Может ли искусственный интеллект помочь в решении коррозионных проблем?

Автор: Алик Гройсман  | Химико-инженерный факультет, Технион (Израильский технологический институт), Хайфа, Израиль | Почетный президент Израильской ассоциации инженеров-химиков и химиков

E-mail: alecgroysman@gmail.com | Website: www.groysmanalec.com

Опубликовано на портале «Химическая техника», декабрь 2025

Доктор Алик Гройсман

имеет более чем 40-летний опыт работы в сфере материаловедения, коррозии, контроля коррозии и мониторинга коррозии в нефтеперерабатывающей, нефтегазовой и нефтехимической промышленности, исследований и преподавания в указанных областях.

Подробнее об авторе>>

 

---

«Меня больше беспокоит природная глупость,
Чем искусственный интеллект.»
Юваль Ноах Харари (Израильский историк)

Окончание … без введения

Да, может. И на этом можно было бы поставить точку. Я научился отвечать на такие вопросы конкретно и однозначно. Но тогда вы не узнаете, что такое искусственный интеллект, и какие коррозионные проблемы существуют в коррозионной науке и инженерии. Право, не люблю озаглавливать работу вопросом. А если уже задал вопрос, по-видимому, есть сомнение. Тогда придётся разбираться … и, конечно, отвечать…

Введение … или о чём мы будем говорить…

Чтобы говорить о том, как искусственный интеллект (ИИ) может помочь в решении основных коррозионных проблем, нам следует определить эти проблемы. Я сформулировал 15 проблем, основываясь на многолетнем опыте работы в нефтеперерабатывающей промышленности и обучая коррозии студентов, молодых инженеров и учёных. Безусловно, проблем может быть и больше. Это мы увидим в конце моей статьи. Итак, вот эти проблемы.

• Прогнозирование поведения материалов в различных средах и условиях.
• Создание коррозионных моделей. Работают ли они? Нефтегазовая отрасль «переполнена» этими моделями. Будут ли они созданы в других отраслях: химической, нефтеперерабатывающей, нефтехимической, авиационной, электронной, военной, строительной?
• Прогнозирование питтинговой, щелевой, гальванической, микробиологической, межкристаллитной, коррозионного растрескивания под напряжением, усталостной, трибо-коррозии, эрозии, и других коррозионных явлений.
• Почему питтинг или трещина образовались именно здесь, в этом месте, а не в сантиметре или метре от них?
• Почему существует минимальная концентрация хлоридов воде, вызывающая питтинговую коррозию нержавеющих сталей? Почему эти концентрации не совпадают у разных исследователей?
• Коррозионная кинетика … где мы?
• Как правильно определять скорость коррозии металлов? Совсем не тривиальный вопрос.
• Можно ли использовать данные справочников, энциклопедий, статей и результатов разных компаний и лабораторий о скоростях коррозии металлов и сплавов в различных средах?
• Как правильно выбрать оптимальную концентрацию ингибитора коррозии?
• Распознавание, прогнозирование и предотвращение микробиологической коррозии.
• Какова будет ожидаемая скорость коррозии материала М в среде в присутствии агрессивных микроорганизмов, вызывающих коррозию?
• Сможем ли мы преодолеть путаницу и хаос в наименованиях сплавов разными организациями? UNS¹? AISI¹? ASTM¹? EN¹? BS¹? DIN¹? ГОСТ?
• Почему 10,5% Cr является минимальной концентрацией хрома для образования нержавеющей стали?
• Какова роль молибдена в повышении стойкости нержавеющих сталей против питтинговой и щелевой коррозии?
• Почему коррозионные разрушения (отказы) повторяются? Можно объединить: ИИ для моделирования коррозии, анализа отказов и их предотвращения?
• Парадоксы в коррозии? Некоторые химические соединения (сероводород, аммиак, кислород, нафтеновые кислоты) имеют два лица, подобно двуликому Янусу: могут ингибировать и ускорять коррозию металлов. Почему и при каких условиях?
• Сможем ли мы изменить коррозионное образование и отношение руководства предприятий и общества к проблемам коррозии? В связи с развитием ИИ нам надо научиться не просто давать знания, информацию, объяснения, а научить рассуждать, думать, понимать и использовать полученные знания. Это требует коренного изменения в подходе к образованию.

Для объяснения между «знать» и «понимать» приведу пример уравнения Клапейрона–Менделеева состояния идеального газа
                               рV = nRT,                             (1)
где р – давление газа; V – объём газа; n – количество молей газа; R – универсальная газовая постоянная; T – температура газа.
Все, кто изучали химию и физику, «знают» его. А теперь вопрос на «понимание»: почему перед дождём уменьшается температура воздуха? Верно, потому что уменьшается давление.
Попутно о физическом смысле R (тоже на «понимание»): это работа, которую совершает один моль идеального газа при нагревании при постоянном давлении на один Кельвин.

¹UNS – Unified Numbering System; AISI – American Institute of Steel and Iron; ASTM – American Society for Testing and Materials; EN – European Standard; BS – British Standard; DIN – German Institute for Standardization.

Затем мы обсудим, что такое ИИ и краткую его историю. Это настоящая сага, и она полна приключений и неожиданностей.

А теперь оглянитесь вокруг. Если раньше я говорил студентам и вообще окружающим, что вокруг нас ХИМИЯ, показывая на любой объект или явление, то сегодня мы обнаружим, что вокруг нас ИИ во многих его проявлениях.

Среди 15 актуальных проблем в коррозионной науке и инженерии я определил в качестве основной задачу прогнозирования поведения материалов в различных средах и условиях, т. е. определение срока службы металлических конструкций и оборудования. Этот прогноз связан с созданием коррозионных моделей. Поэтому мы обсудим историю создания моделей коррозии и ситуацию, где мы находимся сегодня.

И последняя, самая практическая часть нашего обсуждения – применение ИИ в коррозионной науке и инженерии.

Итак, я приглашаю вас в удивительный, увлекательный и таинственный мир материалов, коррозии и ИИ.

Начало. Определения. Часть 1

В настоящей статье мы поговорим о первой проблеме, которую я обозначил как «Прогнозирование поведения материалов в различных средах и условиях».

Я работал 22 года инженером по коррозии и материалам в нефтеперерабатывающей и нефтехимической промышленности в Израиле. Главный вопрос, который мне задавали работники нефтеперерабатывающих заводов: каков риск коррозии данного оборудования? Как долго прослужит эта труба, теплообменник, реактор, резервуар или защитное покрытие?

Вероятно, эти вопросы и проблема похожи на прогноз погоды, предсказание продолжительности жизни людей, прогноз распространения эпидемий, предсказание исторических и политических событий, развития экономики, поведения фондовой биржи, появления изобретений и открытий в науке и технике.

Системы металл – окружающая среда относятся к хаотичным и вероятностным явлениям, как и погода. Небольшие изменения начальных и текущих (изменяющихся) во времени условий приводят к существенным вариациям прогнозируемых результатов.

Наша жизнь – постоянное подтверждение этого принципа. Важной чертой хаотических систем является непредсказуемость. Поскольку мы никогда не сможем знать все начальные и текущие условия (внутренние и внешние факторы) сложной системы металл – окружающая среда в достаточной степени, мы не сможем предсказать окончательную судьбу такой системы с необходимой точностью. Даже незначительные ошибки в определении состояния системы будут существенно усилены, делая любое предсказание маловероятным или бесполезным. Поэтому метеорологи прогнозируют поведение погоды с достаточной точностью только на короткий (до трёх-пяти дней) период, но точный долгосрочный прогноз (семь и более дней) погоды всегда будет оставаться маловероятностным или невозможным.

В связи с этим возникает вопрос, может ли ИИ помочь в решении первой проблемы «Прогнозирование поведения материалов в различных средах и условиях»? Положительный ответ обнадёживает, потому что как раз одно из первых благоприятных применений ИИ произошло в метеорологии в прогнозировании погоды.

Тогда возникает следующий вопрос: что такое ИИ? Определим два слова: искусственный и интеллект. «Искусственный» означает созданный человеком, обычно как копия или имитация чего-либо природного. Например, искусственные цветы, искусственная трава, искусственная нога.

Слово «интеллект» – более сложное. Это способность к познанию, обучению, запоминанию на основе опыта, пониманию, рассуждению, адаптироваться к новым ситуациям, обрабатывать абстрактные концепции и решению проблем. Всё это объединяет познавательные способности: ощущение, восприятие, память, представление, мышление, воображение, сравнение и поиск решений [1]. Слово «интеллект» происходит от латинского слова intellectus – восприятие, разумение, понимание, рассудок, ум [1]. Теперь мы можем соединить эти два слова.

Искусственный интеллект (ИИ) – это способность вычислительных систем выполнять задачи, обычно связанные с человеческим интеллектом, такие как обучение, рассуждение, решение проблем, восприятие и принятие решений [2].

О философии ИИ напишем позже (см. Современное состояние ИИ).

Некоторые определения ИИ приведены в работе [3]. Их можно объединить: ИИ – это системы, которые думают и действуют как люди.

ИИ – это междисциплинарная отрасль компьютерной науки, базирующаяся на следующих областях математики:

• Теория вероятностей и математическая статистика;
• Правила дифференцирования сложных функций и матриц;
• Линейная алгебра.

ИИ включает множество различных отраслей: от классификации изображений до обработки текста и распознавания речи.

Сочетание «искусственный интеллект» можно рассматривать как оксюморон. Оксюморон («остроумно-глупое» с греческого) – термин античной стилистики, обозначающий нарочитое сочетание противоречивых понятий c взаимоисключающим значением [4].

Примеры:

«Смотри, ей весело грустить такой нарядно обнаженной» (Анна Ахматова, Царскосельская статуя, 1916 г.) [5].

Это может быть соединение существительного с контрастным по смыслу прилагательным: «убогая роскошь» (Н. А. Некрасов, 1857 г.).

Другие примеры: горькая радость, оглушительная тишина, ненавистная любовь, Старый Новый год, Мёртвые Души Н. В. Гоголя, нержавеющая сталь [6].

Таким образом, ИИ, конечно, не совсем интеллект. По сути, это обычная программа с прописанным алгоритмом. У нас возникла странная задача: создать что-то вроде нашего мозга… Но мы не знаем, что такое мозг, и как он работает.

История развития человеческого общества знает немало подобных примеров. Например, создание летательных аппаратов – самолётов. Человек пытался создать аппараты с машущими крыльями подобно птицам. Прямая копия природы не увенчалась успехом. Человек изобрёл нечто, чего в природе нет: реактивный двигатель для полётов в воздухе. И что получилось? Аппараты превзошли птиц по скорости полёта. Но если птица может приземлиться в любой точке пространства, то самолёту нужна специальная площадка для взлёта и посадки. Развитие дронов приблизило летательные аппараты к птицам. Тем не менее, пока полной копии не получилось. Вполне возможно, что такая ситуация происходит и с ИИ.

«Искусственное» рассматривается как противоположность естественному (живой материи), то есть как противоположность органическому [7]. Это не означает, что «искусственное» равно поддельному, а, скорее, то, что «искусственное» подразумевает имитацию органического явления [8]. В самом деле, ИИ – это, по-видимому, имитация человеческого мышления.

«Интеллект» по определению может быть только естественным. Глубокий анализ (человеческого) интеллекта позволяет отметить такие свойства, как умение рассуждать, планировать, любопытство, воображение, творческие способности (креативность), эмоции и чувства. Эмоции включают широкий спектр: от базовых, таких как радость, грусть, страх, гнев, отвращение, удивление, сожаление, волнение, до более сложных и тонких, таких как умиление, восхищение, нежность, тоска, тревога, ненависть, презрение, стыд, зависть, недоверие, обида, умиление; нейтральные эмоции – скука, спокойствие. Эмоции проявляются более ярко и интенсивно. Чувство же может быть более тонким и скрытым, например, любовь, благодарность или сожаление, чувство юмора. Чувство возникает на основе эмоций, а не наоборот. Оно более длительное и стабильное, более сложное и многообразное. Глядя на этот перечень эмоций, чувств и других психических свойств и состояний, нам становится понятен подход к ИИ как к оксюморону. Поэтому мы вправе назвать ИИ «имитацией интеллекта».

