisation, nous avons appliqué l'intelligence artificielle pour prédire Epiq. Le facteur de performance est le coefficient de corrélation (R). Les résultats de cette étude sont les suivants : les tungstates sont plus performants suivis de près par les molybdates. Les silicates, les phosphates et les carbonates peuvent inhiber la corrosion par piqûre, mais ils favorisent la formation de dépôts de tartre au vu de leur caractère alcalin. L'effet de synergie avec les iodates n'apparait qu'avec les tungstates et les molybdates. L'ordre de performance entre les inhibiteurs peut être établi de la manière suivante : WO42-> MoO42-> SiO3-> PO43-> HPO42-> CO32- > HCO3- > H2PO4-. Concernant la partie modélisation, les algorithmes DN-EA, GA-ANN, LS-SVM, PSO-ANN, ANN et ANFIS donnent de bonnes performances dans la phase d'apprentissage et la phase de généralisation par rapport aux autres algorithmes. Des performances acceptables sont constatées avec RT, KBP et LDA. Par contre, KNN, GLM et Robust ne sont pas capables de prévoir Epiq avec une bonne performance. L'ordre de performance entre les modèles utilisés peut être établi de la manière suivante : DN-EA> GA-ANN> LS-SVM> PSO-ANN> ANN> ANFIS> KBP > RT > LDA> KNN> GLM> Robust.