Prediction of Corrosion Rate for Carbon Steel in Soil Environment by Artificial Neural Network and Genetic Algorithm
Article Type:
Research/Original Article (دارای رتبه معتبر)

In this study, the corrosion rates for St37 carbon steel in some soil types with different conditions were measured. The effects of the parameters of moisture amount, soil’s particle size and salt’s concentration were determined by the mass loss method. An Artificial Neural Network (ANN) model with three inputs and one output was established to simulate the experimental data. It was observed that Levenberg–Marquardt algorithm with hyperbolic tangent sigmoid transfer function provided the best results in training with the lowest MSE and MAE compared to the other methods in the model. The R values for training, validation, and test were presented and the value of 0.98684 was achieved for the complete data set which demonstrate a high level of ANN performance. The Genetic Algorithm (GA) was also used to find optimum inputs for the target of minimum corrosion rate value. The results showed a good agreement between the model prediction and experimental values.

Journal of advanced materials and processing, Volume:7 Issue: 4, Autumn 2019
30 - 43  
برخی از خدمات از جمله دانلود متن مقالات تنها به مشترکان مگیران ارایه می‌گردد. شما می‌توانید به یکی از روش‌های زیر مشترک شوید:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یک‌ساله به مبلغ 700,000ريال می‌توانید 100 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
  • دسترسی به متن مقالات این پایگاه در قالب ارایه خدمات کتابخانه دیجیتال و با دریافت حق عضویت صورت می‌گیرد و مگیران بهایی برای هر مقاله تعیین نکرده و وجهی بابت آن دریافت نمی‌کند.
  • حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران می‌شود.
  • پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانه‌های چاپی و دیجیتال را به کاربر نمی‌دهد.