Понимание интеллекта как органического явления/объекта, таким образом, предполагает оксюморонное отношение к искусственному [7]. Но не все учёные это разделяют, ссылаясь на то, что существует «интеллект животных» [9, 10] и даже «интеллект» у растений [11–13]. Принято считать, что растения способны обучаться, у них есть память, и они могут корректировать свое поведение в зависимости от обстоятельств [12]. Термин «интеллект растений» часто используется для описания сложных адаптивных способностей растений, которые, хотя и не являются разумом в человеческом понимании, позволяют им реагировать на изменения в окружающей среде, принимать решения и даже общаться. Растения могут ощущать свет, запахи, прикосновения и химические сигналы, а также адаптировать свое поведение, чтобы выжить и процветать [13, 14].

Интеллект представляет собой фундаментальное свойство жизни, присущее и животным, и растениям, и даже одноклеточным. Нервной системы у них может не быть, а интеллект присутствовать обязан.

Поэтому мы вправе называть «интеллект машин», то есть это «интеллект», … но у машин. Это дискуссионный философский вопрос, зависящий от определения, что мы называем интеллектом, и выходит за рамки моей статьи.

Созданный как академическая дисциплина в 1950-х годах, ИИ оставался областью относительной научной неясности и ограниченного практического интереса на протяжении более полувека. Возникновение и развитие ИИ – это увлекательная сага, и мне бы хотелось этому уделить внимание.

Часть 2. Историческая

Предыстория искусственного интеллекта

История ИИ началась в древности с мифов, историй и слухов об искусственных существах, изготовленных мастерами и наделенных интеллектом или сознанием. Изучение логики и формального мышления с древности до наших дней привело к изобретению в 1940-х годах программируемого цифрового компьютера – машины, основанной на абстрактных математических рассуждениях [15]. Это устройство и идеи, лежащие в его основе, вдохновили ученых на обсуждение возможности создания электронного мозга. История ИИ описана в работах [16–18]. Я остановлюсь лишь на некоторых наиболее важных моментах истории ИИ.

Признаки ИИ можно найти в «Илиаде» и «Одиссее» Гомера (IX–VIII в. до н.э.) [19].

Пражский Голем, созданный согласно еврейскому фольклору рабби Иудой Лёвом бен Бецалелем в XVI веке, является еще одним примером одной из самых ранних попыток создания ИИ. Голем – глиняное или каменное человекоподобное существо, которое должно было защищать еврейскую общину Праги [20].

Другим примером является «турецкий» механический шахматист, созданный в 1770 году бароном Вольфгангом фон Кемпельном в Вене [21].

В трагедии «Фауст» (1825–1831) немецкий поэт и учёный Иоганн Вольфганг фон Гёте описывает гомункул – искусственно созданное в колбе алхимическим путем человекоподобное существо, часто небольшого размера [22]. В истории алхимии гомункулы связывались с попытками создать жизнь в лабораторных условиях.

К XIX веку идеи об искусственных людях и мыслящих машинах стали популярной темой в художественной литературе [23]. Следует вспомнить «Франкенштейн» (1818 г.) английской писательницы Мэри Шелли [24], «Собачье сердце» (1925) Михаила Булгакова [25] и «R.U.R.» (1920) чешского писателя Карела Чапека (Россумские универсальные роботы) [26]. Слово «робот» происходит от слова «робота» (работа) [18]. На чешском языке слово «робота» означает «каторга», «тяжёлая работа», «барщина» (роб – «раб» на болгарском языке) [27].

В 1623 году немецкий учёный Вильгельм Шикард построил первую механическую цифровую вычислительную машину, за которой последовали машины Блеза Паскаля (1643) и Готфрида Лейбница (1671) [28].

В 1832 году русский изобретатель С. Н. Корсаков выдвинул принцип разработки научных методов и устройств для усиления возможностей разума и предложил серию «интеллектуальных машин», в конструкции которых впервые в истории информатики применил перфокарты [28].

В 1833 году английские математики Чарльз Бэббидж и Ада Лавлейс разработали проект универсальной цифровой вычислительной машины – прообраза современной электронной вычислительной машины (ЭВМ) [28]. Ада Лавлейс считается первым программистом в истории. В 1941 году немецкий инженер Конрад Цузе построил первый работающий программно-управляемый компьютер [28].

Часть 3. Современная история искусственного интеллекта (1943–2025)

Нет сомнений, что современная история ИИ связана с именем английского математика Алана Мэтисона Тьюринга (1912–1954) [29]. Он заложил основу для современных компьютеров и ИИ. Предложенная им в 1936 г. абстрактная вычислительная «Машина Тьюринга», которую можно считать моделью компьютера общего назначения, позволила формализовать понятие алгоритма.

Значимой работой Тьюринга является статья «Вычислительные машины и разум» (журнал «Mind», октябрь 1950), где он обратился к проблеме ИИ и предложил эксперимент, ставший впоследствии известным как тест Тьюринга [30]. Его идея заключалась в том, что можно считать, что компьютер «мыслит», если человек, взаимодействующий с ним, не сможет в процессе общения отличить компьютер от другого человека. В этой работе Тьюринг предположил, что вместо того, чтобы пытаться создать программу, симулирующую разум взрослого человека, намного проще было бы начать с разума ребёнка, а затем обучать его. Эта идея и легла в основу последующего «Глубокого обучения», развивающегося с 2012 г. (см. далее).

Тест CAPTCHA, основанный на обратном тесте Тьюринга, широко распространён в интернете. Этой работой Тьюринг создал первичную концептуальную основу ИИ.

Зарождение ИИ происходило в 1943–1956 гг. [3]. Первая работа, которая сейчас общепризнанно относится к ИИ, была выполнена американскими нейробиологом Уорреном Мак-Калоком и логиком Уолтером Питтсом в 1943 году [31]. Они разработали математическую модель нейрона, который рассматривал нейроны как логические вентили (рис. 1). Авторы показали, что сеть на таких элементах может выполнять числовые и логические операции. Таким образом, они заложили основы нейронных сетей.

а

б

Нейрон (не путать с нейтроном! – элементарной нейтральной частицей в ядре атома) или нервная клетка («волокно или нерв» с древнегреческого) – электрически возбудимая клетка, которая предназначена для приёма информации извне, обработки, хранения, передачи и вывода с помощью электрических и химических сигналов [32]. Нейроны могут соединяться один с другим, формируя нервные сети. Впервые нейроны были обнаружены в 1837 году чешским физиологом Яном Пуркине при изучении клеток мозжечка. В этом же году в России открылась первая железная дорога между Санкт-Петербургом и Царским Селом, Россия потеряла А. С. Пушкина, на английский престол взошла королева Виктория, американец Сэмюэль Морзе изобрёл электромагнитный телеграф.

Термин «нейрон» для обозначения нервных клеток введён немецким анатомом Г. В. Вальдейером в 1891 году. Биологический нейрон состоит из тела диаметром от 3 до 100 мкм (см. рис. 1) [33]. Один нейрон может иметь связи с 20 тысячами других нейронов. Кора головного мозга человека содержит около 86 миллиардов нейронов.

Модель Мак-Калока–Питтса [31], рассматривающая нейроны как бинарные устройства (либо активизирующиеся, либо не активизирующиеся), стала важным шагом в развитии ранних искусственных нейронных сетей и оказала влияние на такие области, как ИИ (особенно в области нейронных сетей), кибернетика, и когнитивная наука. В своей статье Мак-Калок и Питтс попытались понять, как мозг может создавать чрезвычайно сложные узоры, используя множество основных клеток (нейронов), соединенных вместе. Модель нейрона Мак-Калока и Питтса, внесла важный вклад в развитие искусственных нейронных сетей, моделирующих ключевые особенности биологических нейронов. Первоначальные нейроны имели ограничения. Позже были добавлены дополнительные функции, которые позволили им «учиться».

Связи, по которым выходные сигналы одних нейронов поступают на входы других, называют синапсами по аналогии со связями между биологическими нейронами. Каждая связь характеризуется своим весом. Связи с положительным весом называются возбуждающими, а с отрицательным – тормозящими [17].

Нейрон имеет один выход, называемый аксоном по аналогии с биологическим прототипом. С единственного выхода нейрона сигнал может поступать на произвольное число входов других нейронов. Эта влиятельная статья Мак-Калока и Питтса в 1943 году [31], в которой они обсуждали сети искусственных «нейронов» и то, как последние могут выполнять простые логические функции, стала источником вдохновения для компьютерных «нейронных сетей» (а позднее и «глубокого обучения» в 2012 году) и их популярного описания как «имитирующих мозг».

Канадский физиолог и нейропсихолог Дональд Хебб в 1949 году предложил первый работающий алгоритм обучения искусственных нейронных сетей, т. е. его работы привели к пониманию значения нейронов для процесса обучения [35].

В 1951 году два аспиранта математического факультета Принстона (США), Мэрвин Мински и Дин Эдмундс, построили первый нейронный сетевой компьютер с искусственной нейронной сетью и использующий 3000 вакуумных трубок для моделирования сети из 40 нейронов [3].

Идеи Мак-Калока и Питтса были развиты в 1957–58 годах американским психологом и специалистом по информатике Фрэнком Розенблаттом [33, 36]. Он предложил схему устройства (компьютерную программу, а впоследствии электронное устройство), моделирующего процесс человеческого восприятия и назвал его перцептроном (от латинского perceptio – восприятие). Таким образом, им была практически реализована нейронная сеть.

Перцептрон – это математическая или компьютерная модель восприятия информации мозгом (кибернетическая модель мозга) и впервые воплощённая в виде электронной машины «Марк-1» в 1960 году. Перцептрон стал одной из первых моделей нейросетей, а «Марк-1» – первым в мире нейрокомпьютером. Работа Розенблатта над перцептроном была мотивирована структурой и функцией нейронов в мозге. Перцептрон, созданный по образцу биологических нейронов, был разработан для классификации входных данных по различным категориям и обучения путем регулирования весов связей. Это была одна из первых машин, способных к обучению, и она сыграла значительную роль на раннем этапе развития ИИ и машинного обучения. Перцептрон продемонстрировал возможность создания машин, которые могут обучаться на основе данных и делать прогнозы, заложив основу для будущих достижений в области ИИ и нейронных сетей.

Термин «ИИ» (Artificial Intelligence) был предложен математиком и ученым-компьютерщиком Джоном Маккарти на Дартмутской конференции летом 1956 года в США.

Предпосылкой ИИ явилось создание компьютеров, демонстрирующих «интеллект». Поскольку считалось, что интеллект находится в мозге, стремление создать искусственный мозг было тем, что мотивировало пионеров ИИ [7].

Изобретение цифрового программируемого компьютера в 1940-х годах совпало с идеями о человеческом интеллекте как о механическом манипулировании символами. Поэтому ученые начали серьезно обсуждать возможность создания электронного мозга.

Норберт Винер (американский математик, один из основоположников кибернетики и теории ИИ) писал в 1948 году о вычислительной машине как о модели мозга, в которой переключатели компьютера эквивалентны нейронам мозга [37].

В конце 1940-х годов компьютеры описывались как гигантские механические мозги [38].

Нейронные сети и смежные области глубокого и машинного обучения также вдохновлены биологическими нейронами в мозге. Учитывая эту постоянную озабоченность копированием мозга, возможно, было бы правильнее обозначить обсуждаемую область как искусственный мозг вместо ИИ [7].

В 1959 году Артур Сэмюэл (американский пионер в области компьютерных игр и ИИ) ввёл термин «машинное обучение», рассказывая о программировании компьютера таким образом, «чтобы он научился играть в шашки лучше, чем это может сделать человек, написавший программу» [18].

В 1959 году первый промышленный робот Unimate начал работать на сборочной линии завода General Motors в Нью-Джерси, США [18].

В 1965 году американский философ Хьюберт Дрейфус опубликовал книгу «Алхимия и ИИ», в которой утверждал, что разум не похож на компьютер и что существуют пределы, за которыми ИИ не сможет развиваться [18].

Разработка ИИ прошла несколько этапов, сопровождавшихся повышенным ажиотажем, сменяющихся «зимами» [17] – разочарованием, критикой и последующим сокращением финансирования, а затем возобновлением интереса несколько лет или десятилетий спустя [39]. Две длительные «зимы» относят к периодам 1974–1980 гг. и 1987–1993 гг. [17].

