Modelos predictivos y mecanismos de corrosión atmosférica del acero al carbono, acero Galvanizado y aluminio para el Valle de Aburrá

Abstract

La contaminación atmosférica puede desencadenar procesos corrosivos acelerados en metales, lo que resulta en pérdidas económicas y riesgos de seguridad significativos. Este estudio se centra en la corrosión atmosférica de metales en el Valle de Aburrá, lugar situado en el departamento de Antioquia- Colombia y dentro del cual se ubica una de las ciudades más importante de este país (Medellín), donde se requiere una comprensión más profunda de este fenómeno y su impacto en la infraestructura. Además, existe una necesidad en industrias clave, como la construcción, el transporte y la energía, de entender el efecto de la atmósfera en la conservación de partes e instalaciones. A pesar de que estudios similares se han realizado en muchos países, en Colombia, especialmente en el Valle de Aburrá, la investigación sobre la corrosión atmosférica es limitada y desactualizada, puesto que la atmósfera está sujeta a continuos cambios derivados principalmente de la actividad antropogénica y los fenómenos asociados al cambio climático. Este trabajo de investigación busca llenar este vacío al desarrollar modelos predictivos y comprender los mecanismos de corrosión de metales específicos como el acero al carbono, el acero galvanizado y el aluminio en el contexto del Valle de Aburrá. El estudio implico el análisis de la cinética del proceso de corrosión mediante técnicas gravimétricas, la caracterización de los productos de corrosión, y la evaluación de parámetros meteorológicos y la agresividad de los contaminantes atmosféricos. Para ello, se instalaron cinco estaciones de corrosión en diferentes áreas del Valle de Aburrá, con el fin de realizar ensayos de campo durante 24 meses, con retiros cada tres meses. Los resultados de este estudio proporcionaron una comprensión más sólida de la corrosión atmosférica en el Valle de Aburrá y permitieron el desarrollo de estrategias para mitigar sus efectos sobre los materiales de estudio. Además, los modelos predictivos desarrollados van a servir como herramientas útiles para la selección de materiales y el diseño de infraestructuras más resistentes a la corrosión en esta región. Entre las principales conclusiones se destacan las diferencias entre la categoría de corrosividad encontrada con los parámetros medioambientales en comparación con la cinética de los metales. La categoría de corrosividad de acuerdo con los parámetros medioambientales fueron C3 y C4, mientras que de acuerdo con la cinética de corrosión del acero al carbono la categoría de corrosividad fue C2 y C3. Para el caso del acero galvanizado, se obtuvieron categorías C3 y C4, mientras que para el aluminio fue categoría C1. Sin embargo, es importante evaluar tanto los parámetros ambientales como la tasa de corrosión para una mejor evaluación de la susceptibilidad de los materiales. La transformación de los productos de corrosión del acero al carbono fue evidente desde los tres meses de exposición, con la formación inicial de oxihidróxidos γ-FeOOH y α-FeOOH. A los nueve meses, se detectó maghemita (γ-Fe2O3) y, entre el primer y segundo año, coexistieron fases de lepidocrocita, goetita, maghemita y magnetita, con predominancia de Fe(OH)3. En el acero galvanizado, el zinc se oxidó formando ZnO y Zn(OH)2, confirmados mediante XPS y SEM, y se observó la formación de hidroxisulfato de zinc (Zn₄SO₄(OH)₆·5H₂O), aunque no se encontraron otros productos de corrosión significativos. Para el aluminio, los productos de corrosión principales fueron Al₂O₃ y AlO(OH), junto con pequeñas cantidades de AlCl₃, sin presencia significativa de productos de corrosión de sulfatos. Se propusieron modelos de predicción de la pérdida de masa para el acero al carbono y galvanizado basados en variables ambientales como el tiempo de humectación, la deposición de sulfatos, cloruros, y compuestos de nitrógeno, con funciones de regresiones lineales y logarítmicas que mostraron buen ajuste (R2 > 0,9), aunque no se pudieron utilizar modelos de machine learning debido a la cantidad limitada de datos.