Nuove formulazioni di rivestimenti protettivi dalla corrosione suggerite dall’apprendimento automatico su dati di test storici

Perché la vernice più intelligente conta

Ponti, navi, automobili e edifici in acciaio dipendono tutti dalla vernice per tenere la ruggine sotto controllo. Eppure la progettazione di un rivestimento protettivo è ancora spesso un’arte appresa per tentativi ed errori. Questo studio mostra come una forma di intelligenza artificiale possa setacciare i risultati di test passati per suggerire nuove vernici anticorrosione che funzionano tanto bene quanto, o meglio di, quelle attuali, esplorando combinazioni di ingredienti che gli esperti umani probabilmente non proverebbero mai.

La sfida delle ricette infinite

Le vernici protettive moderne sono miscele complesse di resine, pigmenti, inibitori di corrosione, coloreanti e altri additivi. Ognuno può essere usato in quantità e combinazioni diverse, creando un numero astronomico di ricette possibili. Testarne anche una piccola frazione in laboratorio è lento e costoso, quindi le aziende tendono a esplorare territori familiari vicino a formulazioni già note. Questo rende difficile scoprire miscele insolite che potrebbero essere più performanti o usare gli ingredienti in modo più efficiente.

Trasformare i pannelli di test storici in una mappa

Gli autori hanno raccolto risultati storici di 492 test di corrosione in spray salino su pannelli d’acciaio rivestiti con vernici all’acqua che utilizzavano 148 ingredienti diversi. Ogni rivestimento era stato valutato su scale visive standard per ruggine e formazione di bolle. Con questi dati, il team ha addestrato un modello di apprendimento automatico, nello specifico una foresta casuale (random forest), per prevedere come una determinata ricetta avrebbe ottenuto un punteggio. Hanno poi trattato l’enorme spazio delle possibili ricette come un paesaggio, dove ogni punto è una formulazione e la sua altezza rappresenta la prestazione contro la corrosione. Un secondo algoritmo, chiamato evoluzione differenziale, è stato usato per esplorare questo paesaggio, cercando i punti alti corrispondenti a nuove ricette promettenti.

Quanto bene ha funzionato la guida digitale

Il modello è stato in grado di classificare i rivestimenti come buoni o scadenti con alta accuratezza per la formazione di bolle all’interno del film verniciante, e con successo migliore del caso per la ruggine e le bolle vicino a un graffio deliberato. Quando i ricercatori hanno esaminato quali fattori erano più importanti, hanno scoperto che la durata del test, il tipo di metallo, il numero di strati di vernice e la scelta della resina dominavano le prestazioni, in linea con l’esperienza pratica. Alcuni risultati sono stati più sorprendenti: per esempio, certi coloranti e agenti neutralizzanti sono risultati più influenti di inibitori di corrosione usati in piccole quantità, suggerendo interazioni complesse tra gli ingredienti.

Testare due nuove vernici sorprendenti

Per verificare se l’esplorazione virtuale avrebbe retto nel mondo reale, il team ha selezionato due ricette suggerite dalla macchina e ha preparato piccole quantità di vernice. Queste sono state confrontate con un rivestimento di riferimento standard in un severo test ciclico di spray salino della durata di oltre 700 ore. Una delle vernici suggerite, che utilizzava una miscela insolita di due resine che da sole avevano dato scarsi risultati, ha eguagliato il riferimento nella resistenza complessiva alla ruggine e ha fatto meglio attorno al graffio. La seconda, basata su una resina che in precedenti screening convenzionali era fallita, ha mostrato prestazioni leggermente inferiori ma ha comunque evidenziato un comportamento migliorato rispetto alla sua reputazione precedente.

Cosa significa questo per i rivestimenti futuri

Questo lavoro è una prova di principio che l’apprendimento automatico può guidare la ricerca di vernici protettive migliori, anche quando sono disponibili solo modesti dati storici e quando il modello non conosce proprietà fisiche come viscosità o durezza. Invece di sostituire i formulatori esperti, l’approccio funge da assistente intelligente che propone combinazioni non ovvie meritevoli di essere testate. Con l’aggiunta di più dati e dettagli sugli ingredienti, strumenti simili potrebbero ridurre i tempi di sviluppo, ampliare la gamma di ricette praticabili e aiutare a scoprire modi nuovi, talvolta controintuitivi, per evitare che le strutture metalliche arrugginiscano.

Citazione: 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

Parole chiave: rivestimenti anticorrosione, apprendimento automatico, vernici protettive, corrosione dell’acciaio, progettazione dei materiali