Documente Academic
Documente Profesional
Documente Cultură
Abstract
Scopul acestei lucrari a fost de a estima coroziunea coardelor de chitara, din otel, in
solutie de sudoare artificiala, aplicand metoda retelei neuronale artificiale (RNA / ANN).
Masuratorile au fost efectuate pe perioade de 1, 2, 3 si 4 saptamani. Rezultatele au fost
utilizate pentru pregatirea modelului cel mai adecvat de RNA. Pentru evaluarea eficientei
metodei, datele masurate au fost comparate cu valorile estimate de RNA. Au fost observati
coeficientul de corelatie superior si cel inferior, eroarea medie absoluta intre valorile de iesire
estimate si masurate. Prin urmare, se poate concluziona ca ANN este o metoda promitatoare
pentru estimarea proceselor de coroziune.
1. Introducere.
1
Acest studiu isi propune sa estimeze si sa prezica comportamentul la coroziune a sase coarde
de otel diferite care sunt scufundate in solutia coroziva, prin aplicarea retelelor neuronale.
Metoda de simulare pe calculator a comportamentului materialelor din otel, bazata pe
datele experimentale de cercetare si proprietatile materialelor utilizate in aceasta lucrare, a
fost reteaua neuronala artificiala (RNA) cu un strat ascuns.
Astfel de retele neuronale sunt un instrument promitator pentru estimarea procesului de
coroziune pentru o gama larga de diferite domenii de cercetare, de la estimarea rezistentei
chimice a ceramicii dentare [21] pana la rezistenta la coroziune a suprafetei de titan
modificata cu plasma cu impulsuri nanocristaline de carburare (cementare) electrolitica. [22].
Cu toate acestea, potentialul lor de utilizare poate fi regasit in gama diversa, de la coroziunea
in fluide biologice [23-24], o varietate larga de aplicatii industriale [25-33], procese de
coroziune marina [34-39], pana la biodegradarea prin coroziune a diferite materiale [40 , 41].
ANN trebuie sa fie dotat cu date cunoscute, care sunt colectate din experimente.
Succesul in obtinerea unei retele fiabile si robuste depinde de alegerea variabilelor implicate
in proces, precum si de setul de date disponibile şi de domeniul folosit pentru scopuri de
pregatire [4].
Scopul acestei lucrari este de a aplica retelele neuronale pentru predictia si estimarea
proceselor de coroziune ale materialelor din otel imersate in solutie de sudoare artificiala.
2. Materiale si metode
2
Tabel 1 Conditii analitice ICP-OES pentru analiza elementara.
Parametru Mn Si* Sn
λ, nm 279. 251. 286.
5 6 3
Fanta, nm 0.2 0.2 0.7
Zgomot relativ 1.0 1.0 1.0
Concentratie caracteristica, μg mL- 0.05 2.1 3.2
1
2
Suprafata liniara, μg mL-1 2.0 150. 400.
0 0
*Oxid de azot / amestec acetilenă.
Probele de coarde au fost mai intai puse intr-un tub sigilat de polipropilena (PP) cu 10
ml de sudoare artificiala. Testele statice de coroziune au fost efectuate la temperatura de 37
0
C, de la 7 zile (168 h) pana la 28 zile (672 ore). Dupa timpul de expunere planificat,
exemplarele au fost scoase din tuburi, clatite cu apa distilata si uscate intr-un cuptor cald,
incalzit la 100 0C. Determinarea cantitatii de ioni metalici eliberati in solutiile corozive a fost
efectuat prin intermediul spectroscopiei cu plasma cuplata inductiv de emisie optica (ICP-
OES). Acele date au fost utilizate ca date de intrare si de iesire pentru pregatirea ANN
(tabelele 3 si 4).
