CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

ANN modeling of anticorrosive performance of paint systems on steel

اعتبار موردنیاز PDF: ۱ | تعداد صفحات: ۱۰ | تعداد نمایش خلاصه: ۷ | نظرات: ۰
سال انتشار: ۱۳۹۷
کد COI مقاله: IMES12_070
زبان مقاله: انگلیسی
حجم فایل: ۶۲۰.۱۳ کیلوبایت (فایل این مقاله در ۱۰ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله دارای ۱۰ صفحه در فرمت PDF قابل خریداری است. شما می توانید از طریق بخش روبرو فایل PDF این مقاله را با پرداخت اینترنتی ۳۰,۰۰۰ ریال بلافاصله دریافت فرمایید
قبل از اقدام به دریافت یا خرید مقاله، حتما به فرمت مقاله و تعداد صفحات مقاله دقت کامل را مبذول فرمایید.
علاوه بر خرید تک مقاله، می توانید با عضویت در سیویلیکا مقالات را به صورت اعتباری دریافت و ۲۰ تا ۳۰ درصد کمتر برای دریافت مقالات بپردازید. اعضای سیویلیکا می توانند صفحات تخصصی شخصی روی این مجموعه ایجاد نمایند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۰ صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله ANN modeling of anticorrosive performance of paint systems on steel

  Morteza Azarbarmas - Assistant Prof. Faculty of Materials Engineering, Sahand University of Technology
  Seyed Saiad Mirjavadi - M.S. School of Mechanical Engineering, College of Engineering, University of Tehran
Ali Ghasemi - Ph.D. Department of Mechanical Engineering, Faculty of Engineering, Islamic Azad University

چکیده مقاله:

In this investigation, the corrosion behavior of 1020 steel plates in term of corrosion potential wasmodeled using the ANN approach. Input variables were the surface pre-treatments, anticorrosive coatingsand the time of immersing in the corrosive environment. feedforward multi-Layer perceptron neuralnetwork was used. The reliability and speed of Levenberg–Marquardt Scaled conjugate gradient ,and Resilient backpropagation algorithms were also compared, and it was concluded that theLevenberg–Marquardt is the most accurate and the fastest algorithm for modeling. The results showedthat the estimated corrosion potentials of samples are in good agreement with the actual data.

کلیدواژه‌ها:

Corrosion Potential, Coating, Artificial Neural Network (ANN), Modeling

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-IMES12-IMES12_070.html
کد COI مقاله: IMES12_070

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Azarbarmas, Morteza; Seyed Saiad Mirjavadi & Ali Ghasemi, ۱۳۹۷, ANN modeling of anticorrosive performance of paint systems on steel, هفتمین کنفرانس بین‌المللی مهندسی مواد و متالورژی و دوازدهمین همایش ملی مشترک انجمن مهندسی متالورژی و مواد ایران و انجمن ریخته گری ایران, تهران, سازمان توسعه و نوسازی معادن و صنایع معدنی ایران-انجمن مهندسی متالورژی ایران و انجمن علمی ریخته گری ایران, https://www.civilica.com/Paper-IMES12-IMES12_070.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (Azarbarmas, Morteza; Seyed Saiad Mirjavadi & Ali Ghasemi, ۱۳۹۷)
برای بار دوم به بعد: (Azarbarmas; Mirjavadi & Ghasemi, ۱۳۹۷)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: ۳۰۸۸
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مدیریت اطلاعات پژوهشی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات مرتبط جدید

شبکه تبلیغات علمی کشور

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.