Výzkumníci se zaměřují zejména na technologie pro obnovitelné zdroje energie. Právě v některých z nich jsou oceli vystaveny vysokým teplotám například v teplonosných kapalinách v koncentrovaných solárních elektrárnách, v parních turbínách nebo při spalování vodíku. Vysoce účinným a současně ekonomickým řešením, jak v těchto případech oceli ochránit, jsou aluminidové difuzní povlaky. Ty vytvářejí ochrannou bariéru, která brání korozi a degradaci materiálu, čímž prodlužují životnost těchto komponent.
„Zkoumáme potenciál strojového učení pro modelování těchto povlaků. Zjišťujeme, kde může být nejvíce užitečné, identifikujeme slibné algoritmy a snažíme se porozumět jeho limitům. Strojové učení může velmi usnadnit přizpůsobení návrhu povlaku konkrétním provozním podmínkám i hodnocení životnosti,“ vysvětlil Vladislav Kolarik z Fraunhofer ICT.
Přístupy strojového učení se spoléhají výhradně na data a nevyžadují fyzikální modely k popisu závislostí. To je obzvláště výhodné pro systémy ovlivněné více parametry, kde rozsah vlivu každého parametru na systém není dobře znám. Algoritmy založené na rozhodovacích stromech, jako je XGBoost, mohou míru vlivu jednotlivých parametrů rozeznat. V současné době se vědci zaměřují zejména na výzkum potenciálu strojového učení pro modelování životnosti.
Ochrana oceli aluminidovými difuzními povlaky zlepšuje celkový výkon a spolehlivost energetických zařízení, což je klíčové pro jejich efektivní a dlouhodobý provoz.
Text: Martina Šaradínová
Obrázek. archiv VK