Сегодня (2025 г.), по-видимому, можно утверждать, что мы находимся в самом разгаре «лета» ИИ. Благодаря машинному обучению и глубокому обучению, а также развитию вычислительной мощности (computer power), памяти (memory) и больших данных (Big Data, Data Science, Data Mining), наблюдается бум интереса и инвестиций в ИИ.

Финансирование и интерес к ИИ значительно возросли после 2012 года, когда глубокое обучение превзошло все предыдущие методы ИИ, а также после 2017 года с появлением архитектуры трансформер (модель машинного обучения) – глубоких нейронных сетей [40].

Это привело к буму в развитии ИИ в начале 2020-х годов, когда компании, университеты и лаборатории, в подавляющем большинстве базирующиеся в США, стали пионерами значительных достижений в области ИИ [41].

Часть 4. Развитие ИИ в СССР и России

Исследования и разработки по той проблематике, которая в США называлась «artificial intelligence», в СССР проходили под именем «кибернетика» или особой области компьютерных наук [42, 43]. В России/СССР развитие ИИ не стало тем, чем стало в США. В США ИИ стал отдельным исследовательским направлением, с хорошо различимыми историческими этапами, ключевыми фигурами, отраслями и подотраслями, активными дискуссиями, с признанными научными центрами, учебной программой и финансовой базой. То, что сейчас признается как наиболее значительные достижения советской науки в области ИИ, связано с распознаванием образов [42].

Термин «ИИ» стал использоваться в названиях советских конференций и научных подразделений в 1970-е гг., но лишь в 1986 г. – за пять лет до распада СССР – прошло организационное размежевание ИИ и кибернетики.

Нежелание в СССР принять аналогию человек–машина основывалось на двух основных аргументах [43]. Первая касалась различия между творческими актами (включая научное и инженерное творчество) и механическими видами деятельности, такими как вычисления. Согласно этой точке зрения, компьютеры не могут создавать по-настоящему новые идеи, концепции или изображения, а лишь воспроизводят существующие шаблоны или клише. Второй, более существенный аргумент состоял в том, что человеческое мышление по своей природе социально и порождается не химическими процессами мозга, а коллективной деятельностью бесчисленных поколений людей – продуктом социализации, а не неврологии. Это видение имело важнейшие последствия для определения природы и цели машинного интеллекта в социалистическом контексте: компьютеры создаются людьми и действуют строго в соответствии с правилами математики и логики. Они способны имитировать некоторые интеллектуальные способности человека, но, что самое важное, имитация мышления не является самим мышлением.

Неверие советских учёных (однофамильцы Дмитрий Поспелов [44–46] и Гермоген Поспелов [47] – родоначальники советской школы ИИ) в создание ИИ в 1970–1980-х гг., по-видимому, было основано на их чрезвычайной преданности марксистко-ленинской философии и неумении разобраться в других философских учениях.

Сторонники ИИ в Советском Союзе в 1960–1980-х годах находились под сильным влиянием нежелания признавать «мыслящее» свойство электронных машин и акцента на организационном управлении (контроле), а не на индивидуальной рациональности (выборе) [43]. Эта генеалогия частично объясняется интеллектуальным влиянием марксизма, как в его догматической марксистско-ленинской, так и в его неортодоксальной версиях, а также центральной ролью теории управления в этой области с ее приложениями к биологии, экономике и информатике.

В советском сообществе центральная проблема ИИ обычно трактовалась как управление в «больших» системах. Неслучайно в рассказе советского философа Э. В. Ильенкова 1962 года «Тайна черного ящика» высшая сущность искусственного интеллекта названа «Системой управления» [48].

Именно советский писатель и поэт А. Т. Твардовский, будучи главным редактором журнала «Новый мир», предложил Э. В. Ильенкову «разобраться» на страницах этого журнала с проблемой «искусственного интеллекта» («Может ли машина мыслить и не станет ли она умнее человека?»), которая активно дебатировалась в 60-е годы [49].

В ходе «разбора» Э. В. Ильенков пришел к выводу, что искусственный, «машинный» интеллект никогда не сможет превзойти естественный и поработить его (а тогда такие опасения были «в моде»). Проблема «машинного» интеллекта, таким образом, перерастала в проблему власти, управляющей государственной машиной.

В 1968 году вышла книга Э. В. Ильенкова «Об идолах и идеалах», в которой обосновывалась невозможность создания машины умнее человека [50].

Мне вспоминается случай со мной в 1973 году, когда один профессор химии высмеивал другого: «Нет, ты представляешь, он верит, что машина (компьютер) может мыслить!».

Российская Ассоциация Искусственного Интеллекта была основана в 1989 г. [51].

В СССР получили развитие экcпертные системы, которые начали разрабатываться исследователями ИИ в 1970-х годах, а в 1980-х годах получили коммерческое подкрепление [52]. Экcпертная система – компьютерная система, способная частично заменить специалиста-эксперта в разрешении проблемной ситуации. Предшественниками экспертных систем являются так называемые «интеллектуальные машины» (механические устройства), созданные С. Н. Корсаковым (русским дворянином, изобретателем этих устройств для информационного поиска и классификации, пионером применения перфорированных карт в информатике) в 1832 г., позволявшие находить решения по заданным условиям, например, определять наиболее подходящие лекарства по наблюдаемым у пациента симптомам заболевания.

Важнейшей частью экспертной системы являются базы знаний как модели поведения экспертов в определённой области знаний с использованием процедур логического вывода и принятия решений, иными словами, базы знаний – совокупность фактов и правил логического вывода в выбранной предметной области деятельности.

В настоящее время «классическая» концепция экспертных систем, сложившаяся в 1970–1980 годах, переживает кризис, по всей видимости связанный с её глубокой ориентацией на общепринятый в те годы текстовый человеко-машинный интерфейс, который в настоящее время в пользовательских приложениях почти полностью вытеснен графическим [52].

Часть 5. Современное состояние ИИ (2025 г.)

ИИ – одна из новейших дисциплин. Официально эта дисциплина была объявлена в 1956 году, хотя к тому моменту работы велись уже около пяти лет. Изучение «интеллекта» является одной из древнейших дисциплин. На протяжении более 2000 лет философы пытались понять, как видение, обучение, запоминание и рассуждение могут выполняться (реализовываться) [3].

Один из основных философских вопросов, касающихся ИИ: «Может ли машина мыслить?» Этому посвящены многочисленные работы [3, 53, 54]. Ответы на них зависят от того, что понимается под понятиями «интеллект» или «сознание», и какие именно «машины» являются предметом обсуждения [55].

Наиболее горячие споры в философии искусственного интеллекта вызывает вопрос возможности мышления творения человеческих рук. Вопрос: «Может ли машина мыслить?», который подтолкнул исследователей к созданию науки о моделировании человеческого разума, был поставлен Аланом Тьюрингом в 1950 г. Две основные точки зрения на этот вопрос сформулированы в гипотезах сильного и слабого ИИ [55].

Термин «сильный искусственный интеллект» ввел американский философ Джон Роджерс Сёрль в 1980 г. в работе, описывающей мысленный эксперимент «Китайская комната» [53, 56]. Такая программа будет не просто моделью разума; она в буквальном смысле слова сама и будет разумом в том же смысле, в котором человеческий разум – это разум. Напротив, для сторонников гипотезы слабого ИИ программы – лишь инструмент для решения задач, не требующих полного спектра человеческих познавательных способностей.

В своем мысленном эксперименте «Китайская комната» Джон Сёрль показывает, что даже прохождение теста Тьюринга может не являться достаточным критерием наличия у машины подлинного процесса мышления. Аналогичную позицию занимает и английский физик и математик Роджер Пенроуз, который в своей книге «Новый ум короля» аргументирует невозможность получения процесса мышления на основе формальных систем [57].

По мнению российского философа Елены Мареевой, «вычислительная машина, которая может владеть логическим правилом, и даже более успешно, чем человек, не может синтезировать принципиально новое содержание. Она может только по-разному комбинировать то содержание, которое мы уже имеем. В конечном счете всякая ЭВМ – это «быстродействующий идиот», который ума не имеет. Ведь ум невозможен без способности воображения. И если даже один человек в запальчивости скажет другому: «Ты – свинья», то нужно иметь воображение, чтобы не воспринять этих слов буквально. Но для машины существует лишь буквальный смысл, а потому ей недоступно воображение, юмор и многое другое, что есть у человека» [58].

Сегодня мы опять возвращаемся к вопросу, что считать интеллектом?

Интеллект – способность обрабатывать информацию, обучаться и осознавать новые ситуации на основе опыта, а также превращать свои восприятия в знания, предвосхищать будущее, адаптироваться к новым ситуациям [55].

ИИ не обладает интеллектом в том смысле, как это понимается у человека.

ИИ представляет собой программы и системы, созданные для выполнения определенных задач, используя алгоритмы и данные. В отличие от человеческого интеллекта ИИ не обладает сознанием, самосознанием, эмоциями или способностью к самостоятельному обучению в том объеме, как это характерно для человека.

ИИ проявляет «умение» выполнять задачи, для которых он был предназначен, на основе программирования и данных, которые были использованы при его обучении или разработке. В то время как ИИ может быть очень продвинут (и продвинулся!) и эффективен в решении определенных задач, на сегодняшний день (2025 г.) он не обладает интеллектом в полном смысле этого слова. Так что пока ИИ всё-таки является имитацией человеческого интеллекта.

Часть 6. Этические проблемы создания ИИ [55]

• Если в будущем машины смогут рассуждать, осознавать себя и иметь чувства, то что тогда делает человека человеком, а машину – машиной?
• Если в будущем машины смогут осознавать себя и иметь чувства, возможно ли будет их эксплуатировать или придется наделять их правами?
• Если в будущем машины смогут рассуждать, то как сложатся отношения людей и машин? Данный вопрос был не раз рассмотрен в произведениях искусства на примере противостояния людей и машин. К примеру, батлерианский джихад в романе «Дюна» (1963–1965) американского писателя-фантаста Фрэнка Герберта, проблемы взаимоотношения с ИскИнами в романе американского писателя-фантаста Дэна Симмонса «Гиперион» (1989), война с машинами в кинофильме «Терминатор» (1984). Интересно отметить, что фильм начинается с мрачного будущего 2029 года, когда идёт война человечества и цивилизации машин. Вы будете свидетелями через четыре года, оправдается ли эта фантазия.
• Будет ли человек, которому в результате многочисленных медицинских имплантаций заменили 99 процентов тела, считаться машиной?

Данные проблемы находятся вне поля рассмотрения в настоящей статье.

Часть 7. Первые исследования в области применения ИИ в решении коррозионных проблем

Итак, мы приближаемся к главной теме нашего исследования: Может ли искусственный интеллект помочь в решении коррозионных проблем?

В настоящее время (2025 год) ИИ охватывает огромное количество различных областей: от общих направлений, таких как восприятие и логическое мышление, распознавание образов, до специфических задач, таких как игра в шахматы, доказательство математических теорем, написание стихов и диагностика заболеваний [3].

Специалисты в области ИИ могут применять свои методы в любой сфере интеллектуальной деятельности человека. В этом смысле ИИ – это действительно универсальная область.

Специалисты в мире коррозии, по-видимому, начали применять методы ИИ в начале 1990-х годов [59]. Первой работе 1992 года [59] стоит посвятить соответствующий анализ. В данной работе показано, как нейронные сети, способные извлекать закономерности из разных коррозионных случаев, могут прогнозировать риск КРН (коррозионного растрескивания под напряжением) аустенитной нержавеющей стали UNS S30400 (русский аналог ГОСТ 08Х18Н10) в хлоридсодержащей воде при 20-370°С. Искусственные нейронные сети – это математические модели человеческого разума и мозговой активности. В данном исследовании рассматривались следующие параметры: температура, концентрации хлоридов и кислорода в воде. Явление КРН было проанализировано путем сбора историй отказов и описания условий окружающей среды, при которых наблюдается коррозионное растрескивание под напряжением аустенитной нержавеющей стали, а при которых – нет. Нейронные сети, обученные на собранных данных, могут быть использованы для непосредственного информирования о риске КРН.

