Новые рецептуры коррозионно-защитных покрытий, предложенные машинным обучением на основе исторических данных испытаний

Почему важна более умная краска

Стальные мосты, корабли, автомобили и здания зависят от краски, чтобы держать ржавчину в страхе. Тем не менее разработка защитного покрытия до сих пор во многом остаётся ремеслом, основанным на методе проб и ошибок. В этом исследовании показано, как один из методов искусственного интеллекта может просеять результаты прошлых испытаний и предложить новые антикоррозионные составы, которые работают так же хорошо или лучше, чем современные продукты, при этом исследуя комбинации ингредиентов, которые люди‑специалисты, вероятно, никогда бы не попробовали.

Проблема бесконечных рецептур

Современные защитные краски — это сложные смеси смол, пигментов, ингибиторов коррозии, колорантов и других добавок. Каждую компоненту можно использовать в разных количествах и сочетаниях, что порождает астрономическое число возможных рецептур. Испытание даже крошечной доли в лаборатории занимает много времени и дорого стоит, поэтому компании склонны исследовать знакомые окрестности рядом с уже известными удачными формулами. Это затрудняет обнаружение необычных смесей, которые могли бы работать лучше или экономичнее использовать ингредиенты.

Преобразование старых тестовых панелей в карту

Авторы собрали исторические результаты 492 испытаний в солевом тумане на стальных панелях, покрытых водорастворимыми красками с использованием 148 различных ингредиентов. Каждое покрытие было оценено по стандартным визуальным шкалам на степень ржавления и образования пузырей. На этих данных команда обучила модель машинного обучения, конкретно случайный лес, чтобы предсказывать, как будет оцениваться та или иная рецептура. Затем огромное пространство возможных рецептур было представлено как ландшафт, где каждая точка — это формула, а её высота отражает эффективность против коррозии. Второй алгоритм, называемый дифференциальной эволюцией, использовали для прогулки по этому ландшафту в поисках вершин, соответствующих перспективным новым рецептурам.

Насколько хорошо сработал цифровой проводник

Модель смогла с высокой точностью классифицировать покрытия как хорошие или плохие по образованию пузырей внутри слоя краски, а для ржавления и пузырей у преднамеренной царапины показала успех лучше случайного. Когда исследователи проанализировали, какие факторы имели наибольшее значение, они обнаружили, что продолжительность испытания, тип металла, число слоёв краски и выбор смолы доминируют в характеристиках, что согласуется с практическим опытом. Некоторые результаты оказались более неожиданными: например, определённые колоранты и нейтрализующие агенты выглядели более влиятельными, чем ингибиторы коррозии, применённые в малых количествах, что указывает на сложные взаимодействия между ингредиентами.

Испытание двух неожиданных новых красок

Чтобы проверить, выдержит ли виртуальная разведка проверку в реальном мире, команда выбрала две рецептуры, предложенные алгоритмом, и приготовила небольшие партии краски. Их сравнили с эталонным покрытием в требовательном циклическом испытании в солевом тумане, длившемся более 700 часов. Одна из предложенных красок, в которой использовалась необычная смесь двух смол, каждая из которых по отдельности показывала плохие результаты, сопоставима с эталоном по общей стойкости к ржавчине и лучше показала себя вокруг царапины. Вторая, основанная на смоле, ранее не прошедшей традиционный отбор, показала несколько худшие результаты, но всё же продемонстрировала улучшение по сравнению со своей прежней репутацией.

Что это значит для будущих покрытий

Эта работа является доказательством принципа, что машинное обучение может направлять поиск лучших защитных красок, даже когда доступны лишь скромные исторические данные и когда модель ничего не знает о физических свойствах, таких как вязкость или твёрдость. Вместо того чтобы заменять опытных формуляторов, подход выступает в роли умного ассистента, предлагающего неочевидные комбинации, которые стоит испытать. По мере добавления большего объёма данных и деталей по ингредиентам подобные инструменты могут сократить сроки разработки, расширить диапазон жизнеспособных рецептур и помочь обнаружить новые, порой контринтуитивные способы предотвращения ржавления металлических конструкций.

Цитирование: 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

Ключевые слова: антикоррозионные покрытия, машинное обучение, защитные краски, коррозия стали, дизайн материалов