Características moleculares de inhibidores de corrosión: Enfoque estadístico y computacional

Uriel Josafat Rangel Peña; José Manuel Vásquez Pérez; Rosa Luz Camacho Mendoza; Luis Angel Zárate-Hernández; Simplicio González Montiel; Julián Cruz Borbolla

doi:10.29057/icbi.v13iEspecial4.15476

Autores/as

Uriel Josafat Rangel Peña Universidad Autónoma del Estado de Hidalgo https://orcid.org/0000-0002-5486-4088
José Manuel Vásquez Pérez Universidad Autónoma del Estado de Hidalgo https://orcid.org/0000-0002-2839-2646
Rosa Luz Camacho Mendoza Universidad Autónoma del Estado de Hidalgo https://orcid.org/0000-0003-0596-6704
Luis Angel Zárate-Hernández Universidad Autónoma del Estado de Hidalgo https://orcid.org/0000-0002-8696-1288
Simplicio González Montiel Universidad Autónoma del Estado de Hidalgo https://orcid.org/0000-0002-2131-3247
Julián Cruz Borbolla Universidad Autónoma del Estado de Hidalgo https://orcid.org/0000-0002-1218-3719

DOI:

https://doi.org/10.29057/icbi.v13iEspecial4.15476

Palabras clave:

Corrosión, Aprendizaje Automático, QSAR, Random Forest, Clasificación

Resumen

En el presente estudio se desarrolló un modelo de clasificación basado en aprendizaje automático para discriminar compuestos orgánicos según su eficiencia inhibitoria contra la corrosión de acero en medio ácido. Una base de datos de 117 inhibidores fue construida, de la cual se emplearon 73 compuestos nitrogenados caracterizados mediante descriptores moleculares 2D y parámetros termodinámicos calculados por DFT (B3LYP/6-311++G**). Del análisis estadístico no paramétrico se identificaron diferencias significativas entre buenos (θ ≥ 90 %) y malos inhibidores, lo cual reveló once descriptores discriminantes relacionados con tamaño molecular, complejidad estructural y flexibilidad conformacional. Mediante la metodología de selección "step forward" se identificó al poder electrodonador y la entalpía como los descriptores óptimos para la clasificación. El modelo Random Forest logró una exactitud del 73 % en la clasificación binaria de la eficiencia inhibitoria, demostrando la capacidad del enfoque para capturar relaciones no lineales complejas. Este método computacional proporciona una herramienta valiosa para la discriminación y selección racional de inhibidores de corrosión en medio ácido.

Descargas

Los datos de descargas todavía no están disponibles.

Información de Publicación

Este artículo

Otros artículos

Revisores por pares

Revisores: 1

2.4 promedio

Perfiles de revisores N/D

Declaraciones del autor

Disponibilidad de datos

N/A

16%

Financiamiento externo

No

32% con financiadores

Intereses conflictivos

N/D

11%

Para esta revista

Otras revistas

Artículos aceptados

88%

33%

Días hasta la publicación

155

145

Indexado en

GS

Editor y comité editorial: perfiles
Sociedad académica: N/D
Editora:: Universidad Autónoma del Estado de Hidalgo

Citas

Ayati, N. S., Khandandel, S., Momeni, M., Moayed, M. H., Davoodi, A., & Rahimizadeh, M. (2011). Inhibitive effect of synthesized 2-(3-pyridyl)-3,4-dihydro-4-quinazolinone as a corrosion inhibitor for mild steel in hydrochloric acid. Materials Chemistry and Physics, 126(3), 873-879. doi: 10.1016/j.matchemphys.2010.12.023

Boada, S. Z., Leon, G. J., & Ortiz, H. F. (2025). Predicting Corrosion Rate in Oil Wells Using First Principles and Machine Learning. MDPI.

Contreras, D. A., Quej, L. M., Liu, H. B., Sosa, E., & Alamilla, J. L. (2020). Role of the Mexican clay soils on corrosiveness and stress corrosion cracking of low carbon pipeline steels: A case study. doi: 10.5006/3515

Curtiss, L. A., Redfern, P. C., Rassolov, V., Kedziora, G., & Pople, J. A. (2001). Extension of Gaussian-3 theory to molecules containing third-row atoms K, Ca, Ga–Kr. The Journal of Chemical Physics, 114(21), 9287-9295. doi: 10.1063/1.1366337

Diciccio, T. J., & Romano, J. P. (1988). A Review of Bootstrap Confidence Intervals. Journal of the Royal Statistical Society Series B: Statistical Methodology, 50(3), 338-354. doi: 10.1111/j.2517-6161.1988.tb01732.x

Divine, G., Norton, H. J., Hunt, R., & Dienemann, J. (2013). A Review of Analysis and Sample Size Calculation Considerations for Wilcoxon Tests. Anesthesia & Analgesia, 117(3), 699-710. doi: 10.1213/ANE.0b013e31827f53d7

Esmailzadeh, S., Aliofkhazraei, M., & Sarlak, H. (2018). Interpretation of Cyclic Potentiodynamic Polarization Test Results for Study of Corrosion Behavior of Metals: A Review. Protection of Metals and Physical Chemistry of Surfaces, 54(5), 976-989. doi: 10.1134/S207020511805026X

Hay, P. J., & Wadt, W. R. (1985). Ab initio effective core potentials for molecular calculations. Potentials for K to Au including the outermost core orbitals. The Journal of Chemical Physics, 82(1), 299-310. doi: 10.1063/1.448975

