Ascoltare la Ruggine: Come l’Intelligenza Artificiale Svela i Segreti Nascosti della Corrosione

Ciao a tutti! Oggi voglio parlarvi di qualcosa che, ammettiamolo, non è esattamente l’argomento più glamour del mondo, ma è incredibilmente importante: la corrosione. Quel processo subdolo che mangiucchia lentamente metalli e strutture, causando danni enormi e costi esorbitanti. Ma se vi dicessi che abbiamo trovato un modo per “ascoltarla” e persino “vederla” prima che faccia troppi guai, usando tecniche all’avanguardia? Sembra fantascienza, vero? Eppure, è proprio quello su cui stiamo lavorando!

Immaginate di poter monitorare un pezzo di metallo, come una tubatura o la struttura di un ponte, in tempo reale, senza doverlo toccare o interrompere il suo funzionamento. Fantastico, no? La chiave di tutto si chiama Rumore Elettrochimico (EN).

Cos’è questo “Rumore Elettrochimico”?

Non pensate al rumore fastidioso del traffico. Il Rumore Elettrochimico è molto più sottile. Si tratta delle minuscole, spontanee fluttuazioni di potenziale elettrico e corrente che avvengono naturalmente sulla superficie di un metallo mentre si corrode. È come se il metallo “sussurrasse” informazioni sul suo stato di salute.

Il bello dell’EN è che è una tecnica non intrusiva. Non dobbiamo “disturbare” il metallo con sonde o stimoli esterni per ottenere dati. Possiamo semplicemente “ascoltare” queste fluttuazioni. E la cosa ancora più interessante è che questi segnali possono darci indizi preziosi non solo sulla velocità generale della corrosione, ma anche su eventi localizzati e particolarmente insidiosi, come il pitting (la formazione di piccole cavità profonde, simili a punture di spillo, che possono perforare il materiale). Rilevare il pitting in fase iniziale è cruciale, e l’EN ci offre questa possibilità.

La Sfida: Interpretare i Sussurri del Metallo

Ok, possiamo ascoltare il metallo, ma capire cosa sta dicendo è un’altra storia. I segnali di EN sono complessi, spesso “rumorosi” (in senso statistico) e non sempre facili da decifrare. Contengono informazioni mescolate provenienti da diversi processi che avvengono simultaneamente sulla superficie. Per anni, scienziati e ingegneri hanno sviluppato vari metodi per analizzare questi dati: analisi statistiche, trasformate matematiche come la Trasformata di Fourier o quella di Hilbert-Huang, indici specifici come l’indice di localizzazione… tutti strumenti utili, ma con i loro limiti, specialmente quando si tratta di segnali non stazionari (cioè che cambiano le loro caratteristiche nel tempo).

Qui entra in gioco la potenza dell’analisi dei segnali moderna e, più recentemente, dell’intelligenza artificiale (AI) e del machine learning.

Trasformare i Suoni in Immagini: Gli Spettrogrammi Wavelet

Una delle idee più affascinanti che abbiamo esplorato è quella di trasformare questi segnali elettrici, che sono essenzialmente serie temporali, in… immagini! Come? Utilizzando una tecnica chiamata Trasformata Wavelet Continua (CWT).

Pensate alle wavelet come a delle “ondine” matematiche molto speciali, capaci di analizzare un segnale sia nel dominio del tempo che della frequenza, simultaneamente. A differenza della classica Trasformata di Fourier, che ci dice quali frequenze sono presenti in tutto il segnale ma perde l’informazione su *quando* compaiono, la CWT ci dà una mappa tempo-frequenza. Applicando la CWT al nostro segnale EN, otteniamo uno spettrogramma wavelet: un’immagine colorata dove l’asse orizzontale rappresenta il tempo, l’asse verticale la frequenza (o scala), e l’intensità del colore indica l’energia del segnale a quella specifica combinazione di tempo e frequenza.

Queste immagini contengono una ricchezza di informazioni sulla dinamica della corrosione. Ad esempio, un evento di pitting improvviso potrebbe apparire come una “fiammata” localizzata nello spettrogramma. La corrosione uniforme, invece, potrebbe generare pattern più diffusi e stabili.

Estrarre l’Essenza: Feature Extraction dalle Immagini

Una volta che abbiamo trasformato i nostri segnali in immagini (gli spettrogrammi), possiamo usare tecniche di analisi multivariata di immagini per estrarre le caratteristiche salienti, le cosiddette features. Qui le possibilità sono tante:

• Pattern Binari Locali (LBP): Un metodo “classico” ma potente per descrivere la texture locale di un’immagine. Confronta l’intensità di ogni pixel con quella dei suoi vicini, generando un codice binario che cattura la micro-struttura. È robusto ai cambiamenti di illuminazione e computazionalmente leggero.
• Deep Learning (Reti Neurali Convoluzionali – CNN): Modelli come ResNet50 o GoogleNet, pre-allenati su milioni di immagini, sono maestri nell’imparare gerarchie di features, dai bordi semplici alle forme complesse. Possiamo usarli per estrarre automaticamente features molto descrittive dai nostri spettrogrammi.
• Analisi delle Componenti Principali (PCA) applicata alle immagini: Un approccio statistico per catturare i pattern dominanti e le variazioni all’interno delle immagini stesse, trasformandole in un set ridotto di “componenti” significative.

L’idea è raccogliere queste features in un “vettore di caratteristiche” che rappresenti sinteticamente le informazioni chiave contenute nello spettrogramma (e quindi nel segnale EN originale).