Reteaua neuronala artificiala (RNA) este formata din neuroni artificiali grupati in
straturi, care sunt puse in relatie unele cu altele prin conexiuni paralele [1]. Pentru fiecare
ANN (RNA) primul strat constituie stratul de intrare (variabile de intrare), iar ultimul
3
formeaza stratul de iesire (variabilele de iesire). Intre ele pot fi amplasate unul sau mai multe
straturi de neuroni numite straturi ascunse. Functia de transfer cel mai des utilizata pentru
intrare si pentru un strat ascuns este functia de transfer sigmoid, care poate fi exprimata cu
relatia :
2
f ( x) = −1 (1)
1 + e −2 x
f ( x) = x (2)
In scopul acestei lucrari a fost testata o retea de baza radiala constituita din doua
straturi: un strat ascuns radial de baza cu 6 neuroni, si un strat liniar de iesire cu 2 sau 3
neuroni. (Fig. 1).
Functia de transfer utilizata in stratul ascuns este:
2
f ( x ) = e −x (3)
3. Rezultate si discutii
Reteaua neuronala artificiala (ANN) este o metoda care poate fi aplicata pentru
rezolvarea unor diferite probleme, in diverse domenii de cercetare, in legatura cu coroziunea
materialelor.
In aceasta lucrare, in scopul estimarii care metale au avut cel mai mare grad de dizolvare,
calculele au fost efectuate in conformitate cu urmatoarea relatie:
Ai
χi = (4)
Bi
Unde Ai – reprezinta masa de ioni de metal eluat, Bi - masa de metal in esantion, i - este un
element specific.
Rezultatele ratelor de dizolvare pentru toate cele sase probe sunt prezentate in figurile. 2-7.
Dupa cum se poate observa din acele cifre, manganul are cea mai mare rata de dizolvare.
Prin urmare, acest metal a fost ales ca fiind unul dintre cele mai importante variabile pentru
estimarea si predictia proceselor de coroziune in esantioanele de coarde din otel ale chitarii.
Deoarece si siliciul si staniul au, de asemenea, rate foarte ridicate de dizolvare, procesele lor
de coroziune au fost de asemenea indicate de ANN pentru mai multe probe.
Monitorizarea metalelor este importanta pentru securitatea utilizatorilor: este cunoscut faptul
ca manganul influenteaza plamanii, sistemul nervos, endocrin si imunitar [42,43]. Staniul si
siliciul sunt cunoscute ca provoaca efecte adverse asupra sanatatii [44,45].
Probele au fost impartite in doua grupuri separate de cand s-a observat ca acestea au
comportamente diferite la coroziune [46]:
(a) Coardele monocomponente g3, h2 si e1, a caror evolutie a coroziune este liniara.
(b) Coardele bicomponente E6, A5 si D4, a caror evolutie a coroziunii urmeaza o
parabola
4
Tabel 3 Seturile de date pentru formarea de reţele neuronale pentru coardele g3, h2 si e1
Tabel 4 Seturile de date pentru formarea de reţele neuronale pentru coardele E6, A5 si D4
Fig. 1. Retea de baza radiala constand din doua straturi. W este matricea greutatii de
intrare, b este vectorul de partinire si F este functia de transfer.
5
Fig. 2. Gradul de dizolvare a ionilor metalici Fig. 3. Gradul de dizolvare a ionilor metalici
in cazul corzii E6 a chitarii electrice in cazul corzii A5 a chitarii electrice
Fig. 4. Gradul de dizolvare a ionilor metalici Fig. 6. Gradul de dizolvare a ionilor metalici
in cazul corzii D4 a chitarii electrice in cazul corzii h2 a chitarii electrice.
6
Fig. 5. Gradul de dizolvare a ionilor metalici Fig. 7. Gradul de dizolvare a ionilor metalici
in cazul corzii g3 a chitarii electrice in cazul corzii e1 a chitarii electrice.
Pentru fiecare grup de probe, ANN au fost special pregatite, testate si optimizate.
Pentru predictia de coroziune a coardelor g3, h2 si e1, rezultatele din prima, a doua si
a patra saptamana au fost folosite pentru pregatirea ANN. Rezultatele sunt prezentate in
Tabelul 3.
