Nouvelles formulations de revêtements anticorrosion proposées par l’apprentissage automatique de données d’essais historiques

Pourquoi une peinture plus intelligente compte

Les ponts, navires, voitures et bâtiments en acier dépendent tous de la peinture pour prévenir la rouille. Pourtant, la conception d’un revêtement protecteur reste souvent un savoir-faire acquis par essais et erreurs. Cette étude montre comment une forme d’intelligence artificielle peut analyser des résultats d’essais passés pour proposer de nouvelles peintures anticorrosion aussi performantes, voire meilleures, que les produits actuels, tout en explorant des combinaisons d’ingrédients que des experts humains n’essaieraient probablement jamais.

Le défi des recettes infinies

Les peintures protectrices modernes sont des mélanges complexes de résines, pigments, inhibiteurs de corrosion, colorants et autres additifs. Chacun peut être utilisé en quantités et combinaisons variées, générant un nombre astronomique de recettes possibles. Tester même une infime fraction en laboratoire est lent et coûteux, si bien que les entreprises ont tendance à explorer des territoires familiers proches de formulations déjà connues. Cela rend difficile la découverte de mélanges inhabituels qui pourraient mieux fonctionner ou utiliser les ingrédients plus efficacement.

Transformer d’anciens panneaux d’essai en une carte

Les auteurs ont rassemblé des résultats historiques de 492 essais de corrosion en brouillard salin sur des panneaux d’acier revêtus de peintures à base d’eau utilisant 148 ingrédients différents. Chaque revêtement avait été noté selon des échelles visuelles standard pour la formation de rouille et de cloques. À partir de ces données, l’équipe a entraîné un modèle d’apprentissage automatique, spécifiquement une forêt aléatoire, pour prédire le score d’une recette donnée. Ils ont ensuite traité l’immense espace des recettes possibles comme un paysage où chaque point représente une formulation et son altitude la performance anticorrosion. Un deuxième algorithme, appelé évolution différentielle, a été utilisé pour parcourir ce paysage à la recherche des points élevés correspondant à de nouvelles recettes prometteuses.

Quelle a été la performance du guide numérique

Le modèle a pu classer les revêtements en bons ou mauvais avec une grande précision pour le cloquage à l’intérieur du film de peinture, et avec un succès supérieur au hasard pour la formation de rouille et le cloquage autour d’une rayure délibérée. Lorsque les chercheurs ont examiné les facteurs les plus importants, ils ont constaté que la durée de l’essai, le type de métal, le nombre de couches de peinture et le choix de la résine dominaient la performance, en accord avec l’expérience pratique. Certains résultats furent plus surprenants : par exemple, certains colorants et agents neutralisants semblaient plus influents que des inhibiteurs de corrosion utilisés en faibles quantités, suggérant des interactions complexes entre les ingrédients.

Tester deux nouvelles peintures surprenantes

Pour voir si leur exploration virtuelle tiendrait dans le monde réel, l’équipe a sélectionné deux recettes proposées par la machine et préparé de petits lots de peinture. Celles-ci ont été comparées à un revêtement de référence standard lors d’un essai exigeant en brouillard salin cyclique durant plus de 700 heures. Une peinture suggérée, qui utilisait un mélange inhabituel de deux résines ayant chacune donné de faibles performances séparément, a égalé la référence en résistance générale à la rouille et a mieux résisté autour de la rayure. La seconde, basée sur une résine qui avait auparavant échoué aux dépistages conventionnels, a présenté des performances un peu inférieures mais a montré tout de même une amélioration par rapport à sa réputation antérieure.

Ce que cela signifie pour les revêtements futurs

Ce travail est une preuve de principe que l’apprentissage automatique peut guider la recherche de meilleurs revêtements protecteurs, même lorsque seules des données historiques modestes sont disponibles et lorsque le modèle ignore des propriétés physiques comme la viscosité ou la dureté. Plutôt que de remplacer les formulateurs experts, l’approche agit comme un assistant intelligent qui propose des combinaisons non évidentes dignes d’être testées. À mesure que davantage de données et de détails sur les ingrédients seront ajoutés, des outils similaires pourraient raccourcir les temps de développement, élargir l’éventail de recettes viables et aider à découvrir de nouvelles façons, parfois contre‑intuitives, d’empêcher les structures métalliques de rouiller.

Citation: 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

Mots-clés: revêtements anticorrosion, apprentissage automatique, peintures protectrices, corrosion de l’acier, conception des matériaux