Основой нейронной сети являются процессорные элементы, называемые нейронами, которые взаимосвязаны и работают параллельно. Каждый обрабатывающий элемент имеет множество входных путей X_i, которым присвоены относительные веса W_i, но у него только один выходной сигнал Y (рис. 2) [59].

Искусственный нейрон

В большинстве искусственных нейронных сетей, среди которых наиболее распространенной является модель с обратным распространением ошибки, входные сигналы объединяются простым суммированием I = (W_i ∙ X_i), результатом которого является внутренний уровень активности нейрона. Затем эта активация модифицируется передаточной функцией (обычно сигмоидальной функцией), которая вычисляет выходной сигнал Y нейрона.

Многие элементы обработки объединены вышеупомянутым способом и в основном организованы в группы, называемые «слоями», образуя нейронную сеть (рис. 3). Таким образом, нейронная сеть обычно строится из последовательности слоев, где каждый слой полностью или случайным образом связан с последующим слоем. Обычно существуют два слоя, имеющие связи с внешним миром: входной слой, где данные представляются как сети, и выходной слой, который содержит реакцию (ответ) сети на заданные входные данные. Слои, отличные от входного и выходного слоёв, принимают только внутренние сигналы и поэтому называются «скрытыми слоями». В нейронных сетях обратного распространения ошибки обычно используются от одного до трёх скрытых слоёв.

Нейронная сеть не программируется, а обучается: её учат давать приемлемые (достоверные) ответы на этапе обучения. В контексте нейронных вычислений обучение означает процесс адаптации весов связей в ответ на стимулы, предъявляемые на входном и, в итоге, на выходном слое. Известные входные и выходные наборы, называемые обучающими наборами, предоставляются сети, которая снова и снова прогоняет их для изменения весов в соответствии с выбранным правилом обучения до тех пор, пока выходные данные не станут достаточно точными. Чтобы убедиться, что сеть не просто запомнила обучающие данные, а действительно извлекла общие черты из примеров, нейронной сети предоставляются новые входные и выходные наборы, не входящие в обучающий набор. Если результаты нейронной сети на данном тестовом наборе окажутся удовлетворительными, можно считать, что нейронная сеть обучена должным образом и может быть использована для обработки ранее не встречавшихся случаев. Эти возможности обучения и обобщения являются одними из важнейших особенностей технологии нейронных сетей, которые в этом отношении более мощны, чем, например, традиционные экспертные системы.

Нейронная сеть для прогнозирования КРН нержавеющей стали UNS S30400 представлена на рис. 4.

Из всех областей, где нейрокомпьютеры уже применялись, наибольший потенциал для получения большой отдачи, по всей видимости, имеют области анализа данных. Под термином «анализ данных» обычно понимают разработку прогностической модели. Такой анализ данных и был предпринят в работе [59] с помощью нейронных сетей обратного распространения, которые не только предсказывают, возникнет ли КРН, но и определяют переходную область, в которой риск КРН постепенно увеличивается.

Задолго до начала использования ИИ (нейронных сетей), в 1930–1960 годах, разрабатывались математические модели коррозии металлов в почвах и атмосфере на основании многочисленных экспериментальных данных. Этому мы посвятим следующую главу.

Часть 8. Моделирование и прогнозирование коррозии

Чтобы рассмотреть, каким образом ИИ может помочь в прогнозировании поведения металлов, обратимся к моделированию коррозии. Я сравниваю создание моделей коррозии с прогнозом погоды. Погода – это состояние атмосферы, которое постоянно меняется. Коррозия – это состояние системы металл/окружающая среда, которое также постоянно меняется. Общим между ними является то, что поведение обоих явлений хаотично и вероятностно, зависит от внутренних и внешних факторов, которые постоянно меняются. Подчеркну, что метеорологи добились успеха в краткосрочном (до трёх дней) прогнозировании погоды, когда в эту область пришли математики и физики. В настоящее время ИИ используется в метеорологии. Отсутствие математиков и физиков в изучении поведения металлов объясняет отсутствие достоверных коррозионных моделей.

Каковы принципы создания моделей прогнозирования коррозии? Модель должна помочь определить, когда и где коррозия начинает становиться проблемой.

8.1. Создание коррозионных моделей в почве

Американские учёные K. H. Logan с коллегами [60, 61] и L. N. Martin [62] были, по-видимому, первыми, изучавшими питтинговую коррозию чёрных металлов в почве в 1937 г. Американский учёный Melvin Romanoff обобщил их результаты в 1957 г. [63]. Ими было получено эмпирическое уравнение, основанное на измерениях глубины питтингов

P = k𝑡ⁿ ,                                                 (2)

где P – глубина самого глубокого питтинга на момент времени t; t – время воздействия почвы на металл; k и n — константы, зависящие от характеристики почвы.

Логарифмируя обе части уравнения (2), получим уравнение (3):

lgP = lgk + nlgt.                            (3)

Следовательно, n – наклон прямой в координатах lgP – lgt, а lgk – отрезок оси lgP при пересечении этой прямой с осью lgP.

Учёный Л. Я. Цикерман в СССР изучал кинетику коррозии стальных трубопроводов в 1950–1980 гг. и получил аналогичную формулу зависимости скорости коррозии углеродистой стали от времени её нахождения в почве [64, 65]:

CК = 𝐴𝑡^b,                                                  (4)

где CК — скорость коррозии; t — время воздействия почвы на металл; А и b – константы.

Позже Л. Я. Цикерман применил ЭВМ для диагностики коррозии трубопроводов [66]. Моделирование коррозионного процесса заключалось в экспериментальном определении математического выражения для зависимости глубины коррозионной каверны от времени коррозионного процесса – H_K(t) [67]. Экспериментально установлено, что рост глубины коррозионного дефекта носит нелинейный характер и затухает с течением времени, поэтому зависимость H_K(t) может быть представлена уравнением [66]

H_K = H_∞(1 – e^-λ·(t-T)),                                              (5)

где H_K – глубина коррозионной каверны, мм; H_∞ – максимальное значение глубины каверны (при t → ∞), мм; λ – коэффициент затухания коррозионного процесса, 1/год; t – длительность эксплуатации трубопровода, год; T – «время задержки» или интервал времени от укладки трубы в грунт до возникновения коррозионной каверны, год.

В уравнении (5) H_K(t) – гладкая монотонно возрастающая функция, скорость роста которой со временем снижается. В этой формуле параметр H_∞ является константой (асимптотой модифицированной экспоненты). Коэффициент затухания λ характеризует интенсивность протекания коррозионного процесса. Чем меньше λ, тем более полого пойдет кривая H_K(t), т. е. тем медленнее протекает коррозионный процесс [67].

Формула (5) многократно использовалась в русской литературе для моделирования коррозионного состояния подземных трубопроводов [67, 68].

8.2. Создание коррозионных моделей в атмосфере

Обширные эксперименты по коррозии углеродистой стали, цинка, меди и алюминия были проведены в различных атмосферах [69–71]. Следует отметить, что экспоненциальная зависимость, подобная уравнениям (2) и (4), была получена разными учеными в разных странах: W. H. Ailor [69] в США в 1968 году, H.E. Townsend [70] в США в 1998 году после 20 лет испытаний и K. Kreislova и D. Knotkova с коллегами в Чехии в 2017 году после 45 лет испытаний (1970–2015) [71].

Результаты К. Крейсловой и Д. Кнотковой обобщены в стандарте ISO 9224:2012 «Коррозионная активность атмосферы» [72]. Всеми авторами получены идентичные кинетические экспоненциальные уравнения зависимости скорости коррозии металлов от времени в разных географических зонах.

Международные программы по изучению атмосферной коррозии, выполненные в 1986–1988 гг., в которых приняли участие 38 стран на четырёх континентах (Европа, Америка, Азия и Океания), привели к коррозионной модели [73]

CR = a₁ + a₂ RH + a₃ P + a₄ T + a₅ TOW + a₆ SO₂ + a₇ Cl,         (6)

где a₁, a₂, a₃ …, a₇ – коэффициенты; RH — относительная влажность; P — давление; T – температура; TOW — общее время смачивания (время нахождения влаги на поверхности металла); SO₂ и Cl — концентрации диоксида серы и хлоридов в воздухе.

Эти модели способствовали созданию коррозионных карт атмосферы с указанием скоростей коррозии важнейших конструкционных металлов и сплавов (углеродистая сталь, цинк и алюминий), позволили прогнозировать их стойкость и подобрать соответствующие покрытия с необходимой толщиной для защиты этих металлов от коррозии [74, 75].

8.3. Создание коррозионных моделей в нефтегазовой промышленности

Различные исследовательские институты и компании (институт энергетических технологий, Норвегия; InterCorr, Intetech, США; CorrOcean, Норвегия), университеты (Ohio, Tulsa, Louisiana at Lafayette, США) и нефтяные компании (Shell, Statoil, Total, BP), начиная с 1970-х годов, предприняли многочисленные попытки разработать модели для прогнозирования внутренней коррозии трубопроводов под воздействием CO₂ [76, 77]. Анализ различных моделей, включая нейронные сети, был выполнен в диссертации [78] и Норвежским институтом энергетических технологий [77].

Первая гибридная модель коррозии объединяла электрохимические принципы (измерения поляризационного сопротивления) с экспериментальными данными (потери массы металлических образцов – купонов) для построения модели и прогнозирования скорости коррозии углеродистой стали в средах, содержащих СО₂ [76]. В попытке разработать корреляцию, способную точно предсказать коррозию, вызванную CO₂ в нефте- и газопроводах, уравнение де Ваарда–Милльямса было сформулировано следующим образом:

lg(𝑉_{𝑐𝑜𝑟𝑟}) = 5,8 – 1710/𝑇 + 0,67∙lg(𝑃_𝐶𝑂2),                   (7)

где 𝑉_{𝑐𝑜𝑟𝑟} – скорость коррозии углеродистой стали, мм/год; 𝑇 – температура, K; 𝑃_𝐶𝑂2 – парциальное давление углекислого газа MПa).

Ограничение модели заключалось в том, что полученные результаты лабораторных и полевых исследований показали отчетливый пик при температуре 60…90 °C, за которым следует снижение скорости коррозии с дальнейшим ростом температуры выше 90 °C. В последующем авторы провели корреляцию с учетом эффекта образования защитной пленки FeCO₃ и использования летучести (фугитивности) вместо парциального давления углекислого газа [79].

Модель де Ваарда–Милльямса неоднократно анализировалась и совершенствовалась [80–89]. Три норвежские нефтяные компании (Statoil, Norsk Hydro, Saga Petroleum) разработали следующую эмпирическую модель на основании модели де Ваарда [84]:

𝑉_{𝑐𝑜𝑟𝑟} = 𝐾_𝑡 𝑓_𝐶𝑂2 ^0,62 ∙ (𝑆/19)^{0,146+0,0324∙log(𝑓𝐶𝑂2 )} F(𝑝𝐻)_𝑡,         (8)

где 𝑉_{𝑐𝑜𝑟𝑟} – скорость коррозии углеродистой стали, мм/год; 𝐾_𝑡 – константа, зависящая от температуры; 𝑓_𝐶𝑂2 — летучесть (фугитивность) CO₂; 𝑆 – напряжение сдвига на стенке Па; F(𝑝𝐻)_𝑡 — сложная функция pH и температуры.

Модель учитывает образование защитных пленок карбоната железа на металле до 100^°C [84]. Одним из ограничений модели является то, что она не учитывает смачивание нефтью, и ее использование неприменимо к системам, в которых стабилизация pH используется для контроля коррозии [90].

Норвежские учёные Rolf Nyborg и Arne Dugstad в 2009 г. оценили 16 моделей, разработанных различными компаниями и университетами [77]. В этом документе предложена следующая формула для расчета скорости коррозии, из которой следует, что скорость коррозии углеродистой стали в системах добычи нефти и газа зависит от парциального давления P газа CO₂, температуры T и pH:

log 𝑉_{𝑐𝑜𝑟𝑟} = 5,875 + 0,41log (P_C02 ) – (1119 – 0,0013T²)/T – 0,34pH.             (9)

Их выводом было то, что все модели прогнозирования коррозии имеют ограничения. Не существует универсального программного обеспечения (модели), которое можно было бы применить к любому месторождению нефти и газа.

