機械学習を用いた腐食抑制有限要素シミュレーションの代替モデル化

飛行機や自動車をさびから守る

現代の航空機、自動車、スマートフォンは軽量なアルミニウム合金に大きく依存しています。これらの金属は一般的な鋼よりも腐食に強いものの、塩分のある環境や湿度・高温条件では依然として腐食が進行し、安全性を脅かし製品寿命を短くします。エンジニアは保護粒子を充填した塗料状のコーティングでこの損傷を遅らせますが、最適な配合を見つけるのは時間とコストがかかります。本研究は、詳細なコンピュータシミュレーションと機械学習を組み合わせることで、広く使われるアルミ合金向けのより賢く安全な防食コーティングの設計を迅速に導く方法を示します。

従来の保護手法が更新を必要とする理由

数十年にわたり、航空機などの過酷な用途でアルミを保護するためのゴールドスタンダードは六価クロム化合物に基づいていました。これらの化学物質は非常に有効ですが毒性があり、環境規制によって使用が制限されています。研究者は現在、単にバリアを形成するだけでなく能動的に働く「アクティブ」コーティングに注目しています。これらのコーティングでは、傷や欠陥が生じると微小な顔料粒子が溶解して阻害成分を放出し、露出した金属面へ移動して保護層の再形成を助けます。リチウム系化合物は、アルミ表面に耐久性のある被膜を作るため有望とされています。課題は、どの顔料含有量、コーティング厚、欠陥形状の組合せが試行錯誤なしに確実に腐食を抑えるかを見極めることです。

仮想実験を用いて学習を高速化する

著者らは既存の2次元有限要素モデル——詳細な物理に基づく「仮想実験室」——を基に構築しました。このモデルは、プライマー層中の炭酸リチウム粒子がどのように溶解し、微小な水路を通って移動し、コーティングの傷部での腐食にどのように影響するかを追跡します。シミュレーション系は一般的な航空用合金AA2024-T3を模擬し、リチウム顔料を含むプライマー、保護用トップコート、そしてその上の薄い水層を再現しています。傷幅・深さ、プライマー厚、水層厚、初期顔料含有量の5つの制御可能因子を系統的に変化させることで、研究チームは231件の仮想実験を生成しました。各実験からは、金属表面で最も脆弱な点に到達した阻害剤量と、電流密度で表される腐食進行速度という2つの主要な結果を抽出しました。

腐食を予測する機械を教える

次に研究者らは、意思決定木に基づく機械学習モデル、特にXGBoostとして知られるアルゴリズムを訓練し、重い物理シミュレーションの「代替」を作りました。モデルは5つの入力因子から阻害剤濃度と腐食速度を予測することを学習しました。データを繰り返し訓練用と検証用に分割して行う慎重なクロスチェックにより、機械学習アプローチは仮想実験を良好な精度で再現することが示され、特に阻害剤濃度の予測で優れていました。比較用に試した単純なニューラルネットワークに比べ、この木構造ベースの手法はこの規模のデータセットでは顕著に良好な結果を示しました。入力因子の重要度解析では、コーティング上の水層厚とプライマー中の顔料量が保護性能を左右する主要因であり、研究条件下では傷の深さは比較的小さな要因にとどまることが明らかになりました。

モデルの限界を試し、設計に活用する

代替モデルが新しい状況でどれだけ通用するかを評価するため、チームは設計空間の範囲を網羅するが訓練に用いなかった9件の新規シミュレーションケースを作成しました。これらの「ブラインドテスト」ケースの大部分では、阻害剤到達量と腐食率について機械学習の予測は完全な物理モデルと良く一致しましたが、学習例が少ない設計空間の端では精度が低下しました。最後に著者らは、訓練済みモデルを高速設計ツールとして利用しました。典型的な欠陥についてさまざまな顔料レベルとプライマー厚を走査し、阻害剤濃度が既知の腐食抑制閾値を超える領域や腐食電流が急激に低下し始める領域を特定しました。例えば、プライマーを厚くするか顔料含有量を増やすことで、より安全な動作域に移行できることが示されました。

実材料への意味

平易に言えば、本研究は機械が多くの複雑な腐食シミュレーションから本質的な教訓を学習し、コーティング配合の調整についてほぼ瞬時に指針を与えられることを示しています。新しい設計ごとに多数の時間のかかる計算モデルや実験を行う代わりに、エンジニアはこのような代替モデルを使って、顔料含有量、コーティング厚、想定使用条件の有望な組合せを絞り込むことができます。基礎となる物理モデルの簡略化を継承する点や、訓練範囲を大きく超えた利用は避けるべき点は残りますが、この手法は強力な近道を提供します。最終的には、この種のデジタルツールキットが危険な化学物質の置換を助け、アルミ合金向けの安全で長持ちする保護コーティングの市場導入を早める可能性があります。

引用: 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

キーワード: 腐食防止, アルミニウム合金, 保護コーティング, 機械学習, 有限要素モデリング