Hesterberg, T. (2011). Bootstrap. WIREs Computational Statistics, 3(6), 497-526. doi: 10.1002/wics.182

Hourahine, B., Aradi, B., Blum, V., Bonafé, F., Buccheri, A., Camacho, C., … Frauenheim, T. (2020). DFTB+, a software package for efficient approximate density functional theory based atomistic simulations. The Journal of Chemical Physics, 152(12), 124101. doi: 10.1063/1.5143190

Instituto Nacional de Estadística y Geografía (INEGI). (2023). Producto Interno Bruto (PIB). Recuperado de https://www.inegi.org.mx/

Kaur, P., Stoltzfus, J., & Yellapu, V. (2018). Descriptive statistics. International Journal of Academic Medicine, 4(1), 60. doi: 10.4103/IJAM.IJAM_7_18

Khan, G., Newaz, K. Md. S., Basirun, W. J., Ali, H. B. M., Faraj, F. L., & Khan, G. M. (2015). Application of Natural Product Extracts as Green Corrosion Inhibitors for Metals and Alloys in Acid Pickling Processes-A review. International Journal of Electrochemical Science, 10(8), 6120-6134. doi: 10.1016/S1452-3981(23)06707-X

Kubisztal, J., Kubisztal, M., & Haneczok, G. (2020). Corrosion damage of 316L steel surface examined using statistical methods and artificial neural network. Materials and Corrosion, 71(11), 1842-1855. doi: 10.1002/maco.202011830

Kuhn, M. (2008). Building Predictive Models in R Using the caret Package. Journal of Statistical Software, Articles, 28(5), 1-26. doi: 10.18637/jss.v028.i05

Kutz, M. (2018). Handbook of environmental degradation of materials (3e ed). Oxford: William Andrew.

Landolfo, R., Cascini, L., & Portioli, F. (2010). Modeling of Metal Structure Corrosion Damage: A State of the Art Report. Sustainability, 2(7), 2163-2175. doi: 10.3390/su2072163

Lee, C., Yang, W., & Parr, R. G. (1988). Development of the Colle-Salvetti correlation-energy formula into a functional of the electron density. Physical Review B, 37(2), 785-789. doi: 10.1103/PhysRevB.37.785

Makrini, B. E., Lgaz, H., Larouj, M., Salghi, R., Hasan, A. R., Belkhaouda, M., … Oudda, H. (2016). The inhibition performance of sulfamerazine for corrosion of mild steel in HCl.

Mauri, A., Consonni, V., Pavan, M., Todeschini, R., & others. (2006). Dragon software: An easy approach to molecular descriptor calculations. Match, 56(2), 237-248.

Morell, C., Grand, A., & Toro-Labbé, A. (2005). New Dual Descriptor for Chemical Reactivity. The Journal of Physical Chemistry A, 109(1), 205-212. doi: 10.1021/jp046573a

Nick, T. G. (2007). Descriptive Statistics. En W. T. Ambrosius (Ed.), Topics in Biostatistics (pp. 33-52). Totowa, NJ: Humana Press. doi: 10.1007/978-1-59745-530-5_3

Obayes, H. R., Al-Amiery, A. A., Alwan, G. H., Abdullah, T. A., Kadhum, A. A. H., & Mohamad, A. B. (2017). Sulphonamides as corrosion inhibitor: Experimental and DFT studies. Journal of Molecular Structure, 1138, 27-34. doi: 10.1016/j.molstruc.2017.02.100

Pedeferri, P. (2018). Statistical Analysis of Corrosion Data. En P. Pedeferri, Corrosion Science and Engineering (pp. 679-696). Cham: Springer International Publishing. doi: 10.1007/978-3-319-97625-9_30

Rammelt, U., & Reinhard, G. (1992). Application of electrochemical impedance spectroscopy (EIS) for characterizing the corrosion-protective performance of organic coatings on metals. Progress in Organic Coatings, 21(2-3), 205-226. doi: 10.1016/0033-0655(92)87005-U

Rangel-Peña, U. J., Zárate-Hernández, L. A., Camacho-Mendoza, R. L., Gómez-Castro, C. Z., González-Montiel, S., Pescador-Rojas, M., … Cruz-Borbolla, J. (2023). Conceptual DFT, machine learning and molecular docking as tools for predicting LD50 toxicity of organothiophosphates. Journal of Molecular Modeling, 29(7), 217. doi: 10.1007/s00894-023-05630-4

Secretaría de Economía. (2025). Basic Industry of Iron and Steel: Wages, production, investment, opportunities and complexity. Recuperado de Data México website: https://www.economia.gob.mx/

Sultan, A. A., Mashrei, M. A., & Washer, G. A. (2020). Utilization of Wilcoxon-Mann-Whitney statistics in assessing the reliability of nondestructive evaluation technologies. Structures, 27, 780-787. doi: 10.1016/j.istruc.2020.06.024

Tansuğ, G., Tüken, T., Giray, E. S., Fındıkkıran, G., Sığırcık, G., Demirkol, O., & Erbil, M. (2014). A new corrosion inhibitor for copper protection. Corrosion Science, 84, 21-29. doi: 10.1016/j.corsci.2014.03.004

Todeschini, R., Lasagni, M., & Marengo, E. (1994). New molecular descriptors for 2D and 3D structures. Theory. Journal of Chemometrics, 8(4), 263-272. doi: 10.1002/cem.1180080405