8.4. Выводы о создании коррозионных моделей

Такое большое количество моделей (~20) для определения скорости коррозии малоуглеродистой стали в контакте с нефтью/природным газом указывает о неудовлетворительном состоянии теории в подходе к проблеме. Ни одна модель не способна учесть все внутренние и внешние факторы коррозии. Попытки проверить существующие модели на практике приводят к существенным погрешностям, иногда в 6 раз [88].

Как тут не вспомнить слова британского статистика Джорджа Бокса о том, что «Все модели неверны, но некоторые полезны» [91]. В афоризме признается, что статистические модели, как правило, не отражают всей сложности реальности, но тем не менее могут быть полезны.

В 1931 году польско-американский ученый Альфред Коржибский произнес афоризм: «Карта – это не территория» [92]. Глобус – это не настоящий земной шар. Это всего лишь модель (имитация) для нашего удобства. И таких представлений в науке и инженерии довольно много: модель атома, идеальный газ, запись химических реакций, центр тяжести мяча. Альфред Коржибский утверждал, что человеческое знание о мире ограничено как нервной системой человека, так и языками, которые он разработал, и поэтому никто не может иметь прямого доступа к реальности, учитывая, что максимум того, что мы можем знать, – это то, что фильтруется через реакции мозга на реальность.

Такой подход к описанию реального мира совпадает с высказыванием гениальнейшего философа 20-го столетия Людвига Витгенштейна: «Границы нашего языка являются границами нашего мира» [93].

Эта концепция была проиллюстрирована в искусстве. Бельгийский художник-сюрреалист Рене Магритт выразил эту идею в своей картине «Это не трубка» [94] (рис. 5, а). Мы не можем её использовать по назначению. Это изображение трубки. Не сама трубка! Точно также мы не можем сказать, что это яблоко (рис. 5, б). Мы не можем его есть. Это изображение яблока.

Таким образом, любая созданная модель не будет отражать реальную картину.

Любая коррозионная модель будет представлять собой изображение, отражающее в неопределённой степени реальную ситуацию с учетом непредвиденных обстоятельств и постоянно меняющихся факторов и свойств корродирующих металлических конструкций и окружающей среды. И тем не менее «это лучше, чем ничего!»

Когда мы выполняем коррозионный мониторинг с помощью купонов или датчиков электросопротивления или коррозиметров линейного поляризационного сопротивления в определённой среде, необходимо отметить, что ни один датчик не способен полностью быть в том же состоянии, в котором находится поверхность трубы, теплообменника, реактора или резервуара. Датчик имитирует их поверхность. Ясно, что данные о скоростях коррозии с помощью датчиков и реальная скорость коррозии конструкции могут различаться. И всё же «это лучше, чем ничего!»

Вполне возможно, что это является причиной того, что некоторые предприятия предпочитают не устанавливать такие датчики коррозии, а измерять толщину металла оборудования с помощью ультразвуковых датчиков.

Необходимо отметить использование Байесовских моделей для оценки вероятности коррозии, методы Монте–Карло для численного распространения неопределенности и цепей Маркова, применяемые для описания распространения точечной коррозии или фронтов коррозии в целом с течением времени [95–97]. Эти модели и методы не рассматриваются в настоящей статье. Такому анализу должна быть посвящена отдельная работа.

А теперь обсудим главный вопрос настоящей работы:

Может ли ИИ приблизить нас к созданию коррозионных моделей и предсказанию поведения металлических конструкций, то есть в решении главной коррозионной проблемы?

Часть 9. Применение искусственного интеллекта в коррозийной науке и инженерии

Искусственный интеллект (ИИ) – это общее название предмета, как химия, физика, биология, медицина. Этот термин применяется к системам, наделенным имитацией интеллектуальных процессов, характерных для человека, таких как способность рассуждать, находить смысл, обобщать, воспринимать и учиться на опыте, т. е. решать проблемы, более схожие с тем, как это делают люди, а не с помощью традиционных алгоритмов компьютерной науки. ИИ рассуждает и отвечает на вопросы о системе, на которой он был обучен. Таким образом, ИИ – это всеобъемлющая область, позволяющая машинам выполнять задачи, которые обычно требуют человеческого интеллекта.

Рис. 6 помогает нам понять структуру ИИ, её составляющие. Это диаграмма Венна (Джон Венн (John Venn, 1834–1923) – английский математик, логик и философ, известный тем, что ввел диаграммы Венна в 1880-х годах, которые используются в логике, теории множеств, теории вероятностей, статистике и информатике [99]).

ИИ – это самый большой круг, внутри которого находится машинное обучение (МО), а глубокое обучение (ГО) – еще более узкий круг внутри МО.

Таким образом, ИИ включает машинное обучение (МО), нейронные сети и глубокое обучение (ГО). Ключевыми компонентами ИИ являются также обработка естественного языка (Natural Language Processing), компьютерное зрение и экспертные системы [98]. Наиболее надежными и успешными методами в коррозионной инженерии среди ИИ технологий являются МО, ГО и распознавание образов.

Методы ИИ позволяют обнаруживать деградацию, улучшать моделирование долговечности материалов и помогать в принятии решений путем анализа больших наборов данных о деградации, исторических данных о коррозии и, наконец, прогнозирования срока службы.

МО – тип ИИ, занимающийся разработкой базовых алгоритмов и моделей, позволяющих компьютерам обучаться на основе данных (примеров) и делать прогнозы.

МО включает контролируемое и неконтролируемое обучение и обучение с подкреплением, что позволяет системам улучшать свою производительность с течением времени без явного программирования.

MО включает классификацию, кластеризацию, регрессию. MО интенсивно развивается в 1990-х годах и первом десятилетии 21 века и используется в различных отраслях, где требуется прогнозирование будущего, распознавание образов и автономное принятие решений.

Так, МО использовалось для прогнозирования эффективности ингибиторов коррозии до их синтеза, что позволило сократить циклы разработки и снизить стоимость эксперимента [100], в прогнозировании скорости коррозии оборудования на нефтеперерабатывающих и нефтехимических заводах [101], в оценке коррозии подводных трубопроводов [102].

Глубокое обучение – это подвид МО, использующий многослойные искусственные нейронные сети, интенсивно развивается во втором десятилетии 21 века (с 2012 года) [103, 104]. Оно особенно успешно в таких задачах, как распознавание изображений и речи, обработка естественного языка и распознавание сложных образов.

В 2017 году в исследованиях ИИ произошел очередной поворот – появились трансформеры [105]. Трансформеры органично объединили архитектуру кодировщика и дешифратора с механизмом внимания и оптимизировали процесс обучения языковых моделей, обеспечив исключительную эффективность и универсальность. Такие известные модели, как GPT (Generative Pretrained Transformer), возникли как базовые модели, способные к предварительному обучению на обширных массивах необработанных текстов и точной настройке для решения различных задач. Трансформеры расширили возможности обработки естественного языка и генерации для решения различных задач, от перевода и обобщения до ответов на вопросы.

Генеративный ИИ – это тип искусственного интеллекта, который способен создавать новый, оригинальный контент (текст, изображения, музыку, видео) на основе закономерностей, изученных в больших объемах данных [105]. В отличие от традиционного ИИ, который может просто извлекать информацию, генеративный ИИ имитирует творческие процессы для генерации уникальных данных, используя такие методы, как глубокое обучение и генеративно-состязательные сети.

Таким образом, генеративный ИИ может создавать новый контент и идеи, включая разговоры, истории, изображения, видео и музыку. Он может изучать человеческий язык, языки программирования, искусство, химию, биологию и любые сложные предметы. Он повторно использует свои знания для решения новых проблем. Он особенно важен в коррозионных исследованиях. Генеративный ИИ развивается интенсивно сейчас, в третьем десятилетии 21 века.

Обработка естественного языка позволяет машинам понимать, интерпретировать и генерировать человеческий язык. Она играет ключевую роль в таких приложениях, как чат-боты, языковой перевод, анализ настроений и распознавание голоса.

Компьютерное зрение предполагает обучение машин интерпретации визуальных данных и принятию решений на их основе. Области применения включают анализ изображений и видео, распознавание лиц, обнаружение объектов и автономные транспортные средства.

Экспертные системы используют рассуждения, основанные на правилах, для имитации способности человека-эксперта принимать решения в определённой области. Они используются в областях, где экспертные знания имеют решающее значение, например, в медицинской диагностике или финансовом анализе.

Появились работы об использовании ИИ в коррозионной защите [106, 107], в коррозионном мониторинге [108–114], при исследовании коррозии в бетоне [115], при прогнозировании коррозии имплантатов в человеческом теле [116].

Стремительный рост публикаций об использовании ИИ в исследовании коррозии произошёл за последние три года (2023–2025 гг.) [98, 100–102, 106–108, 110-118, 119, 121].

Об использовании ИИ в коррозии можно найти публикации не только в коррозионной литературе [107, 108, 116, 122, 123]. Появились компании, использующие ИИ для оценки коррозионного состояния оборудования [117].

ИИ широко применяется также в автономных системах: дронах [124–128] и роботах [129–131].

9.1. Два примера применения ИИ для решения коррозионных проблем

Безусловно, решение 15 коррозионных проблем, определённых мною в начале статьи, выходит за рамки настоящей статьи. Я отвечу на три вопроса:

• Как правильно определять скорость коррозии металлов?
• Можно ли использовать данные справочников и энциклопедий о скорости коррозии металлов и сплавов в различных средах?
• Как правильно выбрать оптимальную концентрацию ингибитора коррозии?

Как бы это странно ни звучало, но даже опытные коррозионисты не всегда правильно отвечают на эти вопросы. Попробуем разобраться.

9.1.1. Определение скорости коррозии металлов

В любом проекте мы хотим знать, как долго эта конструкция прослужит без сбоев. Это означает, что нам необходимо знать скорость коррозии материала в некоторой среде и, таким образом, прогнозировать поведение материала в этой среде.

Иногда (редко!) мы можем найти такие данные в энциклопедиях, книгах, обзорах или статьях. Насколько мы можем доверять этим данным?

Если скорости коррозии определялись экспериментально в течение короткого периода времени в несколько часов или дней, то эти данные можно подвергнуть сомнению. Почему?

Скорость коррозии зависит от продолжительности погружения образца в среду.

Если скорость коррозии зависит от продолжительности нахождения образца металла в среде, то сколько времени нужно для определения скорости коррозии металла? Для этого необходимо строить кинетические кривые коррозии (рис. 7).

Поместим 20 металлических образцов – купонов в исследуемую среду. Затем вынем их по очереди через определённые промежутки времени t₁, t₂ и т. д. Строим кинетическую кривую «Коррозионные потери, г/см² – Время, ч» (см. рис. 7). Типичные кинетические кривые для коррозии железа в воде, почве и атмосфере приведены на рис. 7.

Затем рассчитываем скорости коррозии (мм/год) как дифференциалы для каждой точки времени и строим вторую кривую «Скорость коррозии – Время». Как видно из рис. 7, скорость коррозии довольно большая в первые короткие промежутки времени, затем уменьшается и через определённый промежуток времени становится почти постоянной, то есть достигается устойчивое состояние. Оно зависит от типа металла и среды, и условий (температура, перемешивание). Например, для нейтральных водных сред устойчивое состояние коррозии обычно достигается через 30–40 дней, для почвы и атмосферы устойчивое состояние может быть достигнуто через 2 года. Таким образом, для практических нужд мы должны взять значение скорости коррозии при устойчивом состоянии – стационарном.

Аналогичная ситуация происходит при изучении химической кинетики. В первый промежуток времени химическая реакция неустойчива. Только через определённый промежуток времени при достижении устойчивого (стационарного) состояния мы можем измерить необходимые кинетические параметры.

9.1.2. Определение необходимой минимальной эффективности ингибитора коррозии

Часто исследователи ингибиторов коррозии не способны ответить на вопрос, какая минимальная эффективность ингибитора требуется для конкретной установки или оборудования, например, для линии оборотного охлаждения водой теплообменников, насосов и компрессоров.

