Uneingeschränkter Zugang

Deep learning-based modeling of CO2 corrosion rate prediction in oil and gas pipelines

Jian Cui

Jian Cui

Department of Industrial Engineering and Management, Peking UniversityBeijing, China
Suche nach diesem Autor auf
Sciendo|Google Scholar
Cui, Jian
, 
Kun Fang

Kun Fang

  • China Petroleum Engineering & Construction Corp. Beijing CompanyBeijing, China
  • Postdoctoral Workstation of China Construction BankBeijing, China
Suche nach diesem Autor auf
Sciendo|Google Scholar
Fang, Kun
, 
Xueyi Sun

Xueyi Sun

China Petroleum Engineering & Construction Corp. Beijing CompanyBeijing, China
Suche nach diesem Autor auf
Sciendo|Google Scholar
Sun, Xueyi
, 
Ya Gao

Ya Gao

Department of Industrial Engineering and Management, Peking UniversityBeijing, China
Suche nach diesem Autor auf
Sciendo|Google Scholar
Gao, Ya
 und 
Yilan Shen

Yilan Shen

Postdoctoral Workstation of China Construction BankBeijing, China
Suche nach diesem Autor auf
Sciendo|Google Scholar
Shen, Yilan
  
19. März 2025
Deep learning-based modeling of CO2 corrosion rate prediction in oil and gas pipelines's Cover Image
Über diesen Artikel
Vorheriger Artikel
Nächster Artikel
Zitieren
COVER HERUNTERLADEN
Online veröffentlicht: 19. März 2025
Eingereicht: 06. Nov. 2024
Akzeptiert: 04. Feb. 2025
DOI: https://doi.org/10.2478/amns-2025-0415
Schlüsselwörter
© 2025 Jian Cui et al., published by Sciendo
This work is licensed under the Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Cui, Jian
Department of Industrial Engineering and Management, Peking UniversityBeijing, China
Fang, Kun
China Petroleum Engineering & Construction Corp. Beijing CompanyBeijing, China
Postdoctoral Workstation of China Construction BankBeijing, China
Sun, Xueyi
China Petroleum Engineering & Construction Corp. Beijing CompanyBeijing, China
Gao, Ya
Department of Industrial Engineering and Management, Peking UniversityBeijing, China
Shen, Yilan
Postdoctoral Workstation of China Construction BankBeijing, China
Sprache:
Englisch
Zeitrahmen der Veröffentlichung:
1 Hefte pro Jahr
Fachgebiete der Zeitschrift:
Biologie, Biologie, andere, Mathematik, Angewandte Mathematik, Mathematik, Allgemeines, Physik, Physik, andere
Zeitschrift RSS Feed