به كار گيري شبكه هاي عصبي در بررسي اثر دما و زمان بر خواص خوردگي عصاره گلرنگ به عنوان ممانعت كننده طبيعي و دوستدار محيط زيست بر فولاد كربني

Temperature, time and PH effect on corrosion properties of safflower extract as green and natural corrosion inhibitor on mild steel, using neural network modeling

در اين مقاله از شبكه هاي عصبي به منظور پيش بيني عملكرد ممانعت كننده خوردگي عصاره گياه گلرنگ بر فولاد كربني و در محيط 1 مولار اسيد هيدروكلريك استفاده گرديده است. براي اين منظور، از غلظت ممانعت كننده (0-0/21 گرم بر ليتر) غلظت اسيد (0/5-1 مولار اسيد هيروكلريك)، دما (22-60 درجه سانتيگراد) و مدت زمان نگهداري ممانعت كننده عصاره گلرنگ در محيط خورنده (0-14 روز) به عنوان ورودي هاي شبكه، و به منظور پيش بيني مقدار كارايي ممانعت كننده به عنوان خروجي استفاده گرديده است. سپس ،بهينه ترين معماري شبكه و الگوريتم آموزش شبكه انتخاب گرديد، كه البته مقايسه ي بين آزمايشگاهي مقادير پيش بيني شده توسط شبكه حاكي از مناسب بودن شبكه آموزش داده شده براي اين هدف است. نتايج خروجي از شبكه حاكي از پايداري بسيار بالاي ممانعت كننده ي عصاره ي گلرنگ با دما و گذر زمان در محيط خورنده است، كه البته اين پايداري با افزايش يافتن ميزان اسيديته ي محيط افزايش مي يابد. همچنين نتايج خروجي نشان ميدهد كه ميزان كارايي ممانعت كننده عصاره گلرنگ با افزايش يافتن ميزان اسيديته محيط افزايش مي يابد.

In this work, an artificial neural network (ANN) model was established in order to predict the corrosion properties of safflower extract (SE) as corrosion inhibitor on mild steel in 1M hydrochloric acid solution. So, the SE inhibitor concentration (0-0.3 (gr/lit)), acidity (0.5-1M HCl), temperature (22-60°C) and keeping time (0-14 days) of inhibitor since introducing the inhibitor into acid solution that obtained from experimental data were used as input to predict inhibitor efficiency (IE%) as an output. The optimal ANN architecture and training algorithm were determined. Comparing the predicted values by ANN with the experimental data indicates that trained neural network model provides accurate results. The result of ANN showed that SE inhibitor has high stability against temperature and elapsed time, especially in high acid concentration. In addition, according to the predicted data, IE% increases as the acidity increases.