Иногда на мой вопрос, а почему вы берёте ингибитор с эффективностью 95%, а не 90%, отвечают, что так принято в нефтяной промышленности. Конечно, это не так. Утверждение, чем больше эффективность ингибитора, тем лучше, экономически не работает. Может быть, эффективность 85% или 80% достаточна. Попытаемся разобраться в определении необходимой минимальной эффективности ингибитора коррозии.

Для каждой отрасли промышленности, для каждого оборудования существует своя разрешенная (допустимая, принятая, приемлемая) скорость коррозии, которая зависит от толщины стенки и срока его службы. Например, для стальных (малоуглеродистая сталь) трубок теплообменников в нефтеперерабатывающей промышленности разрешённая скорость коррозии равна 0,1 мм/год [132]. Это не значит, что такое же значение будет для стенок реактора или трубопровода. Скорость может быть и 0,2, и 0,3, и 0,4 мм/год. Способ расчёта разрешённой скорости коррозии приведён в [132].

Теперь нам необходимо определить реальную скорость коррозии стали, например, в линии оборотной охлаждающей воды без введения ингибиторов коррозии. Эту процедуру выполняем с помощью стальных купонов, установленных в линии охлаждающей воды. Например, получили значение 0,6 мм/год.

Вычисление по формуле

E_мин = [(K_{реальная} – K_{разрешённая})/K_{реальная}] 100%                (10)

позволяет определить минимальную эффективность ингибитора E_мин для конкретной установки, то есть линии оборотного охлаждения водой. Рассчитаем для нашего примера:

K_{реальная} = 0,6 мм/год; K_{разрешённая} = 0,1 мм/год.

Расчётом по формуле (10) получаем E_мин = 83%.

Таким образом, ингибиторы коррозии эффективностью 83% и более можно применять в данной охлаждающей системе.

9.1.3. Использование ИИ в решении исследовательских работ

Мы можем использовать ИИ в каждой из этих двух исследовательских работ.

Мы создаем нейронные сети (рис. 8): вводим во входной слой данные: температуру, pH и химический состав среды, скорость потока. Эти данные обрабатываются в скрытом слое, после чего получим выходные данные в выходном слое: скорость коррозии (см. рис. 8).

Затем рассчитываем разрешённую скорость коррозии по схеме нейронных сетей (рис. 9). Наконец, мы рассчитываем минимальную эффективность E_мин ингибитора коррозии (рис. 10).

9.2. Оценка коррозионного состояния оборудования на основе ИИ

В отличие от традиционных инспекций коррозии, которые основаны на визуальных проверках, измерениях толщины металлических сооружений и ручном составлении отчетов, разработаны методики оценки коррозии на основе ИИ, которые используют машинное (компьютерное) зрение для обработки полевых изображений и автоматического обнаружения ранних признаков коррозионных повреждений [117, 123, 133, 134].

Модели глубокого обучения, обученные на больших наборах данных коррозионных изображений, могут распознавать паттерны коррозии с высокой точностью даже в условиях слабого освещения или в сложных условиях, где видимость человека ограничена, что позволяет заменить процесс общего визуального осмотра [119].

После обнаружения коррозии классифицируют её тип в соответствии со стандартами [135, 136], отображают ее местоположение и прогнозируют её развитие во времени. Это помогает инженерам прогнозировать риски, расставлять приоритеты в мероприятиях по техническому обслуживанию и избегать ненужных остановок оборудования. На практике то, что раньше требовало месяцев ручных проверок, теперь можно выполнить за несколько дней, при этом гораздо меньше людей будут подвергаться опасной работе на действующих установках.

Проблемой являются не только рабочие часы, но и человеческая субъективность. В настоящее время операторы инфраструктуры запрашивают методы анализа наборов данных на основе пикселей без необходимости вмешательства и интерпретации человеком. Конечным результатом является объективное заключение о том, имеет ли оборудование коррозионный дефект или нет. В настоящее время этот вывод варьируется в зависимости от того, кто проводит интерпретацию и анализ изображения.

Например, для оценки последствий коррозионной деградации, таких как состояние защитного покрытия и пораженных коррозией участков, компания Vidya разработала собственную алгоритмическую модель «Состояние Коррозионной Деградации» [117]. Эта модель долгосрочного прогнозирования использует данные жизненного цикла каждого аппарата, предоставляя оценку развития коррозии с течением времени.

Компания Orbiton AS (Norway) разработала сравнение стандартных методов компьютерного зрения и подхода глубокого обучения для автоматического обнаружения коррозии металла (ржавчины) [134]. Примеры тестовых изображений приведены на рис. 11.

Наша (человеческая) сильная сторона – распознавание образов. Достижения в точности машинной классификации изображений показана на рис. 12. Видно, что ошибка ИИ со временем существенно уменьшалась, и с 26 в 2011 году уменьшилась до 4 в 2015 году, то есть стала меньше, чем у среднего человека.

Генеративный предобученный трансформер (GPT – Generative Pretrained Transformer) делает это лучше людей! Поэтому в течение последних 10 лет (2015–2025 гг.) распознавание образов с помощью ИИ интенсивно развивалось.

В работе [123] были использованы 36000 изображений для картирования коррозионных поражений и измерения глубины коррозии. Использование ИИ в обнаружении коррозионных повреждений интенсивно расширяется и улучшается [137].

10. Взгляд в будущее

Когда я готовил диссертацию в 1983 году, то охватил всю литературу по моей физико-химической коррозионной теме, изданную до 1983 года. Сегодня, спустя 42 года, это невозможно сделать. Я начал эту статью полгода назад – в апреле 2025 года. Поиски в интернете показывают, что многочисленные статьи по применению ИИ в коррозии появляются чуть ли не каждый день. Это объясняется несколькими факторами.

Главный фактор – существенно выросло количество людей, занимающихся коррозионными исследованиями. Это сказалось на качестве публикуемых работ, которое существенно снизилось. Пишут быстро, с ошибками. Не вычитывают тексты до конца – «Лишь бы быстрее опубликовать!».

Выросло количество журналов в интернете. Большинство статей не ревьюируют. Исследователи часто копируют один другого, мало внося что-то новое. Пишут много и неясно. Исследователи, по-видимому, не читают классику русской литературы, А. П. Чехова и И. А. Бунина, мастеров краткого изложения. Порой очень трудно уловить суть новизны. Даже в обзорах часто отсутствуют выводы, что надо делать для решения проблемы.

Вывод из моей работы – сегодня невозможно охватить ВСЁ!

Вот здесь ИИ и может решить проблему «охватить всё», то есть все публикации и все лаборатории, занимающиеся проблемами коррозии и ИИ. Но конечный анализ и выводы, наверное, пока должен делать профессионал. Хотя, может, ИИ со временем научится и этой интеллектуальной работе…

Отметим темы, связанные с ИИ, не охваченные в моей работе, но которые могут иметь развитие в будущем.

1. Искусственный интеллект (ИИ) и Интернет вещей (ИВ) (IoT – Internet of Things) [98, 118, 138, 139]. Слияние искусственного интеллекта (ИИ) и Интернета вещей (ИВ) привело к изменению парадигмы в сфере проектирования и строительства, внедрив интеллектуальные сенсорные технологии, которые значительно улучшают мониторинг и контроль. Датчики с искусственным интеллектом позволяют в режиме реального времени отслеживать состояние конструкций и условия окружающей среды на промышленных установках. Эти технологии позволяют проводить предсказательное обслуживание, обеспечивая долговечность конструкций и сводя к минимуму время простоя.

Особое внимание уделяется важности эффективного контроля коррозии, решению таких проблем, как деградация материалов, риски для безопасности и увеличение затрат на техническое обслуживание [98]. Синергия ИИ и ИВ позволяет выбирать противокоррозионную защиту, непрерывный мониторинг коррозии, её раннее обнаружение и прогнозирование тенденций коррозии. Это показано на примерах в нефтяной, газовой и химической промышленностях, и на возобновляемых источниках энергии.

Интернет вещей (ИВ) – это сеть взаимосвязанных устройств, оснащенных датчиками, программным обеспечением и другими технологиями для сбора и обмена данными. Эти устройства, часто являющиеся повседневными предметами, могут взаимодействовать и принимать разумные решения без прямого вмешательства человека. Ключевые компоненты ИВ:

• датчики (температуры, влажности, давления, движения, химических веществ), которые непрерывно отслеживают и собирают данные из окружающей среды, и исполнительные механизмы для выполнения действий или внесения изменений на основе этих данных;
• связь. Устройства ИВ используют различные протоколы связи, такие как Wi-Fi, Bluetooth, ZigBee или сотовые сети, для подключения и обмена данными;
• облачные вычисления. Данные, собираемые устройствами ИВ, часто обрабатываются и хранятся в облаке, что обеспечивает централизованное управление, анализ и доступ из любой точки мира.

2. Для проведения инспекций коррозии с помощью ИИ технологий используются дроны с интегрированной функцией ИИ [124–128, 134] и роботы [129–131]. Дроны получают изображения и данные высокого разрешения с конструкций, а алгоритмы ИИ анализируют эту информацию для выявления коррозионных повреждений, подготовки поверхности и нанесения покрытий.

 

Выводы

1. ИИ стал инженерной дисциплиной, занимающейся решением практических задач. Это вселяет надежду, что ИИ поможет решить многие коррозионные инженерные проблемы.
2. Одна из главных целей специалистов по коррозии аналогична целям метеорологов. Метеорологи прогнозируют поведение атмосферы. Коррозионисты – поведение металлов в окружающей среде. До тех пор, пока математики и физики не занялись проблемами метеорологии, предсказание погоды было неточным и маловероятным. По аналогии необходимо привлечь компьютерщиков, математиков и физиков к решению коррозионных проблем с помощью ИИ.
3. Все обсуждаемые темы в моей статье связаны с образованием в коррозии. Поэтому нам необходимо дать инструменты, как учить, как давать новые методики и привлекать молодое поколение студентов, инженеров и ученых к изучению предметов, связанных с коррозией.
4. Я закончу свою статью воспоминанием из сказки Ганса Христиана Андерсена «Гадкий утёнок» [140]:

«– Как велик мир! – закрякали утята.
Ещё бы! Теперь им было куда просторнее, чем в скорлупе.
– Уж не думаете ли вы, что мир весь тут? – сказала мать. – Нет! Он тянется далеко-далеко, туда, за сад, к пасторскому полю, но там я никогда в жизни не бывала…»

Так и мир коррозии разнообразен, многогранен и огромен и красив, когда смотришь на него глазами человека, любящего науку, инженерию и искусство.