Comparatia intre datele estimate si cele masurate a fost efectuata dupa pregatirea RNA
(ANN). Pentru estimarea celui mai bun model de retea neuronala, eroarea medie patratică
(MSE) a fost folosita ca functie de performanta.
Acest parametru masoara performanta retelei in conformitate cu urmatoarea ecuatie:
1 n 2 1 n
MSE = ∑ ei = n ∑
n i =1 i =1
( y i ,exp − y i , prez ) 2 (5)
7
Tabel 5 Seturile de date pentru testarea reţelelor neuronale in a treia saptamana
pentru coardele g3, h2 si e1
μg μg μg μg μg μg
(Mn2+)/cm2 (Si4+)/cm2 (Sn2+)/cm2 (Mn2+)/cm2 (Si4+)/cm2 (Sn2+)/cm2
g3 0.549 0.226 1.643 0.561 0.240 1.602
h2 0.551 0.247 1.394 0.591 0.258 1.336
e1 1.068 0.254 1.389 1.078 0.293 1.589
Rezultatele din cea de-a treia saptamana utilizate pentru testarea preciziei retelei alese
sunt prezentate in tabelul 5. Reteaua aleasa pentru esantioanele g3, h2 si e1 este compusa din
4 neuroni in stratul de intrare, 6 neuroni in strarul ascuns si 3 neuroni in stratul de iesire.
Rezultatele din cea de-a doua saptamana au fost folosite pentru testarea preciziei
retelei alese pentru esantionele D4, A5 si E6 si sunt enumerate in tabelul 6. Reteaua aleasa
consta din 3 neuroni in stratul de intrare, 6 neuroni in stratul ascuns si 2 neuroni in stratul de
iesire.
Metoda ANN pregatita si optimizata a fost aplicata ulterior pentru predictia proceselor
de coroziune (tabelele 7 si 8). Asa cum se poate observa din cele doua tabele, datele estimate
si cele obtinute experimental sunt in buna corelatie pentru majoritatea elementelor investigate.
Prin urmare, se poate concluziona ca ANN a fost pregatita in mod corespunzator.
8
cazurilor, valorile masurate si valorile estimate au fost intr-un acord foarte bun. Acest lucru
poate fi, de asemenea, in mod clar vazut in figurile 8-13, care arata corespondenta intre
valorile masurate si cele estimate. Toate valorile sunt intr-un acord foarte bun, cu erori relativ
scazute. Erori relative pentru toate elementele investigate si pentru toate esantioanele din otel
sunt in intervalul de 1-10%, cu exceptia probei e1 care a atins erori relative de 15%.
Pentru experimente proiectate cu o cantitate mica de date experimentale, aceasta retea
neuronala a obtinut rezultate foarte bune.
Prin urmare, se poate concluziona ca metoda ANN a fost adecvat aleasa pentru scopul dat si
ca este posibil sa stea la baza comportamentului coroziv pentru 2 grupuri diferite de probe de
coarde din otel, optimizand modelul ANN.
Tabel 7 Erori si erori relative ale ANN pentru coardele g3, h2 si e1 in saptamana a treia.
.
∆ ∆, %
Esantion
μg μg μg μg μg μg
(Mn )/cm2
2+
(Si )/cm2
4+
(Sn )/cm2
2+
(Mn )/cm2
2+
(Si )/cm2
4+
(Sn )/cm2
2+
Tabel 8 Erori si erori relative ale ANN pentru coardele E6, A5 si D4 in saptamana a doua.
Esantio ∆ ∆, %
n
9
Fig. 8. Corelatia intre datele masurate( date) si datele estimate (ANN) de Si si Sn eluati pe
zona de proba E6.
Fig. 9. Corelatia intre datele masurate( data) si datele estimate (ANN) de Si si Sn eluati pe
zona de proba A5.
10
Fig. 10. Corelatia intre datele
masurate( data) si datele
estimate (ANN) de Si si Sn
eluati pe zona de proba D4.
11
Fig. 13. Corelatia intre datele masurate( data) si datele estimate (ANN) de Mn, Si si Sn eluati
pe zona de proba e1.
4. Concluzii
12