Nuevas formulaciones de recubrimientos protectores contra la corrosión sugeridas por aprendizaje automático a partir de datos de ensayos históricos

Por qué la pintura más inteligente importa

Puentes, barcos, coches y edificios de acero dependen de la pintura para mantener a raya el óxido. Sin embargo, diseñar un recubrimiento protector sigue siendo a menudo un oficio aprendido por ensayo y error. Este estudio muestra cómo una forma de inteligencia artificial puede cribar resultados de ensayos pasados para sugerir nuevas pinturas anticorrosivas que funcionan tan bien o mejor que los productos actuales, al tiempo que explora combinaciones de ingredientes que los expertos humanos probablemente nunca probarían.

El desafío de las recetas infinitas

Las pinturas protectoras modernas son mezclas complejas de resinas, pigmentos, inhibidores de corrosión, colorantes y otros aditivos. Cada uno puede usarse en distintas cantidades y combinaciones, creando un número astronómico de recetas posibles. Ensayar incluso una fracción mínima en el laboratorio es lento y costoso, por lo que las empresas tienden a explorar territorios familiares cerca de formulaciones ya conocidas. Eso dificulta descubrir mezclas inusuales que podrían rendir mejor o usar los ingredientes de forma más eficiente.

Convertir paneles de ensayo antiguos en un mapa

Los autores reunieron resultados históricos de 492 ensayos de niebla salina sobre paneles de acero recubiertos con pinturas al agua que empleaban 148 ingredientes distintos. Cada recubrimiento había sido valorado en escalas visuales estándar para el enmohecimiento y la formación de ampollas. Con estos datos, el equipo entrenó un modelo de aprendizaje automático, concretamente un random forest, para predecir cómo puntuaría una receta dada. Luego trataron el enorme espacio de recetas posibles como un paisaje, donde cada punto es una formulación y su altura representa el desempeño frente a la corrosión. Un segundo algoritmo, llamado evolución diferencial, se usó para recorrer ese paisaje, buscando puntos altos que correspondieran a nuevas recetas prometedoras.

Qué tan bien funcionó la guía digital

El modelo pudo clasificar los recubrimientos como buenos o malos con alta precisión para la formación de ampollas dentro de la película de pintura, y con éxito mejor que el azar para el enmohecimiento y las ampollas alrededor de una rasgadura deliberada. Cuando los investigadores examinaron qué factores importaban más, encontraron que la duración del ensayo, el tipo de metal, el número de capas de pintura y la elección de resina dominaban el rendimiento, en consonancia con la experiencia práctica. Algunos resultados fueron más sorprendentes: por ejemplo, ciertos colorantes y agentes neutralizantes parecieron tener más influencia que inhibidores de corrosión usados en pequeñas cantidades, lo que sugiere interacciones complejas entre ingredientes.

Ensayando dos nuevas pinturas sorprendentes

Para ver si su exploración virtual se mantenía en el mundo real, el equipo seleccionó dos recetas sugeridas por la máquina y preparó pequeños lotes de pintura. Estos se compararon con un recubrimiento de referencia estándar en una exigente prueba cíclica de niebla salina que duró más de 700 horas. Una de las pinturas sugeridas, que usaba una mezcla inusual de dos resinas que por separado habían rendido mal, igualó a la referencia en la resistencia general a la corrosión y lo hizo mejor alrededor del arañazo. La segunda, basada en una resina que había fallado previamente en ensayos convencionales, rindió algo peor pero aún mostró un comportamiento mejorado respecto a su reputación anterior.

Qué significa esto para futuros recubrimientos

Este trabajo es una prueba de principio de que el aprendizaje automático puede guiar la búsqueda de mejores pinturas protectoras, incluso cuando solo hay datos históricos modestos disponibles y cuando el modelo no conoce propiedades físicas como viscosidad o dureza. En lugar de reemplazar a los formuladores expertos, el enfoque actúa como un asistente inteligente que propone combinaciones no obvias que merecen ser probadas. A medida que se añadan más datos y detalles de ingredientes, herramientas similares podrían acortar los tiempos de desarrollo, ampliar la gama de recetas viables y ayudar a descubrir maneras nuevas, a veces contraintuitivas, de evitar que las estructuras metálicas se oxiden.

Cita: Samanta, S., Luigjes, B., Lyon, S. et al. Novel corrosion protective coating formulations suggested by machine learning of historic test data. npj Mater Degrad 10, 63 (2026). https://doi.org/10.1038/s41529-026-00771-2

Palabras clave: recubrimientos contra la corrosión, aprendizaje automático, pinturas protectoras, corrosión del acero, diseño de materiales