Machine learning for predicting alkali salt induced high-temperature corrosion of superheater materials

Climate change due to human activities has caused a global desire to lower CO2 emissions in the hope of halting the increasing global temperature. For electricity generation, this means reducing the CO2 emissions by increasing the fraction of renewable electricity generation. For example, using fuels derived from biomass instead of fossil fuels in steam boilers can reduce CO2 emissions. However, burning biomass fuels can be problematic, because the fuels tend to be comparatively rich in ash-forming elements and other trace elements. The ash-forming elements are carried with the flue gas and can form corrosive deposits on the superheater, due to the high temperatures inside steam boilers. This type of corrosion is an example of high-temperature corrosion. To prevent corrosion of the superheater, the steam temperature is kept at a lower temperature, which decreases the overall electrical efficiency of the stream boiler. Materials able to withstand the corrosive environment exist, but they are typically more expensive. Balancing initial material costs with a potentially higher electrical efficiency has caused a drive to better understand the underlying corrosion mechanics, in order to better match superheater materials with operational parameters. This work presents how machine learning can be used to predict corrosion severity using labeled data and open-source software. The data consists of corrosion experiments carried out under laboratory conditions, where a superheater material is subject to high-temperature conditions and synthetic ash for a set duration. The corrosion severity is determined using SEM-EDX analysis of the oxide layer formed. The experimental conditions and corrosion severity are saved in a tabular database. A subset of the database is selected to be used for machine learning. The subset consists of experiments done in air for one week using synthetic ash mixtures made from alkali salts. The data is analyzed in detail to better understand its quality and suitability for machine learning. The analysis includes value distributions, correlation between features and variation found in repeated experiments. The corrosion data was found not well suited for machine learning, due to problems such as small sample size, badly distributed data and skewed features. The variation found in the output proves to be a limit factor for prediction accuracy. A feed-forward neural network (FFNN), random forest (RF) and gradient boosted decision trees (GBDT) are the chosen algorithms to model the data subset. The models are trained, tuned and evaluated on separate portions of the data subset. In addition, synthetic data is generated to further evaluate the models. The RF and GBDT models performed well when compared to the data quality and random variation. The FFNN did not achieve as good performance metrics and the predictions were more scattered when compared with the other models. The models are able to successfully reproduce generally understood high-temperature corrosion trends, such as increasing the temperature and ash chlorine content increases the corrosion rate, and increasing the chromium and nickel content in the alloy decreases the corrosion rate. All data analysis and machine learning were done in Python using open-source libraries.---------- Minskning av koldioxidutsläpp är en åtgärd som kan motverka den globala uppvärmningen. Inom energisektorn kan utsläppen minskas genom att övergå från förbränning av fossila bränslen till förnybara energikällor. Fokus i denna avhandling ligger på ångpannor och hur förbränning av biomassa har medfört korrosionsproblem. Biomassa syftar främst på biologiskt nedbrytbara produkter och avfall som härstammar från jord- och skogsbruk, men även kommunalt avfall. Biomassa som bränsle är heterogent, d.v.s. bränslets kemiska sammansättning varierar betydligt, i jämförelse med fossila bränslen. Dessutom innehåller biomassa i allmänhet mer föroreningar än fossila bränslen. Exempel på problematiska föroreningar är askformande ämnen och metallföreningar, som tillsammans har en tendens att vid höga temperaturer bilda korrosiva beläggningar på ångtuber, särskilt överhettaren. Denna typ av korrosion kallas högtemperaturkorrosion. För att förhindra skadlig korrosion vid förbränning av biomassa måste rökgastemperaturen begränsas, vilket leder till en begränsad elektrisk effektivitet. Mer korrosionsresistenta legeringar har utvecklats för att uppnå högre rökgastemperaturer, men dessa brukar innehålla dyra legeringsämnen som till exempel krom, nickel och molybden, vilket gör dem mindre attraktiva ur ett kostnadsperspektiv. Att välja rätt legering i planeringsskedet kan vara mycket svårt, eftersom det finns många parametrar att beakta vid kostnadsoptimering av ångpannan. Johan Gadolin processkemiska centret vid Åbo Akademi har i flera år undersökt hur överhettarmaterial korroderas av olika ämnen, temperaturer och rökgassammansättningar. Syftet med detta arbete är att undersöka hur maskininlärningstekniker kan användas på denna korrosionsdatamängd för att skapa modeller som kan förutspå korrosionsgraden av olika överhettarmaterial, samt att analysera datamängdens användbarhet för maskininlärning