fa اثر پارامترهای محیطی بر بازدارندگی خوردگی 7-هیدروکسی فنوکساوزن: بررسی تجربی و پیش‌بینی شبکه عصبی مصنوعی عمومى General پژوهشي Research با توجه به خاصیت غیر خطی فرآیند خوردگی، استفاده از روش‌های جدید جهت پیش‌بینی این فرآیند در حال گسترش است. مدل شبکه عصبی مصنوعی ابزاری جهت پیش‌بینی مقادیر مجهول در محدوده آزمایش نشده متغیرها، با دقت بالا می‌باشد. در این رهیافت با در دست داشتن تعداد محدودی از داده‌های ورودی، خروجی مطلوب با دقت بسیار خوبی پیش‌بینی می‌شود. در این مقاله، ابتدا با بکارگیری روش امپدانس الکتروشیمیایی اثر زمان ماندگاری، شرایط هیدرودینامیک و دما بر عملکرد بازدارندگی 7-هیدروکسی فنوکسازون روی خوردگی فولاد در محیط اسیدکلریدریک یک مولار مورد بررسی قرار گرفت. در ادامه پارامترهای متغیر تجربی شامل غلظت، زمان ماندگاری، دما و سرعت چرخش به عنوان متغیرهای ورودی و بازدهی بازدارندگی خوردگی به عنوان خروجی مدل شبکه‌ عصبی در نظر گرفته شد. نتایج نشان داد، با افزایش زمان ماندگاری تا 8 ساعت مقاومت پلاریزاسیون در غلظت ppm100 از این ماده، از 1660 به 2260 اهم سانتی متر مربع افزایش یافته و بازدهی به 91 درصد رسیده است. همچنین، بازدهی این ماده با افزایش سرعت چرخش نمونه تا rpm 500 و افزایش دمای محلول تا 55 درجه سانتی گراد، از %6/86 به ترتیب به 24 و 60 درصد تقلیل یافت. نتایج پیش‌بینی شبکه عصبی توافق خوبی با داده‌های تجربی نشان داده و مقادیر آموزش‌یافته شبکه عصبی مصنوعی با خطای میانگین کمتر از 1% میزان بازدارندگی را پیش-بینی 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 7Hydroxyphenoxazone 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%. شبکه عصبی مصنوعی, بازدارندگی, 7- هیدروکسی فنوکسازون, طیف سنجی امپدانس الکتروشیمیایی Artificial Neural Network, Inhibitive Behavior, 7-Hydroxyphenoxazone, electrochemical impedance spectroscopy 19 28 http://journal.ica.ir/browse.php?a_code=A-10-1-103&slc_lang=fa&sid=1 مصطفی امیرجان 1003194753284600129 1003194753284600129 Yes منصور بزرگ 1003194753284600130 1003194753284600130 No تقی شهرابی فراهانی 1003194753284600131 1003194753284600131 No