Rodriguez De Luca, Oswaldo (2026) Machine-Learning Modeling of Organic Corrosion Inhibitors. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Thesis Final Version.pdf Restricted to Repository staff only until 9 August 2027. Download (3MB)

Arabic Abstract

يُعدّ التآكل من عمليات التدهور الحرجة في صناعة النفط والغاز، ولا سيما في الأوساط الحمضية التي يغلب فيها وجود حمض الهيدروكلوريك (HCl) أو حمض الكبريتيك (H₂SO₄)، وفي البيئات المحتوية على كبريتيد الهيدروجين (H₂S)، المعروفة صناعيًا بالبيئات الحامضية (sour environments). وغالبًا ما تتسم الأساليب التجريبية التقليدية لاكتشاف مثبطات التآكل وتقييمها بالبطء وارتفاع التكلفة وصعوبة التوسع. ويقدّم هذا العمل إطارًا موحدًا قائمًا على تعلّم الآلة للتنبؤ بأداء مثبطات التآكل العضوية في كلٍّ من الأوساط الحمضية والبيئات المحتوية على كبريتيد الهيدروجين. اعتمدت الدراسة على مجموعتي بيانات شاملتين: مجموعة بيانات للنظام الحمضي تضم 1,010 سجلًا مستمدًا من مستودع CORDATA، ومجموعة بيانات للنظام المحتوي على كبريتيد الهيدروجين تضم 439 سجلًا جُمعت يدويًا من الأدبيات العلمية المحكّمة. واستُخرجت الواصفات الجزيئية من تمثيلات البنى الجزيئية بترميز SMILES باستخدام حزمة RDKit البرمجية، ودُمجت معها السمات التي تصف الظروف البيئية للتجارب. وأظهر التحليل الإحصائي أن قوة التثبيط (Inhibition Power, IP)، المقيسة بالديسيبل (dB)، أنسب بوصفها المتغير الهدف في نماذج الانحدار من كفاءة التثبيط (Inhibition Efficiency, IE%)؛ إذ تزيل آثار التشبع وتعطي توزيعًا أقرب إلى التوزيع الطبيعي (الغاوسي). قورِن أداء ستة نماذج للتعلّم التجميعي قائمة على أشجار القرار، هي: الغابة العشوائية (Random Forest)، وAdaBoost ‏(ABDT)، والتعزيز التدرّجي (Gradient Boosting)، وLightGBM، وXGBoost، وCatBoost. وفي النظام الحمضي، حقق نموذج ABDT أعلى قيمة لمعامل التحديد على مجموعة الاختبار (R² = 0.854) عند التنبؤ بقوة التثبيط. أما في النظام المحتوي على كبريتيد الهيدروجين، فقد حقق نموذج XGBoost أفضل أداء، بمعامل تحديد على مجموعة الاختبار بلغ R² = 0.869. وكشف تحليل قابلية تفسير النماذج باستخدام SHAP أن تركيز المثبط، وواصف BertzCT للتعقيد الجزيئي، وتوزيع الشحنة داخل الجزيء من أهم العوامل المحددة للأداء. ويمثل هذا الإطار أداة قوية وقابلة للتوسع لإجراء الفحص الافتراضي السريع للمثبطات عالية الأداء، بما يقلل بدرجة كبيرة من الاعتماد على التجارب المختبرية المكثفة.

English Abstract

Corrosion is a critical degradation process in the oil and gas industry, particularly in environments dominated by Hydrochloric acid (HCl), Sulfuric acid (H2SO4) and Hydrogen Sulfide (H2S). Traditional experimental methods for discovering and evaluating corrosion inhibitors are often slow, costly, and difficult to scale. This work establishes a unified machine-learning framework to predict the performance of organic corrosion inhibitors in both acidic and sour environments. Two comprehensive datasets were implemented: an acid system dataset consisting of 1,010 entries from the CORDATA repository and a manually compiled sour system dataset featuring 439 entries from peer-reviewed literature. Molecular descriptors were derived from SMILES representations using the RDKit toolkit, alongside experimental environmental features. Statistical analysis demonstrated that Inhibition Power (IP, dB) is a superior regression target compared to Inhibition Efficiency (IE%) because it eliminates saturation effects and provides a more Gaussian distribution. Six ensemble tree-based models were benchmarked: Random Forest, AdaBoost (ABDT), Gradient Boosting, LightGBM, XGBoost, and CatBoost. For the acid system, ABDT achieved the highest test R2 of 0.854 for IP prediction. For the sour system, XGBoost led with a test R2 of 0.869. SHAP interpretability analysis revealed that inhibitor concentration, molecular complexity (BertzCT), and intramolecular charge distribution are critical factors governing performance. This framework provides a robust, scalable tool for the rapid virtual screening of high-performance inhibitors, significantly reducing the reliance on extensive laboratory trials.

Item Type:	Thesis (Masters)
Subjects:	Chemistry Research > Petrochemicals Research > Corrosion
Department:	College of Chemicals and Materials > Materials Science and Engineering
Thesis Advisor:	Abduljabar Al-sayoud,
Thesis Committee Members:	Nayef Al-saifi, Ime Obot,
Depositing User:	OSWALDO RODRIGUEZ DE LUCA
Date Deposited:	17 Aug 2026 10:47
Last Modified:	17 Aug 2026 10:47
URI:	https://eprints.kfupm.edu.sa/id/eprint/144675