پیش بینی زمان شکست در خوردگی تنشی فولاد زنگ نزن 304 در محیطهای آبی کلریدی توسط شبکه‌های عصبی مصنوعی

نویسندگان

چکیده

یکی از موارد پیچیده و در عین حال مهم در مطالعات خوردگی تنشی آلیاژها، تعیین وقوع یا عدم وقوع خوردگی تنشی و تعیین زمان شکست آن است. علی‌رغم انجام تحقیقات وسیع در این زمینه، هنوز فرمولبندی یا روش مطمئنی برای تخمین وقوع خوردگی تنشی و همچنین تعیین زمان شکست در اثر خوردگی تنشی ارائه نشده است. در این مقاله، توانایی شبکه‌های عصبی مصنوعی در تعیین زمان شکست فولاد زنگ نزن آستنیتی 304 بر اثر خوردگی تنشی در محیطهای آبی کلریدی داغ به همراه تحلیل حساسیت پارامترهای کلیدی ارائه شده است. پارامترهایی که در این تحقیق به عنوان ورودی شبکه عصبی مصنوعی مورد بررسی قرار گرفته اند شامل دما، غلظت کلر و میزان تنش اعمالی است. همچنین از زمان شکست نیز به عنوان پارامتر خروجی و معیار کلیدی در ارزیابی پارامترهای اثرگذار استفاده شد. راندمان آماری این شبکه میانگین سه مجموعه آموزش و آزمایش است. همچنین برای آزمایش شبکه از داده‌هایی استفاده شد که جزء داده‌های آموزشی نبودند. نتایج حاصل از خروجی شبکه نشان داد که مدل پیشنهادی توانایی پیش بینی زمان شکست را با واریانس 74٪ از داده‌های واقعی داراست.

کلیدواژه‌ها


عنوان مقاله [English]

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

نویسندگان [English]

  • T. Shahrabi Farahani
  • V. Baigi and S. A. Lajevardi
چکیده [English]

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.

کلیدواژه‌ها [English]

  • Artificial Neural Network
  • Stress corrosion cracking
  • Sensitivity analysis
  • Time to failure
  • Chloride concentration
  • Applied stress

ارتقاء امنیت وب با وف ایرانی