דוגמנות תחליפית של סימולציות אלמנטים סופיים של עיכוב קורוזיה באמצעות למידת מכונה

הגנה על מטוסים ומכוניות מפני חלודה

מטוסים מודרניים, מכוניות וסמארטפונים מסתמכים במידה רבה על סגסוגות אלומיניום קלות משקל. מתכות אלה עמידות לקורוזיה טוב יותר מפני פלדה רגילה, אך בסביבות מלוחות, לחותיות או חמות הן עדיין יכולות להיחלש כתוצאה מקורוזיה, מסכנת בטיחות ומקצרת את חיי המוצר. מהנדסים משתמשים בציפויים מיוחדים בדמוי צבע הממולאים חלקיקים מגן כדי להאט את הנזק הזה, אך מציאת הנוסחה הטובה ביותר איטית ויקרה. המחקר הזה מראה כיצד שילוב בין סימולציות מחשב מפורטות ולמידת מכונה יכול להנחות במהירות את תכנון ציפויים אנטי‑קורוזיביים חכמים ובטוחים יותר לסגסוגת אלומיניום נפוצה.

מדוע ההגנה המסורתית זקוקה לשדרוג

עשרות שנים שיטת הזהב להגנה על אלומיניום בשימושים תובעניים כמו תעופה התבססה על תרכובות המכילות כרום ברמת חמצון ששיתיות. כימיקלים אלה יעילים מאוד אך רעילים ומוגבלים יותר ויותר על ידי תקנות סביבתיות. כעת חוקרים פונים לציפויים “אקטיביים” שעושים יותר מיצירת מחסום בלבד. בציפויים אלה, חלקיקי פיגמנט זעירים מתמוססים כאשר מופיע שריטה או פגם, משחררים מרכיבי מעכבי קורוזיה שנודדים אל המתכת החשופה ועוזרים לשקם שכבה מגן. תרכובות מבוססות ליתיום בלטו כמיוחדות מבטיחות מכיוון שהן יוצרות מגן עמיד על משטחי אלומיניום. האתגר הוא לקבוע איזו שילוב של עומס פיגמנט, עובי פריימר וגאומטריית הפגם ישמור על קורוזיה מבוקרת בלי צורך בשנים של ניסויים והתאמות.

שימוש בניסויים וירטואליים כדי ללמוד מהר יותר

המחברים בנו על מודל אלמנטים סופיים דו‑ממדי קיים—מעין “מעבדה וירטואלית” מפורטת מבוססת פיזיקה—שעוקב אחרי פירוק חלקיקי פחמת הליתיום בשכבת פריימר, תנועתם דרך שבילי מים זעירים, והשפעתם על קורוזיה בשריטה בציפוי. המערכת המדומה מחקה סגסוגת תעופה נפוצה, AA2024‑T3, המכוסה בפריימר טעון בפיגמנט ליתיום, בציפוי עליון מגן ובשכבת מים דקה מעל. על ידי שינוי שיטתי של חמישה גורמים ניתנים לשליטה—רוחב ועמק השריטה, עובי הפריימר, עובי שכבת המים ותכולת הפיגמנט ההתחלתית—הצוות ייצר 231 ניסויים וירטואליים. מכל הרצה הם חילצו שתי תוצאות מפתח בנקודה הפגיעה ביותר על משטח המתכת: כמה מעכב הגיע לשם ומה מהירות הקורוזיה, בביטוי צפיפות הזרם.

להכשיר מכונה לחזות קורוזיה

בהמשך, החוקרים אימנו מודלים של למידת מכונה מבוססי עצי החלטה, ובפרט אלגוריתם הידוע כ‑XGBoost, כדי לשמש כ”תחליף” לסימולציות פיזיקליות הכבדות. המודל למד לחזות את ריכוז המעכב וקצב הקורוזיה מתוך חמשת הגורמים הקלטיים. בדיקות חוצי‑אימות קפדניות, שבהן הנתונים חולקו שוב ושוב לחלקי אימון ובדיקה, הראו כי גישת למידת המכונה שיחזרה את הניסויים הווירטואליים בדיוק טוב, במיוחד לגבי ריכוז המעכב. בהשוואה לרשת עצבית פשוטה שנבדקה כקו בסיס, שיטות העץ הציגו ביצועים משמעותית טובים יותר על מערך נתונים בצורתו המצומצמת. ניתוח של אילו קלטים היו החשובים ביותר חשף שעובי שכבת המים על גבי הציפוי וכמות הפיגמנט בפריימר הם המנופים הדומיננטיים שקובעים את ההגנה, בעוד שעומק השריטה שיחק תפקיד משני בתנאים שנחקרו.

מבחן גבולות המודל ושימוש בו בעיצוב

כדי לבדוק כיצד התחליף יתפקד במצבים חדשים, הצוות יצר תשעה מקרים סימולציה חדשים שנעו בטווח העיצובים של הציפוי אך לא שומשו באימון. ברוב מקרים אלה של “מבחן עיוור” תחזיות למידת המכונה לגבי הגעת המעכב וקצב הקורוזיה התאימו היטב למודל הפיזיקה המלא, אם כי הדיוק ירד בקצוות מרחב העיצוב שחקרו, שם היו פחות דוגמאות ללמידה. לבסוף, המחברים השתמשו במודל המאומן ככלי עיצוב מהיר: הם סרקו רמות פיגמנט ועובי פריימר שונים עבור פגם טיפוסי וזיהו היכן ריכוז המעכב יעלה על סף ידוע הדרוש לדיכוי קורוזיה, ואיפה צפיפות הזרם הקשורה החלה לירידה חדה. זה הראה, למשל, שעבים פריימרים או עומסי פיגמנט גבוהים יותר יכולים לדחוף את המערכת לאזור פעולה בטוח יותר.

מה המשמעות של זה לחומרים בעולם האמיתי

במלים פשוטות, עבודה זו ממחישה שמכונה יכולה ללמוד את הלקחים העיקריים ממספר רב של סימולציות קורוזיה מורכבות ואז לספק הדרכה כמעט מידית על אופן כיוונון נוסחת ציפוי. במקום להריץ מאות מודלים ממושכים או ניסויי מעבדה עבור כל עיצוב חדש, מהנדסים יכולים להשתמש במודלים תחליפיים כאלה כדי לצמצם קומבינציות מבטיחות של תכולת פיגמנט, עובי ציפוי ותנאי שירות צפויים. בעוד הגישה עדיין יורשת כל פישוט שנעשה במודל הפיזיקלי התחתון ואינה ראויה לשימוש רחוק מחוץ לטווח עליו אומנה, היא מציעה קיצור דרך רב עוצמה. בסופו של דבר, סוג ערכת הכלים הדיגיטלית הזו יכול לעזור לחוקרים להחליף כימיקלים מסוכנים ולהביא לשוק ציפויים מגן בטוחים ועמידים יותר לסגסוגות אלומיניום מהר יותר.

ציטוט: Sahlmann, L., Abdelrahman, N., Meeusen, M. et al. Surrogate modelling of corrosion inhibition finite element simulations using machine learning. npj Mater Degrad 10, 38 (2026). https://doi.org/10.1038/s41529-026-00760-5

מילות מפתח: הגנה מפני קורוזיה, סגסוגות אלומיניום, ציפויים מגן, למידת מכונה, דוגמנות אלמנטים סופיים