 

Список литературы

1. https://ru.wikipedia.org/wiki/Интеллект – 14.06.2025.
2. https://en.wikipedia.org/wiki/Artificial_intelligence – 14.06.2025.
3. Stuart Russel and Peter Norvig, Artificial Intelligence: A Modern Approach, Third Edition, Prentice Hall Series, Upper Saddle River, New Jersey 07458, 2010, 1151 p.
4. https://eksmo.ru/slovar/oksyumoron/ – 18.06.2025.
5. https://www.culture.ru/poems/9038/carskoselskaya-statuya – 18.06.2025.
6. https://avtoram.com/oksumoron/ – 19.06.2025.
7. Jakob Svensson, Artificial intelligence is an oxymoron, AI & SOCIETY (2023) 38: 363–372. https://doi.org/10.1007/s00146-021-01311-z.
8. Gunkel D. J. An introduction to communication and artificial intelligence. Polity Press, Cambridge, 2020.
9. https://ru.wikipedia.org/wiki/Интеллект_животных – 19.06.2025.
10. Выготский Л. С., Лурия А. Р., Этюды по истории поведения: Обезьяна. Примитив. Ребенок. М.: Педагогика-Пресс, 1993. 224 с.
11. https://elementy.ru/nauchno-populyarnaya_biblioteka/437389/Intellekt_u_rasteniy_est – 06.07.2025.
12. Наталья Резник, Зелёный ум, Химия и жизнь, 2016, №6.
13. Наталья Резник, Интеллект у растений есть, Химия и жизнь, 2024, №9.
14. https://m.sport-express.ru/zozh/health/news/uchenye-obnaruzhili-chto-u-rasteniy-est-intellekt-i-sposobnost-k-resheniyu-problem-2223437/ – 06.07.2025.
15. https://en.wikipedia.org/wiki/History_of_artificial_intelligence#Perceptrons_and_opposition_to_connectionism – 23.06.2025.
16. Pamela McCorduck, Machines Who Think (2nd ed.), Natick, MA: A. K. Peters, Ltd., Massachusetts, USA, 2004, 584 p.
17. Стюарт Рассел, Питер Норвиг, Искусственный интеллект: современный подход, Второе издание, Пер. с англ., Москва, ООО “И. Д. Вильямс”, 2016, 1408 c.
18. https://www.forbes.com/sites/gilpress/2016/12/30/a-very-short-history-of-artificial-intelligence-ai/ – 23.06.2025.
19. https://he.wikipedia.org/wiki/בינה_מלאכותית – 22.06.2025.
20. https://ru.wikipedia.org/wiki/Голем – 23.06.2025.
21. Robert Löhr, The Chess Machine, Penguine Press, 2007, 344 p.
22. И. В. Гёте, Фауст, Речь, 2018.
23. https://en.wikipedia.org/wiki/Artificial_intelligence_in_fiction – 23.06.2025.
24. Мэри Шелли, Франкенштейн. Последний человек. М.: Ладомир, Наука, 2010, 672 с.
25. Михаил Булгаков, Собачье сердце, Эксмо, 2023, 288 с.
26. Карел Чапек, Пьесы, М.: Гудьял-Пресс, 1999, 544 с.
27. https://ru.wikipedia.org/wiki/R.U.R. – 09.11.2025.
28. https://ru.wikipedia.org/wiki/История_искусственного интеллекта – 22.06.2025.
29. https://ru.wikipedia.org/wiki/Тьюринг_Алан – 24.09.2025.
30. A. Turing, Computing Machinery and Intelligence, Mind, 1950, V. 59, pp. 433–460.
31. Warren McCulloch and Walter Pitts, A Logical Calculus of the Ideas Immanent in Nervous Activity, Bulletin of Mathematical Biophysics 1943, 5(4): 115-133.
32. https://ru.wikipedia.org/wiki/Нейрон – 21.06.2025.
33. https://ru.wikipedia.org/wiki/Искусственный_нейрон – 21.06.2025.
34. В. В. Круглов, В. В. Борисов, Искусственные нейронные сети. Теория и практика. М., Горячая линия-Телеком, 2002, 382 с.
35. D. O. Hebb, The Organization of Behavior: A Neuropsychological Theory. New York: Wiley and Sons, 1949, 378 p.
36. https://ru.wikipedia.org/wiki/Перцептрон – 21.06.2025.
37. N. Wiener, Cybernetics, or control and communication in the animal and the machine. MIT Press, Cambridge, 1948.
38. N. L. Ensmenger, The computer boys take over. Computers, programmers and the politics of technical expertise. MIT Press, Cambridge, 2012, 336 p.
39. Andreas Kaplan and Michael Haenlein, Siri, Siri, in my hand: Who’s the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence. Business Horizons, 6 November 2018.
40. Ashish Vaswani et al., Attention Is All You Need, 31st Conference on Neural Information Processing Systems (NIPS 2017), Long Beach, CA, USA, 2017, 15 p.
41. https://ru.wikipedia.org/wiki/Искусственный_интеллект. – 21.06.2025.
42. Резаев А. В., Стариков В. С., Иванова А. А., История искусственного интеллекта в СССР: институциональный контекст, вклад и значение работ ученых для современной науки. Социология Науки и Технологий. 2024. 15(4): 39–55.
43. Olessia Kirtchik, The Soviet scientific programme on AI: if a machine cannot ‘think’, can it ‘control’? BJHS Themes (2023), 1–15. doi:10.1017/bjt.2023.4.
44. Д. А. Поспелов, Фантазия или наука: на пути к искусственному интеллекту, 1982.
45. Д. А. Поспелов, Десять «горячих точек» в исследованиях по искусственному интеллекту. Интеллектуальные системы (МГУ), 1996, Т. 1, Вып. 1–4. C. 47–56.
46. https://ru.wikipedia.org/wiki/Поспелов,_Дмитрий_Александрович – 24.09.2025.
47. https://ru.wikipedia.org/wiki/Поспелов,_Гермоген_Сергеевич – 24.09.2025.
48. Э. В. Ильенков, Тайна черного ящика. https://rostov-80-90.livejournal.com/70683.html
49. https://tovievich.ru/book/korni/5640-evilenkov-tayna-chernogo-yashchika.html – 26.06.2025.
50. Эвальд Ильенков, Об идолах и идеалах, Политиздат, 1968, 320 с.
51. https://www.raai.org/ – 24.09.2025.
52. https://ru.wikipedia.org/wiki/Экспертная_система – 24.09.2025.
53. J. Searle, Minds, brains, and programs. Behavioral and brain sciences. 1980. V. 3, № 3 (September). pp. 417-424.
54. https://ru.wikipedia.org/wiki/Вычислительные_машины_и_разум – 28.10.2025.
55. https://ru.wikipedia.org/wiki/Философия_искусственного_интеллекта – 24.09.2025.
56. https://ru.wikipedia.org/wiki/Китайская_комната – 24.09.2025.
57. Роджер Пенроуз. Новый ум короля. О компьютерах, мышлении и законах физики. Издательство: УРСС, 2005 г.
58. С. Н. Мареев, Е. В. Мареева, История философии. Общий курс. М.: Академический проект, 2003. с. 447.
59. H.M.G. Smets, W.F.L. Bogaerts, SCC Analysis of Austenitic Stainless Steels in Chloride-Bearing Water by Neutral Network Techniques. Corrosion, 1992, 48(8): 618-623.
60. Kirk H. Logan and Scott P. Ewing, Soil Corrosion Studies, 1934. Field Tests of Nonbituminous Coatings for Underground Use. Research Paper RP 982. Part of Journal of Research of the National Bureau of Standards, March 1937, V. 18, 31 p.
61. K. H. Logan, S. P. Ewing, and I. A. Denison, Soil corrosion testing, Symposium on corrosion testing procedures, ASTM, USA, 1937.
62. L. M. Martin, A preliminary study of the logarithmic relation between corrosion and time, NBS Soil Corrosion Conference 1937, unpublished. In: W. J. Schwerdtfeger, Laboratory Measurement of the Corrosion of Ferrous Metals in Soils. Journal of Research of the National Bureau of Standards, Research Paper 2422, 1953, 50(6): 329-336.
63. Melvin Romanoff, Underground corrosion, U.S. Department of Commerce, National Bureau of Standards, Circular 579, Gaithersburg, MD, 1957, 240 p.
64. https://ru.wikipedia.org/wiki/Цикерман,_Леонид_Яковлевич – 27.06.2025.
65. Л. Я. Цикерман, В. В. Красноярский. Противокоррозионные покрытия для подземных трубопроводов. Москва: Гостоптехиздат, 1962. 180 с.
66. Л. Я. Цикерман, Диагностика коррозии трубопроводов с применением ЭВМ. Москва: Недра, 1972. 240 с.; 1977, 319 с.
67. В. П. Кадакин, Контроль коррозионного состояния магистральных нефтепроводов на основе внутритрубной диагностики. ТЕРРИТОРИЯ НЕФТЕГАЗ, 2008, №10, C. 32–43.
68. А. Ю. Владова, Эффективность моделирования коррозионного состояния соединительных трубопроводов. Вестник ОГУ 2, 2000, C. 101–105.
69. W. H. Ailor, Metal Corrosion in the Atmosphere, ASTM Special Technical Publication No. 435, ASTM, Baltimore, USA, 1968.
70. H. E. Townsend (editor), Outdoor Atmospheric Corrosion, ASTM Stock Number STP 1421, ASTM, USA, 1998.
71. K. Kreislova, D. Knotkova, The Results of 45 Years of Atmospheric Corrosion Study in the Czech Republic2017. Materials, 2017, 10(4), 394. https://doi.org/10.3390/ma10040394.
72. ISO 9224:2012, Corrosion of metals and alloys — Corrosivity of atmospheres — Guiding values for the corrosivity categories. 2012, 13 p.
73. А. А. Михайлов, Ю. М. Панченков, Ю. И Кузнецов, Атмосферная коррозия и защита металлов. Materials, 2017, 10(4), 394; https://doi.org/10.3390/ma10040394.
74. Алик Гройсман, Corrosion: Monitoring and Control, Textbook, Israeli Institute of Energy and the Environment, Ramat-Aviv, Israel, 2023, 750 p. (In Hebrew).
75. A. Groysman, Corrosion in Systems for Transportation and Storage of Petroleum Products and Biofuels, Springer-Verlag, Dordrecht, 2014, 297 p.
76. C. de Waard and D.E. Milliams, Carbonic Acid Corrosion of Steel, Corrosion, 1975, 31(5): 177-181.
77. Rolf Nyborg and Arne Dugstad, Guidelines for prediction of CO₂ corrosion in oil and gas production systems, Norway, 2009, 19 p.
78. Muhammad Hashim Abbas, Modelling CO₂ Corrosion of Pipeline Steels, A thesis submitted to the School of Marine Science and Technology Faculty of Science, Agriculture and Engineering, Newcastle University in fulfilment of the requirements for the degree of Doctor of Philosophy, November 2016, 313 p.
79. C. de Waard, U. Lotz, and D.E. Milliams, Predictive Model for CO₂ Corrosion Engineering in Wet Natural Gas Pipelines. Corrosion, 1991, 47(12): 976-985. https://doi.org/10.5006/1.3585212.
80. R. C. Woollam and S. E. Hernandez. Assessment and comparison of CO₂ corrosion prediction models. Paper presented at the SPE International Oilfield Corrosion Symposium, Aberdeen, UK, May 2006. doi: https://doi.org/10.2118/100673-MS.
81. Jiabin Han, J. William Carey, Jinsuo Zhang, A coupled electrochemical–geochemical model of corrosion for mild steel in high-pressure CO₂–saline environments, International Journal of Greenhouse Gas Control, 2011, 5(4): 777-787.
82. Hamdi Mnasri, Taoufik Wassar, Matthew A. Franchek, and Egidio (Ed) Marotta. Data-Driven Modeling of Carbon Dioxide Corrosion for Integrity Management Application. SPE Prod & Oper 34 (2019): 667–677. doi: https://doi.org/10.2118/195594-PA\
83. Rolf Nyborg, Peter Andersson, Magnus Nordsveen, Implementation of CO₂ Corrosion Models in a Three-Phase Fluid Flow Model. Paper Number: NACE-00048. Paper presented at CORROSION 2000, Orlando, Florida, USA, March 2000.
84. NORSOK M506, CO₂ Corrosion Rate Calculation Model. 2nd revision. 2005. 18 p.
85. S. Nesić, J. Postlethwaite, and M. Vrhovac, CO₂ Corrosion of Carbon Steel – from Mechanistic to Empirical Modelling, Corrosion Reviews, 1997, V. 15, pp. 211-240.
86. S. Nešić, G.T. Solvi, and J. Enerhaug, Comparison of the Rotating Cylinder and Pipe Flow Tests for Flow-Sensitive Carbon Dioxide Corrosion, Corrosion, 1995, 51(10): 773–786.
87. S. Nešić, A. Kahyarian, and Y. S. Choi, Implementation of a Comprehensive Mechanistic Prediction Model of Mild Steel Corrosion in Multiphase Oil and Gas Pipelines, Corrosion, 2018, 75(3): 274-291.
88. Begum Sirinoglu Dogan and Ayla Altinten, Mathematical modeling of CO₂ corrosion with NORSOK M 506, Bitlis Eren University Journal of Science, 2023, 12(1): 84-92. DOI:10.17798/bitlisfen.1191507.
89. C. de Waard, U. Lotz, A. Dugstad, Influence of Liquid Flow Velocity on CO₂ Corrosion: a Semi-Empirical Model. Paper No. C1995-95128, CORROSION 1995, NACE, USA, 15 p. https://doi.org/10.5006/C1995-95128
90. Rolf Nyborg, CO₂ Corrosion Models for Oil And Gas Production Systems, Paper Number: NACE-10371, CORROSION 2010, NACE, USA, 15 p.
91. https://en.wikipedia.org/wiki/George_E._P._Box – 29.06.2025.
92. https://en.wikipedia.org/wiki/Alfred_Korzybski – 29.06.2025.
93. https://www.goodreads.com/author/quotes/7672.Ludwig_Wittgenstein – 29.06.2025.
94. https://ru.wikipedia.org/wiki/Вероломство_образов – 09.11.2025.
95. Bayesian network modeling of corrosion, Editor Narasi Sridhar, Springer, 2024, 338 p.
96. Tomoyuki Fujii et al., Monte Carlo simulation of stress corrosion cracking in welded metal with surface defects and life estimation, International Journal of Mechanical Sciences, Volume 270, 2024, 109079.
97. F. Caleyo et al., Markov chain modelling of pitting corrosion in underground pipelines, Corr. Sci., 2009, 51(9): 2197-2207.
98. Oduola Koyejo, Nwakiri Ifeakachukwu. Application of Artificial Intelligence and Internet of Things for Corrosion Mitigation in Chemical Engineering Processes. Global Scientific Journals (GSJ), 2024, 12(4): 674-696.
99. https://en.wikipedia.org/wiki/John_Venn – 03.11.2025.
100. Najam Us Sahar Riyaz et al., Machine Learning-Driven Prediction of Corrosion Inhibitor Efficiency: Emerging Algorithms, Challenges, and Future Outlooks. Arabian Journal for Science and Engineering. Springer, 2025, 16 p. https://doi.org/10.1007/s13369-025-10386-5.
101. Nurul Asni Mohamed, M. Aswadi Ton Alias and Izzatdin A. Aziz. Application of artificial intelligence in predicting corrosion rates for selective corrosion groups in refinery and petrochemical plants. https://bssa.org.uk/application-of-artificial-intelligence-in-predicting-corrosion-rates-for-selective-corrosion-groups-in-refinery-and-petrochemical-plants/ – British Stainless Steel Association.
102. Giulia De Masi et al., Machine Learning approach to corrosion assessment in subsea pipelines. Conference Paper, May 2015. DOI: 10.1109/OCEANS-Genova.2015.7271592.
103. LeCun, Y.; Bengio, Y.; Hinton, G. Deep learning. Nature, 2015, 521, 436–444.
104. Krizhevsky, A.; Sutskever, I.; Hinton, G.E. ImageNet classification with deep convolutional neural networks. Communications of the ACM, 2017, 60(6): 84 – 90.
105. https://aws.amazon.com/ru/what-is/generative-ai – 02.11.2025.
106. Z. Lin et al., Application of artificial intelligence (AI) in the area of corrosion protection. Anti-Corrosion Methods and Materials. 2023; 70(5): 243-251. DOI: 10.1108/ACMM-03-2023-2769.
107. K. Oduola, I. Nwakiri, Application of artificial intelligence and Internet of Things for corrosion mitigation in chemical engineering processes. Global Scientific Journals. 2024; 12(4): 676-696.
108. Ali Hussein Khalaf et al., Emerging AI technologies for corrosion monitoring in oil and gas industry: A comprehensive review, Engineering Failure Analysis, October 2023, 155(2), 107735.
109. Thomas N. Guma and Deborah O. Dele, Advances in Corrosion Monitoring Techniques, July 2025, 23 p.
110. P.O. Odili et al., Integrating advanced technologies in corrosion and inspection management for oil and gas operations. Engineering Science & Technology Journal. 2024; 5(2): 597-611. DOI: 10.51594/Estj/V5i2.835.
111. M.M.H. Imran et al., Application of artificial intelligence in marine corrosion prediction and detection. Journal of Marine Science and Engineering. 2023; 11(2): 256. DOI: 10.3390/ jmse11020256.
112. R. Saminathan et al., Role of artificial intelligence (AI) and machine learning (ML) in the corrosion monitoring processes. Zastita Materijala. 2024; 65(3): 473–480.
113. M.M.H. Imran et al., The application of artificial intelligence in corrosion monitoring, Journal of Engineering and Science Research, 2023, 7(1): 17-25. DOI: 10.26666/rmp.jesr.2023.1.4.
114. M.M.H. Imran et al., Computer Vision and Image Processing Approaches for Corrosion Detection. Journal of Marine Science and Engineering. 2023, 11(10), 1954; https://doi.org/10.3390/jmse11101954.
115. T. Parthiban et al., Neural network analysis for corrosion of steel in concrete. Corrosion Science, 2005, 47(7): 1625-1642.
116. Michael A. Kurtz et al., Predicting Corrosion Damage in the Human Body Using Artificial Intelligence. Orthopedic Clinics, 2023, 54(2): 169 – 192.
117. Jorge Kawano, How is AI applied to corrosion assessments? 2025, September 17, https://vidyatec.com/blog/how-is-ai-applied-to-corrosion-detection/ – 02.11.2025.
118. Rane, Nitin and Choudhary, Saurabh and Rane, Jayesh, Artificial Intelligence (AI) and Internet of Things (IoT) – Based Sensors for Monitoring and Controlling in Architecture, Engineering, and Construction: Applications, Challenges, and Opportunities (November 20, 2023). https://ssrn.com/abstract=4642197.
119. Siyu Lin, Fujian Tang, Ji Dang, Zhibin Lin. Corrosion Inspection and Evaluation of Roadway Metal Railings with Deep Learning Technique. Paper Number: AMPP-2023-19300, AMPP Annual Conference + Expo, Denver, Colorado, USA, March 2023.
120. Matthew A. Nakatsuka et al., Artificial Intelligence-Based Characterization Tool for Corrosion Removal and Surface Preparation. Paper Number: AMPP-2023-19564, AMPP Annual Conference + Expo, Denver, Colorado, USA, March 2023.
121. Zhifeng Lin et al., Application of artificial intelligence (AI) in the area of corrosion protection. Anti-Corrosion Methods and Materials, 2023, 70(5): 243–251.
122. R. Azoor, Predicting pipeline corrosion in heterogeneous soils using numerical modelling and artificial neural networks. Acta Geotech., 2022, 17, 1463–1476.
123. Eun-Young Son, Dayeon Jeong, Min-Jae Oh. Corrosion area detection and depth prediction using machine learning. International Journal of Naval Architecture and Ocean Engineering, 2024, V. 16, 100617. https://doi.org/10.1016/j.ijnaoe.2024.100617.
124. https://dji-blog.ru/naznachenie/primery-primenenija/primenenie-bespilotnyh-sistem-v-borbe-s-korroziej.html – 04.11.2025.
125. https://www.muginuav.com/ru/ai-powered-industrial-drones-inspections-surveys/ – 04.11.2025.
126. https://naukaru.ru/ru/nauka/article/100416/view – 04.11.2025.
127. https://armiya.az/ru/news/161511/Дроны-партнера-google-будут-следить-за-ржавчиной-на-боевых-кораблях-ВМФ-США – 04.11.2025.
128. Rafael Lemos et al., Automatic Detection of Corrosion in Large-Scale Industrial Buildings Based on Artificial Intelligence and Unmanned Aerial Vehicles. Appl. Sci. 2023, 13(3),1386. https://doi.org/10.3390/app13031386.
129. https://rosenergoatom.ru/zhurnalistam/novosti-kompanii/47960/ – 04.11.2025.
130. Patric Pfändler, Corrosion diagnosis of reinforced concrete structures using autonomous robotic inspection systems and artificial intelligence. Diss. ETH No. 29285, Zurich, 2023, 370 p.
131. Acar, Ö., Yaşar, C.F. Developments in smart wall-climbing robots for corrosion inspection through IoT integration, deep learning and advanced control strategies. Multimed Tools Appl 2025, 84, 32797–32819. https://doi.org/10.1007/s11042-024-20488-1.
132. Alec Groysman, Corrosion for Everybody, Springer, 2010, 368 p.
133. Wesley Kaizer, Otavio Correa. A Machine Vision Case Study of U-Net Networks for Superficial Corrosion and Dirt Image Segmentation on Industrial Coated Steel Structures. Paper Number: AMPP-2022-17995, AMPP Annual Conference + Expo, San Antonio, Texas, USA, March 2022.
134. Luca Petricca, Tomas Moss, Gonzalo Figueroa, and Stian Broen. Corrosion Detection Using A.I.: A Comparison of Standard Computer Vision Techniques and Deep Learning Model. Computer Science & Information Technology (CS & IT), 2016, pp. 91–99. DOI : 10.5121/csit.2016.60608.
135. ASTM D610-08(2019), Standard Practice for Evaluating Degree of Rusting on Painted Steel Surfaces, West Conshohocken, PA, 19428-2959 USA, 2025.
136. ISO 4628-1:2016, Paints and varnishes — Evaluation of degradation of coatings — Designation of quantity and size of defects, and of intensity of uniform changes in appearance. ISO, Switzerland.
137. Aradea et al., Optimizing Corrosion Object Detection Model on Metal Objects Based on BAMi-YOLOv5s. ICIC Express Letters ICIC International, 2025, 19(10): 1071-1080.
138. L. M. Ang, K. P. Seng, & M. Wachowicz. Embedded intelligence and the data-driven future of application-specific Internet of Things for smart environments. In: International Journal of Distributed Sensor Networks. 2022, Vol. 18, Issue 6, 14 p. https://doi.org/10.1177/15501329221102371.
139. https://www.appercase.ru/news/90733/ – 04.11.2025.
140. Сказки Ганса Христиана Андерсена, Гадкий утёнок, Эксмодетство, 2025, 709 с.

