Nieuwe corrosiebeschermende coatingformuleringen voorgesteld door machine learning op historische testgegevens

Waarom slimere verf belangrijk is

Stalen bruggen, schepen, auto’s en gebouwen zijn allemaal afhankelijk van verf om roest te weren. Toch blijft het ontwerpen van een beschermende coating vaak een ambacht dat via vallen en opstaan wordt geleerd. Deze studie toont aan hoe een vorm van kunstmatige intelligentie door historische testresultaten kan zoeken en nieuwe anticorrosieve verven kan voorstellen die even goed of beter werken dan huidige producten, terwijl het combinaties van ingrediënten onderzoekt die menselijke experts waarschijnlijk nooit zouden proberen.

De uitdaging van eindeloze recepten

Moderne beschermende verven zijn complexe mengsels van harsen, pigmenten, corrosieremmers, kleurstoffen en andere additieven. Elk bestanddeel kan in verschillende hoeveelheden en combinaties worden gebruikt, wat een astronomisch aantal mogelijke recepten oplevert. Zelfs een klein deel daarvan in het laboratorium testen is traag en kostbaar, dus bedrijven verkennen doorgaans vertrouwd terrein dicht bij bekende goede formuleringen. Daardoor is het moeilijk om ongebruikelijke mengsels te ontdekken die mogelijk beter presteren of ingrediënten efficiënter gebruiken.

Oude testpanelen omzetten in een kaart

De auteurs verzamelden historische resultaten van 492 zoutnevelcorrosietests op stalen panelen gecoat met watergedragen verven die 148 verschillende ingrediënten gebruikten. Elke coating was beoordeeld met standaard visuele schalen voor roestvorming en blaarvorming. Met deze gegevens trainde het team een machine learning-model, specifiek een random forest, om te voorspellen hoe een gegeven recept zou scoren. Ze behandelden vervolgens de enorme ruimte van mogelijke recepten als een landschap, waarbij elk punt een formulering is en de hoogte de corrosieprestatie aangeeft. Een tweede algoritme, differential evolution, werd gebruikt om dit landschap te doorkruisen en naar hoge punten te zoeken die overeenkomen met veelbelovende nieuwe recepten.

Hoe goed de digitale gids presteerde

Het model kon coatings met hoge nauwkeurigheid classificeren als goed of slecht voor blaarvorming binnen de verflaag, en behaalde betere dan willekeurige resultaten voor roestvorming en blaarvorming nabij een opzettelijke kras. Toen de onderzoekers onderzochten welke factoren het meest van belang waren, vonden ze dat testduur, type metaal, aantal verflagen en keuze van hars de prestaties domineerden, in lijn met praktische ervaring. Sommige resultaten waren verrassender: bepaalde kleurstoffen en neutraliserende middelen bleken invloedrijker dan in kleine hoeveelheden gebruikte corrosieremmers, wat wijst op complexe interacties tussen ingrediënten.

Het testen van twee verrassende nieuwe verven

Om te zien of hun virtuele verkenning in de echte wereld standhield, selecteerde het team twee door de machine voorgestelde recepten en maakte kleine batches verf. Deze werden vergeleken met een standaard referentielaag in een zware cyclische zoutneveltest van meer dan 700 uur. Eén voorgestelde verf, die een ongebruikelijke combinatie van twee harsen gebruikte die elk op zichzelf slecht hadden gepresteerd, bereikte vergelijkbare bescherming tegen roest als de referentie en presteerde beter rond de kras. De tweede, gebaseerd op een hars die eerder was door de gebruikelijke screenings gevallen, presteerde iets minder goed maar liet toch verbeterd gedrag zien vergeleken met zijn eerdere reputatie.

Wat dit betekent voor toekomstige coatings

Dit werk is een bewijs van principe dat machine learning de zoektocht naar betere beschermende verven kan sturen, zelfs wanneer slechts beperkte historische gegevens beschikbaar zijn en wanneer het model niets weet over fysische eigenschappen zoals viscositeit of hardheid. In plaats van formuleringen door experts te vervangen, fungeert de aanpak als een slimme assistent die niet-voor-de-hand-liggende combinaties voorstelt die het waard zijn getest te worden. Naarmate meer data en ingredientdetails worden toegevoegd, zouden soortgelijke hulpmiddelen de ontwikkelingstijden kunnen verkorten, het bereik van bruikbare recepten kunnen vergroten en kunnen helpen nieuwe, soms contra-intuïtieve manieren te ontdekken om metalen constructies tegen roest te beschermen.

Bronvermelding: 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

Trefwoorden: corrosiebeschermende coatings, machine learning, beschermende verven, staalcorrosie, materiaalontwerp