Суррогатное моделирование коррозионного ингибирования методом конечных элементов с использованием машинного обучения

Защита самолётов и автомобилей от ржавчины

Современные самолёты, автомобили и смартфоны сильно зависят от лёгких алюминиевых сплавов. Эти металлы корродируют меньше, чем обычная сталь, но в солёной, влажной или тёплой среде они всё же подвержены коррозии, что угрожает безопасности и сокращает срок службы изделий. Инженеры используют специальные лакообразные покрытия, заполненные защитными частицами, чтобы замедлить этот процесс, однако поиск оптимального состава занимает много времени и стоит дорого. В этом исследовании показано, как сочетание детализированных компьютерных симуляций и машинного обучения может быстро направлять разработку более эффективных и надёжных антикоррозионных покрытий для широко применяемого алюминиевого сплава.

Почему традиционная защита требует обновления

Десятилетиями эталоном защиты алюминия в авиации и других ответственных областях были соединения, содержащие шестивалентный хром. Эти химикаты крайне эффективны, но токсичны и всё больше ограничиваются экологическими нормами. Сейчас исследователи обращаются к «активным» покрытиям, которые делают больше, чем просто служат барьером. В таких покрытиях крошечные пигментные частицы растворяются при появлении царапины или дефекта, высвобождая ингибиторы, которые мигрируют к оголённому металлу и помогают восстановить защитный слой. Литиевые соединения оказались особенно перспективными, поскольку они формируют стойкий щит на поверхности алюминия. Задача состоит в том, чтобы определить, какая комбинация загрузки пигмента, толщины покрытия и геометрии дефекта надёжно сдержит коррозию без многолетних опытов и проб.

Виртуальные эксперименты для ускорения обучения

Авторы опирались на существующую двумерную модель методом конечных элементов — по сути детализированную физическую «виртуальную лабораторию» — которая отслеживает, как частицы карбоната лития в слое грунтовки растворяются, перемещаются по крошечным водным путям и влияют на коррозию в царапине покрытия. Смоделированная система имитирует распространённый аэрокосмический сплав AA2024‑T3, покрытый грунтовкой с литиевым пигментом, защитным финишным слоем и тонким слоем воды сверху. Систематически варьируя пять управляемых факторов — ширину и глубину царапины, толщину грунтовки, толщину водного слоя и начальное содержание пигмента — команда сгенерировала 231 виртуальный эксперимент. Из каждого прогона они извлекли два ключевых результата в наиболее уязвимой точке на металлической поверхности: сколько ингибитора туда попало и с какой скоростью протекала коррозия, выраженная в плотности тока.

Обучение машины предсказывать коррозию

Далее исследователи обучили машины на основе деревьев решений, в частности алгоритму XGBoost, действовать как «суррогат» тяжёлых физических симуляций. Модель научилась предсказывать концентрацию ингибитора и скорость коррозии по пяти входным параметрам. Тщательная перекрёстная проверка, при которой данные многократно разделяли на обучающую и тестовую части, показала, что подход с машинным обучением достаточно точно воспроизводит виртуальные эксперименты, особенно для концентрации ингибитора. По сравнению с простой нейронной сетью, использованной в качестве базовой линии, методы на основе деревьев заметно превосходили её на этом наборе среднего размера. Анализ важности входов выявил, что ключевыми рычагами управления защитой являются толщина водного слоя над покрытием и количество пигмента в грунтовке, тогда как глубина царапины при исследованных условиях играла лишь второстепенную роль.

Проверка пределов модели и её использование в проектировании

Чтобы оценить, как суррогат ведёт себя в новых ситуациях, команда создала девять свежих случаев симуляций, которые охватывали диапазон параметров покрытий, но не использовались при обучении. Для большинства таких «слепых тестов» предсказания машинного обучения по поступлению ингибитора и скорости коррозии хорошо согласовывались с полной физической моделью, хотя точность снижалась на границах изученного пространства параметров, где было меньше примеров для обучения. Наконец, авторы использовали обученную модель как быстрый инструмент проектирования: они просканировали разные уровни пигмента и толщины грунтовки для типичного дефекта и определили, где концентрация ингибитора превысит известный порог, необходимый для подавления коррозии, и где связанная плотность тока резко уменьшается. Это показало, например, что более толстые грунтовки или более высокая загрузка пигмента могут перевести систему в более безопасный режим работы.

Что это значит для материалов в реальном мире

Проще говоря, работа демонстрирует, что машина может усвоить основные выводы множества сложных коррозионных симуляций и затем мгновенно подсказывать, как настроить состав покрытия. Вместо того чтобы запускать сотни длительных компьютерных моделей или лабораторных испытаний для каждого нового дизайна, инженеры могут использовать такие суррогатные модели, чтобы сужать список перспективных комбинаций содержания пигмента, толщины покрытия и ожидаемых условий эксплуатации. Хотя подход сохраняет все упрощения, заложенные в исходной физической модели, и не должен применяться далеко за пределами обученного диапазона, он предлагает мощный «кратчайший путь». В конечном счёте такой цифровой набор инструментов может помочь исследователям заменить опасные химикаты и быстрее вывести на рынок более безопасные и долговечные защитные покрытия для алюминиевых сплавов.

Цитирование: 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

Ключевые слова: защита от коррозии, алюминиевые сплавы, защитные покрытия, машинное обучение, метод конечных элементов