Corrosion Rate Prediction for Underground Gas Pipelines Using Artificial Neural Network (ANN)

A. Ahmaid; F. Khoshnaw

doi:10.68482/prj.2026.26.004

Abstract

This study addresses the challenge of accurately predicting corrosion rates and estimating the remaining life of underground gas pipelines, which is complicated by the complex interaction of physical factors and environmental conditions. Traditional models are inadequate in capturing these variables, leading to less reliable predictions, which this study aims to address by developing a more accurate and optimized artificial neural network (ANN) model. This study focuses on predicting corrosion rates and estimating the remaining life of underground gas pipelines using ANNs implemented in MATLAB. It incorporates both physical factors, such as maximum corrosion depth and pipe thickness, and environmental variables such as moisture, soil resistivity, and chloride concentration. The analysis identified corrosion depth and wall thickness as significant contributors, influencing material integrity by 20% and 16%, respectively. The optimal ANN model, with a Levenberg-Marquardt structure and one hidden layer of 10 neurons, achieved superior accuracy, with an MSE of 0.038 and R² of 0.9999. The study addresses the challenge of accurately predicting corrosion rates and remaining life in underground gas pipelines by developing an optimized ANN model. Its contribution lies in creating a highly accurate prediction tool that outperforms traditional models and enables more informed decisions for pipeline maintenance and safety. Keywords – pipeline integrity; corrosion rate, ANN 2 التنبؤ بمعدالت التآكل لخطوط أنابيب الغاز المدفونة تحت األرض باستخدام الشبكات العصبية االصطناعية (ANN) اشرف احميد – فؤاد خوشناو المؤلف: اشرف احميد – شركة سرت النتاج النفط والغاز مساعد المؤلف : فؤاد خ وشناو - جامعة دي منتفورت بريطانيا الملخص تتناول هذه الدراسة تحدي التنبؤ الدقيق بمعدالت التآكل وتقدير العمر المتبقي لخطوط أنابيب الغاز المدفونة تحت األرض، حيث تتأثر هذه العملية بالتفاعل المعقد بين العوامل الفيزيائية والظروف البيئية. وتُعد النماذج التقليدية غير كافية لتمثيل هذه المتغي رات بصورة دقيق ة، مما يؤدي إلى انخفاض موثوقية التنبؤات. وللتغلب على هذه المشكلة، تهدف الدراسة إلى تطوير نموذج أكثر دقة ومحسّنا ً باستخدام الشبكات العصبية االصطناعية (ANN) تركز الدراسة على التنبؤ بمعدل التآكل وتقدير العمر المتبقي لخطوط أنابيب الغاز المدفونة تحت األرض باستخدام شبكات عصبية اصطناعية تم تنفيذها باستخدام برنامج MATLAB وقد أُخذت في االعتبار كل من العوامل الفيزيائية، مثل أقصى عمق للتآكل وسُمك األنبوب، والمتغيرات البيئية، مثل الرطوبة والمقاومية النوعية للتربة وتركيز الكلوريد. وأظهر التحليل أن عمق التآكل وسُمك جدار األنبوب يمثالن من أهم العوامل المؤثرة، حيث بلغت مساهمتهما ف ي التأثير على سالمة المادة 20% و 16 % ، على التوالي . ت حقق ال نموذج اآلمثل ل لشبكة العصبية االصطناعية، باستخدام خوارزمية Levenberg–Marquardt وطبقة مخفية واحدة تضم 10 خاليا عصبية، دقة تنبؤية عالية، حيث بلغ متوسط مربع الخطأ (MSE) = 0.038 ، ومعامل التحديد R² = 0.9999. وتتمثل مساهمة هذه الدراسة في تطوير أداة تنبؤية عالية الدقة للتنبؤ بمعدل التآكل والعمر المتبقي لخطوط أنابيب الغاز المدفونة تحت األرض، بما يتفوق على النماذج التقليدية، ويدعم اتخاذ قرارات أكثر فاعلية فيما يتعلق بصيانة خطوط األنابيب وسالمتها . الكلمات المفتاحية : سالمة خطوط األنابيب؛ معدل التآكل؛ الشبكات العصبية االصطناعية (ANN)

PDF {{ a.doi }} {{ a.views }} {{ a.dl }} {{ t.pp }} {{ a.pages }}

{{ t.latestIssue }} {{ latestIssueLbl }}

{{ t.navHome }} / {{ t.archives }} / {{ curIssue.vol }}

{{ t.published }} {{ curIssue.dateLbl }} · {{ curIssue.count }} {{ t.articlesWord }}

PDF {{ a.doi }} {{ a.views }} {{ a.dl }} {{ t.pp }} {{ a.pages }}

{{ t.navHome }} / {{ artIssueTitle }} / {{ art.sec }}

{{ art.doi }} {{ t.published }} {{ artDate }} {{ t.sectionLbl }} {{ art.sec }} {{ t.pagesLbl }} {{ art.pages }}

{{ t.dlCiteLbl }} Endnote/Zotero/Mendeley (RIS) BibTeX

✓

Microsoft Word (.docx)

{{ t.navHome }} / {{ t.announcements }}

No announcements yet.

{{ t.navHome }} / {{ t.announcements }} / {{ ann.title }}

{{ t.navHome }} / {{ t.authorsBc }} / {{ authorName }}

{{ a.sec }} · {{ a.issueTitle }}

PDF {{ a.doi }} {{ a.views }} {{ a.dl }} {{ t.pp }} {{ a.pages }}

{{ t.latestIssue }} {{ latestIssueLbl }}

{{ t.navHome }} / {{ t.searchBc }}

{{ fullCount }} {{ t.resultsFor }} “{{ searchQuery }}”

{{ a.sec }} · {{ a.issueTitle }}

PDF {{ a.doi }} {{ a.views }} {{ a.dl }} {{ t.pp }} {{ a.pages }}

✓

{{ t.revRoles }} {{ t.revNote }} {{ t.email }}.

I agree to the collection and storage of my data in accordance with the journal's privacy statement, and to receiving email notifications about my submissions. *

Corrosion Rate Prediction for Underground Gas Pipelines Using Artificial Neural Network (ANN)

Abstract

{{ t.journalName }}

{{ t.latestArticles }}

{{ t.atGlance }}

{{ t.quickLinks }}

{{ t.tplTitle }}

{{ curIssue.vol }}

{{ g.name }}

{{ art.title }}

{{ t.abstract }}

{{ t.keywords }}

{{ t.howCite }}

{{ t.publishedIn }}

{{ t.license }}

{{ t.archives }}

{{ y.year }}

{{ y.stTitle }}

{{ docTitle }}

{{ b.text }}

{{ b.text }}

{{ b.text }}

{{ t.announcements }}

{{ ann.title }}

{{ authorName }}

{{ t.publishedInThis }}

{{ t.atGlance }}

{{ t.tplTitle }}

{{ t.editorialTeam }}

{{ t.advisoryHdr }}

{{ t.signIn }}

{{ t.searchResults }}

{{ t.checkEmail }}

{{ t.resetTitle }}

{{ t.newPwTitle }}

{{ t.regDoneTitle }}

{{ t.register }}

{{ t.rankHdr }}

{{ t.specHdr }}

ORCID

{{ t.emailHdr }}

{{ cs.h }}