ANN and DOE Analysis of Corrosion Resistance Inhibitor for Mild Steel Structures in Iraq
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle