<![CDATA[Korosi memberikan kekhawatiran serius bagi sektor industri dan akademik karena mempunyai dampak negatif yang signifikan terhadap sejumlah bidang, termasuk perekonomian, lingkungan, masyarakat, industri, keamanan, dan keselamatan. Saat ini, banyak peminat topik pengendalian kerusakan bahan berbasis molekul organik. Quinoxaline mempunyai potensi sebagai inhibitor korosi karena tidak beracun, mudah diproduksi, dan efektif dalam berbagai kondisi korosif. Mengeksplorasi kemungkinan kandidat penghambat korosi melalui penelitian eksperimental adalah proses yang memakan waktu dan sumber daya yang intensif. Dengan menggunakan pendekatan machine learning (ML) berdasarkan model quantitative structure-property relationship (QSPR), kami mengevaluasi beragam algoritma linier dan non-linier sebagai model prediktif nilai corrosion inhibition efficiency (CIE) dalam penelitian ini. Kami menemukan bahwa, untuk kumpulan data senyawa quinoxaline, model non-linier Gradient Boosting Regressor (GBR) mengungguli keseluruhan model linier dan non-linier, serta hasil dari literatur dalam hal kinerja prediksi berdasarkan metrik root mean squared error (RMSE), mean squared error (MSE), mean absolute deviation (MAD), mean absolute percentage error (MAPE) dan coefficient of determination (R2). Secara keseluruhan, penelitian kami memberikan sudut pandang baru tentang kapasitas model ML untuk memperkirakan kemampuan penghambatan korosi pada permukaan besi oleh senyawa organik quinoxaline.]]>
Copyrights © 2024
