ANN and DOE Analysis of Corrosion Resistance Inhibitor for Mild Steel Structures in Iraq
Notice bibliographique
Résumé
Modelling of the effect of newly developed mild steel (MS) corrosion inhibitor in Iraq was investigated using artificial neural network (ANN) and Response Surface Methodology Design of Experiment (RSM-DOE) methods. The most significant parameters among the parameters studied and the optimum coating conditions was also investigated. Weight loss method (WLM) as well as Scanning electron microscope (SEM) were used in the experimental work to obtain data for modelling. The inhibitor used was made in the center’s laboratories called N-(3-Nitrobenzylidene)-2-aminobenzothiazole. The MS specimens were tested for different immersion times and corrosive solution temperatures. Different concentrations of the inhibitor from of 0, to 1000 mg/L were used in the study. The results showed that within the concentrations studied, the corrosion inhibition performance increased with increasing N-(3-Nitrobenzylidene)-2-aminobenzothiazole concentration. The ANN model proposed with the Gaussian activation function was accurate for both testing and validation up to 99%. The RSM method used indicated that comparing time and concentration alone, inhibitor concentration was more significant than the immersion time in the corrosive solution. On the other hand, the effect of temperature and time were opposite to one another. While increasing time of immersion increased corrosion rate, temperature effect was the opposite.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».