Artificial neural network analysis of titanium dissolution kinetics in a sustainable DL-malic acid and sodium fluoride system: a fundamental study using the rotating disc method
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
This investigation presents a comprehensive kinetic analysis of titanium dissolution utilising DL-malic acid (a 50/50 mix of D- and L- isomer off malic acid) in conjunction with sodium fluoride solution, offering an innovative alternative to conventional chloride and sulphate methodologies. The experimental protocol employed a rotating disc apparatus to elucidate dissolution kinetics under systematically varied parameters, including angular velocity (rad/min), disc surface area (cm²), temperature (°C), and molar concentrations of DL-malic acid and sodium fluoride. A sophisticated Artificial Neural Network (ANN) architecture, implementing back-propagation methodology through the Levenberg-Marquardt algorithm with a multilayer {6-10-1} configuration, was developed to predict titanium dissolution behavior. Experimental findings demonstrated that sodium fluoride concentration predominantly influenced dissolution kinetics, manifesting a chemical reaction order of 0.674. The investigation substantiated the theoretical framework of the Levich equation within the rotating disc paradigm. The ANN model demonstrated exceptional predictive capability, achieving correlation coefficients (R²) of 0.995, 0.994, 0.996, and 0.995 for training, validation, testing, and aggregate datasets. The experimentally determined activation energy of 23 kJ/mol conclusively indicated a diffusion-controlled reaction mechanism, providing fundamental insights into the mass transfer phenomena governing the dissolution process.
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 | 0,002 |
| 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