Low carbon steel corrosion damage prediction in rural and urban environments

This paper presents an Artificial Neural Network (ANN) model for the damage function of carbon steel, expressed in μm of corrosion penetration as a function of environmental variables. Working in the context of the Iberoamerican Atmospheric Corrosion Map Project, the experimental data comes as result of the corrosion of low alloy steel subtracts in three test sites in Uruguay, South America. In addition, we included experimental values obtained from short time kinetics studies, corresponding to special series from one of the sites. The ANN numerical model shows attractive results regarding goodness of fit and residual distributions. It achieves a RMSE value of 0.5 μm while a classical regression model lies in the range of 4.1 μm. Furthermore, a properly adjusted ANN model can be useful in the prediction of corrosion damage under different climatological and pollution conditions, while linear models cannot. Este artículo presenta la metodología de las redes neuronales artificiales (RNA) como solución para el modelado de los valores experimentales obtenidos en los procesos de corrosión atmosférica. Se desarrolla el modelo de RNA para la función de da o, expresada en μm de penetración para el acero de bajo carbono en función de las variables medioambientales, en el contexto del Proyecto MICAT (Mapa Iberoamericano de Corrosión Atmosférica) y programas de experimentación propios. Los datos experimentales son resultado de los estudios de calibración sobre sustratos ferrosos en tres sitios del territorio uruguayo, Sudamérica. Se incluyen, además, los valores experimentales obtenidos en los estudios de cinéticas iniciales, correspondientes a series especiales de cortos tiempos de exposición en una de las estaciones de ensayo. El modelo numérico de RNA muestra resultados con un valor de RMSE de 0,5 μm, en tanto el modelo de regresión clásico arroja un valor de 4,1 μm.