پيش بيني زمان شكست در خوردگي تنشي فولاد زنگ نزن 304 در محيطهاي آبي كلريدي توسط شبكه‌هاي عصبي مصنوعي

Prediction of Time to Failure in SCC of 304 Stainless Steel in Aqueous Chloride Solution Using Neural Network

يكي از موارد پيچيده و در عين حال مهم در مطالعات خوردگي تنشي آلياژها، تعيين وقوع يا عدم وقوع خوردگي تنشي و تعيين زمان شكست آن است. علي‌رغم انجام تحقيقات وسيع در اين زمينه، هنوز فرمولبندي يا روش مطمئني براي تخمين وقوع خوردگي تنشي و همچنين تعيين زمان شكست در اثر خوردگي تنشي ارائه نشده است. در اين مقاله، توانايي شبكه‌هاي عصبي مصنوعي در تعيين زمان شكست فولاد زنگ نزن آستنيتي 304 بر اثر خوردگي تنشي در محيطهاي آبي كلريدي داغ به همراه تحليل حساسيت پارامترهاي كليدي ارائه شده است. پارامترهايي كه در اين تحقيق به عنوان ورودي شبكه عصبي مصنوعي مورد بررسي قرار گرفته اند شامل دما، غلظت كلر و ميزان تنش اعمالي است. همچنين از زمان شكست نيز به عنوان پارامتر خروجي و معيار كليدي در ارزيابي پارامترهاي اثرگذار استفاده شد. راندمان آماري اين شبكه ميانگين سه مجموعه آموزش و آزمايش است. همچنين براي آزمايش شبكه از داده‌هايي استفاده شد كه جزء داده‌هاي آموزشي نبودند. نتايج حاصل از خروجي شبكه نشان داد كه مدل پيشنهادي توانايي پيش بيني زمان شكست را با واريانس 74٪ از داده‌هاي واقعي داراست.

Prediction of SCC risk of austenitic stainless steels in aqueous chloride solution and estimation of the time to failure as a result of SCC form important and complicated topics for study. Despite the many studies reported in the literature, a formulation or a reliable method for the prediction of time to failure as a result of SCC is yet to be developed. This paper is an effort to investigate the capability of artificial neural network in estimatiing the time to failure for SCC of 304 stainless steel in aqueous chloride solution and to provide a sensitivity analysis thereof. The input parameters considered are temperature, chloride ion concentration, and applied stress. The time to failure is defined as the output parameter and the key criterion to evaluate the effective parameters. The statistical performance of the neural network is expressed as the average of three learning and testing results. The SCC database is divided into two sections designated as the learning set and the testing set. The output results show that artificial neural network can predict the time to failure for about 74% of the variance of SCC experimental data. Furthermore, the sensitivity analysis also exhibits the effects of input parameters on SCC of 304 stainless steel in aqueous chloride solutions.