Modelo de aprendizaje de máquinas para la predicción de la tasa de corrosión por CO2 en salmueras con iones divalentes y presencia de carbon quantum dots (CQDs)

Abstract

La corrosión del acero al carbono en ambientes salinos saturados con CO₂ constituye un reto crítico para la confiabilidad de las infraestructuras en energía y procesos de Captura, Utilización y Almacenamiento de Carbono (CCUS). Las salmueras de formación con NaCl, CaCl₂ y CO₂ disuelto aceleran la degradación electroquímica, generando altas tasas de corrosión y riesgos operativos. Como alternativa de mitigación, los Carbon Quantum Dots (CQDs) se perfilan como inhibidores verdes prometedores por su dispersabilidad, estabilidad química y bajo impacto ambiental. Sin embargo, predecir con precisión estas tasas sigue siendo un desafío, ya que los modelos tradicionales no logran representar las complejas interacciones entre múltiples variables. En esta tesis se evaluó experimentalmente el efecto inhibidor de los CQDs mediante ensayos gravimétricos bajo diferentes condiciones de salinidad y tiempos de inmersión, y se desarrollaron modelos de aprendizaje de máquinas para predecir la tasa de corrosión en estos ambientes. Se evaluaron cinco algoritmos: Random Forest (RF), XGBoost, Support Vector Regression (SVR), K-Near Neighbors (KNN) y Multilayer Perceptron (MLP). El mejor desempeño predictivo se obtuvo con RF y XGBoost, alcanzando R² superiores a 0.91, RMSE de 1.1 mpy y MAE de 0.8 mpy. Estos resultados demuestran el potencial del aprendizaje de máquinas como herramienta poderosa y confiable para predecir el comportamiento corrosivo en salmueras complejas ricas en CO₂, apoyando la implementación de estrategias de mitigación de la corrosión más seguras, eficientes y sostenibles en aplicaciones industriales. (Texto tomado de la fuente)

The corrosion of carbon steel in CO₂-saturated saline environments represents a critical challenge for the reliability of infrastructures in energy production and Carbon Capture, Utilization, and Storage (CCUS) processes. Formation brines containing NaCl, CaCl₂, and dissolved CO₂ accelerate electrochemical degradation, leading to high corrosion rates and significant operational risks. As a mitigation alternative, Carbon Quantum Dots (CQDs) have emerged as promising green inhibitors due to their dispersibility, chemical stability, and low environmental impact. However, accurately predicting corrosion rates remains a major challenge, since traditional models fail to capture the complex interactions among multiple variables. In this thesis, the inhibitory effect of CQDs was experimentally evaluated through gravimetric tests under different salinity conditions and immersion times, and machine learning models were developed to predict the corrosion rate in these environments. Five algorithms were evaluated: Random Forest (RF), XGBoost, Support Vector Regression (SVR), K-Nearest Neighbors (KNN), and Multilayer Perceptron (MLP). The best predictive performance was obtained with RF and XGBoost, achieving R² values above 0.91, RMSE of 1.1 mpy, and MAE of 0.8 mpy. These results demonstrate the potential of machine learning as a powerful and reliable tool to predict corrosive behavior in complex CO₂-rich brines, supporting the implementation of safer, more efficient, and sustainable corrosion mitigation strategies in industrial applications.