Коррозия, ускоряемая потоком (FAC), является серьезной проблемой на атомных электростанциях, приводящей к авариям, смертельным случаям и отключениям. Однако существующие методы идентификации FAC могут быть дорогостоящими и требуют много времени для установки. В данном исследовании мы стремились предложить экономичный и простой подход для обнаружения истончения стенок труб, вызванного FAC, который заключается в измерении температуры поверхности трубы. Мы использовали стационарное изменение температуры стенки трубы в качестве индикатора износа и смоделировали этот процесс с помощью ANSYS steady-state thermal, который затем применили к системе KBA при четырех различных условиях. Затем мы обучили алгоритм программирования генной экспрессии (GEP) на данных системы KBA для оценки утонения стенки и определили точность прогноза, создав отдельные тестовые данные. Мы обнаружили, что ошибка оценки толщины стенки составила около 2 % для трех из четырех случаев и 7 % для последнего случая. Поскольку уровень ошибок во всех случаях был ниже 10 %, мы предполагаем, что данный подход может быть использован в качестве инструмента раннего обнаружения истончения стенки трубы, вызванного FAC. Кроме того, этот подход эффективен, не требует дорогостоящего оборудования и времени на настройку после монтажа, что делает его практичной альтернативой существующим активным методам.

Flow Accelerated Corrosion (FAC) is a serious problem in nuclear power plants, leading to accidents, fatalities, and outages. However, current FAC identification techniques can be expensive and require a time-consuming setup. In this research, we aimed to propose an economical and simple approach for detecting FAC-induced pipe wall thinning that involves measuring the pipe surface temperature. We utilized the steady-state temperature change in the pipe wall as an indicator of wear and model this process using ANSYS steady-state thermal, which is then applied to the KBA system under four different conditions. We then trained a Gene Expression Programming (GEP) algorithm with the KBA system data to estimate wall thinning and determine the precision of the prediction by generating separate test data. We found that the wall thickness estimation error was around 2% for three of the four cases and 7% for the last case. As the error rates for all cases were below 10%, we propose that this approach might be used as an early detection tool for FAC-induced pipe wall thinning. Additionally, this approach is efficient, not requiring costly equipment or post-installation setup time, making it a practical alternative to existing active methods.