Mettere Tutto Insieme: Il Monitoraggio Statistico Multivariato (MSPC) e PCA

Ora arriva il bello: il monitoraggio non supervisionato. Cosa significa? Significa che non dobbiamo dire al sistema in anticipo “questo è pitting”, “questa è corrosione uniforme”. Vogliamo che il sistema impari da solo com’è la condizione “normale” (ad esempio, la corrosione uniforme attesa) e ci segnali quando qualcosa devia da quella normalità, senza sapere esattamente *cosa* sia la deviazione.

Per fare questo, usiamo il Monitoraggio Statistico Multivariato di Processo (MSPC), e in particolare l’Analisi delle Componenti Principali (PCA). Funziona così:
1. Raccogliamo i dati di EN durante condizioni operative normali (NOC – Normal Operating Conditions), che nel nostro caso rappresentano la corrosione uniforme.
2. Trasformiamo questi segnali in spettrogrammi wavelet.
3. Estraiamo le features (ad esempio, usando LBP o ResNet50) da questi spettrogrammi “normali”.
4. Usiamo la PCA su queste features per costruire un modello statistico dello stato normale. La PCA trova le direzioni di massima varianza nei dati, riducendo la dimensionalità e catturando l’essenza del comportamento “tipico”.
5. Definiamo dei limiti statistici basati su questo modello, usando indici come la statistica T² di Hotelling (che misura la variazione all’interno del modello PCA) e la statistica Q o Errore Quadratico di Predizione (SPE) (che misura quanto un nuovo dato si discosta dal modello).

Una volta costruito il modello, possiamo monitorare il sistema in tempo reale. Prendiamo nuovi dati EN, li trasformiamo in spettrogrammi, estraiamo le features e le proiettiamo sul modello PCA. Calcoliamo le statistiche T² e Q. Se superano i limiti predefiniti, scatta un allarme: il processo sta deviando dalla normalità! Potrebbe essere iniziato il pitting, o magari un altro tipo di fenomeno imprevisto come la passivazione (la formazione di uno strato protettivo).

Vediamo Come Funziona: Casi Studio

Abbiamo testato questo approccio su dati reali di corrosione di acciaio al carbonio in diverse soluzioni acquose, progettate per indurre corrosione uniforme, pitting e passivazione.

In un primo esperimento, abbiamo simulato un segnale che iniziava con corrosione uniforme e poi evolveva gradualmente verso il pitting. Abbiamo segmentato il segnale, creato gli spettrogrammi wavelet, estratto le features LBP e costruito un modello PCA solo sulla parte di corrosione uniforme. Poi abbiamo proiettato tutte le features sul modello. I risultati? Impressionanti! Le statistiche T² e Q hanno iniziato a superare i limiti proprio quando la transizione verso il pitting era in corso, rilevando la deviazione con alta precisione (oltre l’88% dei campioni anomali identificati).

In un secondo caso, abbiamo confrontato direttamente segnali di corrosione uniforme e di pitting. Abbiamo estratto features sia con LBP che con ResNet50. Entrambi i metodi hanno permesso di distinguere nettamente i due tipi di corrosione, visualizzando i dati con t-SNE (una tecnica di riduzione dimensionale per la visualizzazione). Il modello PCA basato su LBP (addestrato solo su dati uniformi) è stato in grado di identificare i campioni di pitting come “anomali” con un’accuratezza del 97%!

È interessante notare che abbiamo provato anche un approccio più tradizionale, la Dynamic Principal Component Analysis (DPCA), applicata direttamente ai dati EN (senza passare per le immagini). Questo metodo, che cerca di catturare le dinamiche temporali nel segnale, si è rivelato molto meno efficace nel rilevare il pitting (solo il 24.8% di successo nello stesso scenario del secondo caso studio). Questo sottolinea il vantaggio di trasformare il segnale in immagine e analizzare quest’ultima.

Infine, abbiamo affrontato uno scenario più complesso con tre condizioni: uniforme, pitting e passivazione. Abbiamo estratto features con LBP, PCA applicata alle immagini (chiamata LV nel paper originale), ResNet50 e GoogleNet. Tutti i metodi hanno mostrato una buona capacità di separare la passivazione dagli altri due tipi. Costruendo modelli PCA sulla corrosione uniforme, siamo riusciti a rilevare sia il pitting che la passivazione come deviazioni. Tuttavia, distinguere *tra* pitting e passivazione usando solo il modello basato sulla corrosione uniforme si è rivelato più difficile. Il modello DPCA, anche in questo caso, ha mostrato prestazioni inferiori (circa 49% di rilevamento delle condizioni non uniformi).

I Risultati e le Prospettive Future

Cosa ci dice tutto questo? Che combinare il Rumore Elettrochimico con la trasformazione in spettrogrammi wavelet e l’analisi multivariata di immagini (sia con LBP che con deep learning) è un approccio estremamente promettente per il monitoraggio non supervisionato della corrosione. Ci permette di costruire un modello della condizione “normale” e di rilevare rapidamente quando qualcosa sta cambiando, potenzialmente indicando l’insorgenza di forme di corrosione localizzata pericolose come il pitting.

Certo, c’è ancora lavoro da fare. La sfida principale resta quella di distinguere in modo affidabile tra diverse forme di deviazione (come pitting e passivazione) una volta che l’allarme è scattato. Probabilmente, l’integrazione di più tipi di features o l’uso di modelli più sofisticati potrebbe aiutare.

Tuttavia, la metodologia che abbiamo sviluppato offre uno strumento potente e basato su principi solidi per tenere d’occhio la corrosione in ambienti industriali, in modo automatico e senza la necessità di etichettare preventivamente ogni possibile guasto. È un passo avanti significativo verso sistemi di monitoraggio più intelligenti e proattivi, capaci di prevenire danni costosi e garantire una maggiore sicurezza delle nostre infrastrutture. E tutto questo, semplicemente “ascoltando” e “guardando” i sottili segnali che i materiali ci inviano. Affascinante, non trovate?

Fonte: Springer