Novas formulações protetoras contra corrosão sugeridas por aprendizado de máquina aplicado a dados de ensaios históricos

Por que uma tinta mais inteligente importa

Pontes, navios, carros e edifícios de aço dependem da pintura para manter a ferrugem sob controle. Ainda assim, projetar um revestimento protetor segue muitas vezes sendo uma prática desenvolvida por tentativa e erro. Este estudo mostra como uma forma de inteligência artificial pode analisar resultados de testes anteriores para sugerir novas tintas anticorrosão que funcionam tão bem quanto — ou melhor que — os produtos atuais, ao mesmo tempo em que explora combinações de ingredientes que especialistas humanos provavelmente nunca tentariam.

O desafio das receitas infinitas

Tintas protetoras modernas são misturas complexas de resinas, pigmentos, inibidores de corrosão, corantes e outros aditivos. Cada um pode ser usado em quantidades e combinações diferentes, criando um número astronômico de receitas possíveis. Testar mesmo uma fração ínfima em laboratório é lento e caro, portanto as empresas tendem a explorar territórios familiares próximos a formulações conhecidas. Isso dificulta descobrir misturas incomuns que poderiam ter desempenho superior ou usar ingredientes de modo mais eficiente.

Transformando antigos painéis de ensaio em um mapa

Os autores reuniram resultados históricos de 492 testes de névoa salina em painéis de aço revestidos com tintas à base de água que usaram 148 ingredientes diferentes. Cada revestimento havia sido avaliado em escalas visuais padrão para oxidação e formação de bolhas. Usando esses dados, a equipe treinou um modelo de aprendizado de máquina, especificamente uma floresta aleatória (random forest), para prever como uma dada receita pontuaria. Em seguida, trataram o enorme espaço de receitas possíveis como uma paisagem, em que cada ponto é uma formulação e sua altura representa o desempenho contra corrosão. Um segundo algoritmo, chamado evolução diferencial, foi usado para percorrer essa paisagem, buscando pontos altos que correspondem a novas receitas promissoras.

Como o guia digital se saiu

O modelo conseguiu classificar revestimentos como bons ou ruins com alta precisão para bolhas dentro do filme de tinta, e com sucesso melhor que aleatório para oxidação e bolhas próximas a um risco deliberado. Quando os pesquisadores examinaram quais fatores importavam mais, descobriram que duração do ensaio, tipo de metal, número de camadas de tinta e escolha da resina dominaram o desempenho, em linha com a experiência prática. Alguns resultados foram mais surpreendentes: por exemplo, certos corantes e agentes neutralizantes apareceram como mais influentes do que inibidores de corrosão usados em pequenas quantidades, sugerindo interações complexas entre os ingredientes.

Testando duas novas tintas surpreendentes

Para ver se a exploração virtual se sustentava no mundo real, a equipe selecionou duas receitas sugeridas pela máquina e fez pequenos lotes de tinta. Estes foram comparados com um revestimento de referência padrão em um rigoroso teste cíclico de névoa salina com duração superior a 700 horas. Uma das tintas sugeridas, que usava uma mistura incomum de duas resinas que, isoladamente, haviam se saído mal, igualou a referência na resistência geral à ferrugem e foi melhor ao redor do risco. A segunda, baseada em uma resina que havia falhado em triagens convencionais, teve desempenho um pouco inferior, mas ainda mostrou comportamento melhorado em comparação com sua reputação anterior.

O que isso significa para futuros revestimentos

Este trabalho é uma prova de princípio de que o aprendizado de máquina pode guiar a busca por tintas protetoras melhores, mesmo quando apenas dados históricos modestos estão disponíveis e quando o modelo não sabe nada sobre propriedades físicas como viscosidade ou dureza. Em vez de substituir formuladores especialistas, a abordagem atua como um assistente inteligente que propõe combinações não óbvias dignas de teste. À medida que mais dados e detalhes dos ingredientes forem adicionados, ferramentas semelhantes poderiam reduzir tempos de desenvolvimento, ampliar a gama de receitas viáveis e ajudar a descobrir maneiras novas, às vezes contraintuitivas, de evitar que estruturas metálicas enferrujem.

Citação: 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

Palavras-chave: revestimentos anticorrosão, aprendizado de máquina, tintas protetoras, corrosão do aço, projeto de materiais