مدل سازی پیش بینی نرخ خوردگی آلیاژهای منیزیم: پیوند سینتیک الکتروشیمیایی و کاهش وزن فیزیکی از طریق یادگیری ماشین

آلیاژهای منیزیم با نسبت استحکام به وزن استثنایی خود، فلزاتی کلیدی در صنایع هوافضا و پزشکی به شمار می روند، اما حساسیت بالای آن ها به خوردگی همچنان مانع بزرگی در استفاده گسترده از آن هاست. روش های مختلفی برای اندازه گیری نرخ تخریب این آلیاژها وجود دارد. روش سنتی کاهش وزن (وزن سنجی) بسیار دقیق است و نرخ ذاتی ۳/۰ میلی متر در سال برای منیزیم خالص را به اثبات رسانده است، اما فرآیندی بسیار طولانی و زمان بر است. در مقابل، روش های الکتروشیمیایی نتایجی بسیار سریع ارائه می دهند، اما به دلیل واکنش های پیچیده سطحی و پدیده اثر اختلاف منفی، اغلب در پیش بینی کاهش وزن فیزیکی دچار خطاهای چشمگیری می شوند. در این پژوهش، با هدف حل این معضل، از الگوریتم های پیشرفته یادگیری ماشین، به ویژه جنگل تصادفی، برای تحلیل داده های ۳۲ آلیاژ منیزیم استفاده شده است. نتایج نشان داد که این رویکرد داده محور توانسته دقت پیش بینی کاهش وزن را از ۳۲ درصد به ۸۶ درصد ارتقا دهد. یافته ها حاکی از آن است که برای یک پیش بینی دقیق، علاوه بر نرخ الکتروشیمیایی، لحاظ کردن غلظت منیزیم و سایر عناصر آلیاژی در مدل به عنوان متغیرهای کلیدی ضروری است، که این امر مسیر جدیدی برای توسعه سریع تر و ارزان تر آلیاژهای جدید فراهم می کند.

کلیدواژه ها:

آلیاژ منیزیم ، نرخ خوردگی ، یادگیری ماشین ، روش الکتروشیمیایی ، جنگل تصادفی