اثر پارامترهاي محيطي بر بازدارندگي خوردگي 7-هيدروكسي فنوكساوزن: بررسي تجربي و پيش‌بيني شبكه عصبي مصنوعي

Impact of Environmental Parameters on the Corrosion Inhibition of 7- Hydroxyphenoxazone: an Experimental and Artificial Neural Network Study

با توجه به خاصيت غير خطي فرآيند خوردگي، استفاده از روش‌هاي جديد جهت پيش‌بيني اين فرآيند در حال گسترش است. مدل شبكه عصبي مصنوعي ابزاري جهت پيش‌بيني مقادير مجهول در محدوده آزمايش نشده متغيرها، با دقت بالا مي‌باشد. در اين رهيافت با در دست داشتن تعداد محدودي از داده‌هاي ورودي، خروجي مطلوب با دقت بسيار خوبي پيش‌بيني مي‌شود. در اين مقاله، ابتدا با بكارگيري روش امپدانس الكتروشيميايي اثر زمان ماندگاري، شرايط هيدروديناميك و دما بر عملكرد بازدارندگي 7-هيدروكسي فنوكسازون روي خوردگي فولاد در محيط اسيدكلريدريك يك مولار مورد بررسي قرار گرفت. در ادامه پارامترهاي متغير تجربي شامل غلظت، زمان ماندگاري، دما و سرعت چرخش به عنوان متغيرهاي ورودي و بازدهي بازدارندگي خوردگي به عنوان خروجي مدل شبكه‌ عصبي در نظر گرفته شد. نتايج نشان داد، با افزايش زمان ماندگاري تا 8 ساعت مقاومت پلاريزاسيون در غلظت ppm100 از اين ماده، از 1660 به 2260 اهم سانتي متر مربع افزايش يافته و بازدهي به 91 درصد رسيده است. همچنين، بازدهي اين ماده با افزايش سرعت چرخش نمونه تا rpm 500 و افزايش دماي محلول تا 55 درجه سانتي گراد، از %86/6 به ترتيب به 24 و 60 درصد تقليل يافت. نتايج پيش‌بيني شبكه عصبي توافق خوبي با داده‌هاي تجربي نشان داده و مقادير آموزش‌يافته شبكه عصبي مصنوعي با خطاي ميانگين كمتر از 1% ميزان بازدارندگي را پيش بيني نمودند.

Artificial neural network model is a high precision predictive tool for unknown values without performing the related experiments. It can be developed and utilized for prediction of nonlinear corrosion processes. In this way, owning a numer of input values, the output can predicted, exactely. In present work, first, the effect of holding time, hydrodynamic conditions and temperature were investigated on the inhibiting efficiency of 7-Hydroxyphenoxazone on steel corrosion in 1.0M HCl solution by electrochemical impedance spectroscopy (EIS). Then, the experimental variables such as concentration, immersion time, and hydrodynamic condition were taken as the input values and the corrosion inhibiting efficiency as the output value of artificial neural network model. Results showed that by increasing immersion time up to 8 hours, with 100ppm of 7-Hydroxyphenoxazone, the polarization resitance increases from 1660 to 2260 Ωcm2 and inhibition efficiency reaches to 91%. Also, by increasing rotational speed up to 500 rpm and temperature up to 550C, the inhibition efficiency decreases from 86.6% to 24% and 60%, respectively. The prediction results of artificial neural network indicated the good agreement with experimental data and the trained values of artificial neural network predicted the inhibiting efficiency values with average error less than 1%.