Ny kromskyddande beläggningsformulering föreslagen av maskininlärning på historiska testdata

Varför smartare färg spelar roll

Stålbroar, fartyg, bilar och byggnader är beroende av färg för att hålla rost borta. Ändå är utformningen av en skyddande beläggning ofta fortfarande ett hantverk som lärs genom försök och misstag. Denna studie visar hur en form av artificiell intelligens kan sålla bland tidigare testrapporter för att föreslå nya antikorrosionsfärger som fungerar lika bra eller bättre än dagens produkter, samtidigt som den utforskar ingredienskombinationer som mänskliga experter sannolikt aldrig skulle prova.

Utmaningen med ändlösa recept

Moderna skyddsfärger är komplexa blandningar av hartser, pigment, korrosionshämmare, färgämnen och andra tillsatser. Var och en kan användas i olika mängder och kombinationer, vilket skapar ett astronomiskt antal möjliga recept. Att testa ens en liten bråkdel i labb är tidskrävande och kostsamt, så företag tenderar att utforska välkända områden nära redan fungerande formuleringar. Det gör det svårt att upptäcka ovanliga blandningar som kan prestera bättre eller använda ingredienser mer effektivt.

Att göra om gamla testpaneler till en karta

Författarna samlade historiska resultat från 492 saltkorrosionstester på stålpaneler belagda med vattenburna färger som använde 148 olika ingredienser. Varje beläggning hade bedömts på standardiserade visuella skalor för rost och blåsbildning. Med dessa data tränade teamet en maskininlärningsmodell, specifikt en random forest, för att förutsäga hur ett givet recept skulle bedömas. De behandlade sedan det enorma utrymmet av möjliga recept som ett landskap, där varje punkt är en formulering och dess höjd representerar korrosionsprestanda. En andra algoritm, kallad differential evolution, användes för att vandra detta landskap och söka efter höga punkter som motsvarar lovande nya recept.

Hur väl den digitala guiden presterade

Modellen kunde klassificera beläggningar som bra eller dåliga med hög noggrannhet för blåsbildning inne i färgfilmen, och med bättre‑än‑slumpmässig träffsäkerhet för rost och blåsbildning nära ett avsiktligt repmärke. När forskarna undersökte vilka faktorer som var viktigast fann de att testlängd, typ av metall, antal färglager och hartsval dominerade prestandan, i linje med praktisk erfarenhet. Vissa resultat var mer överraskande: till exempel verkade vissa färgämnen och neutraliserande medel mer inflytelserika än korrosionshämmare som användes i låga mängder, vilket antyder komplexa interaktioner mellan ingredienser.

Test av två överraskande nya färger

För att se om deras virtuella utforskning höll i verkligheten valde teamet två maskinföreslagna recept och tillverkade små satser färg. Dessa jämfördes med ett standardreferenssystem i ett krävande cykliskt saltluktstest som varade mer än 700 timmar. En föreslagen färg, som använde en ovanlig blandning av två hartser som var och en presterat dåligt på egen hand, matchade referensen vad gäller rostmotstånd totalt och gjorde det bättre kring repan. Den andra, baserad på ett harts som tidigare misslyckats i konventionell screening, presterade något sämre men visade ändå förbättrat beteende jämfört med sitt tidigare rykte.

Vad detta betyder för framtida beläggningar

Detta arbete är ett principiellt bevis för att maskininlärning kan vägleda sökandet efter bättre skyddsfärger, även när endast måttliga historiska data finns tillgängliga och när modellen inte vet något om fysikaliska egenskaper som viskositet eller hårdhet. Istället för att ersätta erfarna formuleringsexperter fungerar tillvägagångssättet som en smart assistent som föreslår icke‑uppenbara kombinationer värda att testa. När fler data och ingrediensdetaljer läggs till kan liknande verktyg förkorta utvecklingstider, vidga antalet gångbara recept och hjälpa till att upptäcka nya, ibland kontraintuitiva, sätt att hålla metallkonstruktioner fria från rost.

Citering: 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

Nyckelord: korrosionsbeläggningar, maskininlärning, skyddsfärger, stålkorrosion, materialdesign