---

Об авторе

Доктор Алик Гройсман

имеет более чем 40-летний опыт работы в сфере материаловедения, коррозии, контроля коррозии и мониторинга коррозии в нефтеперерабатывающей, нефтегазовой и нефтехимической промышленности, исследований и преподавания в указанных областях.

В настоящее время доктор Алик Гройсман проводит курсы лекций по дисциплинам «Коррозия и контроль коррозии» и «Материалы и стандарты в нефтегазовой инженерии» в Израильском технологическом институте («Технион»), «Коррозия и контроль коррозии в биотехнологии» в Ариэльском университете (Израиль), «Коррозия и контроль коррозии в энергетической промышленности» в Израильском институте энергии и охраны окружающей среды.

Особый интерес для него представляют взаимосвязи между безопасностью технологических процессов, окружающей средой и явлениями коррозии, а также роль безопасности и человеческого фактора в управлении и контроле коррозией; образование и обучение студентов, молодых инженеров, учёных и лекторов в области коррозии и поиск взаимосвязей между коррозией, искусством, историей, поэзией, юмором и философией.

Алик Гройсман является автором четырёх книг:

• «Corrosion for Everybody» («Коррозия для всех») -2010,
• «Corrosion in Systems for Transportation and Storage of Petroleum Products and Biofuels» («Коррозия в системах транспортировки и хранения нефтепродуктов и биотоплив») – 2014,
• «Corrosion Problems and Solutions in Oil Refining and Petrochemical Industry» («Проблемы коррозии и их решения в нефтеперерабатывающей и нефтехимической промышленности») – 2017.
• Книга-учебник о коррозии (впервые на иврите – 2024 год). Книга охватывает практически все вопросы теории и практики в области коррозии, методов её контроля и противокоррозионной защиты, мониторинга и руководства коррозией на предприятиях.

Он является автором главы о коррозионных свойствах авиационных топлив, изданной издательством Springer на английском в 2025 году.

Он также пишет главу о коррозионных свойствах биотоплив на английском.

Он является консультантом по вопросам материаловедения и коррозии в нефтяной, газовой, нефтеперерабатывающей, нефтехимической и химической промышленности, производстве металлического и неметаллического оборудования, а также организатором курсов по коррозии в Австрии, Великобритании, Новой Зеландии, Канаде, Казахстане, Чехии, Словакии и России (Санкт-Петербург), и ментором студентов и молодых инженеров и учёных в Англии, Шотландии, Дании, Казахстане и России.

Доктор Гройсман был одним из организаторов Израильского Коррозионного Форума в 1992 году. Сейчас является почетным президентом Израильской ассоциации инженеров-химиков и химиков.

Публикации и полную информацию о докторе Алике Гройсмане можно найти на его сайте: www.groysmanalec.com