Page 52 - Дисертаця Венгринюк

52

підтверджує кореляцію між внутрішнім тиском та локальним розподілом

водню [107]. Виявлено вплив геометрії дефектів на локальне накопичення

водню [107], а найбільш небезпечним з точки зору концентрації водню є

дефект з параметрами співвідношення глибини тріщини до півдовжини a/c =

0,1, тобто сильно витягнуті тріщини. Було проведено оцінки кількості

пасткованого водню, згідно з якими його максимальне значення перевищує

концентрацію дифузійного водню при тиску 30 МПа [107], що значно збільшує

ризик крихкого руйнування.

Попри значний прогрес у дослідженні деградації трубопровідних сталей

за дії водню, залишаються невирішеними проблеми кількісного визначення

локальної концентрації водню, опису взаємодії між різними механізмами

водневої крихкості та перенесення лабораторних результатів на реальні умови

експлуатації магістральних трубопроводів. Подальший розвиток досліджень у

цій галузі пов’язують із створенням цифрових двійників водневих

трубопроводів, інтеграцією багатомасштабного моделювання та

застосуванням методів машинного навчання для прогнозування деградації

матеріалів.

1.4.2 Застосування нейронних мереж

Останніми роками методи машинного навчання (Machine Learning – ML)

та глибокого навчання (Deep Learning – DL) набули широкого застосування у

механіці руйнування завдяки здатності ефективно моделювати складні

нелінійні процеси, аналізувати великі масиви даних та прогнозувати поведінку

матеріалів за різних умов навантаження. Поєднання підходів механіки

руйнування з алгоритмами штучного інтелекту формує новий напрям

досліджень – механіка руйнування на основі даних (Data-Driven Fracture

Mechanics), який активно розвивається [108, 109].