Makine öğrenmesi kullanarak korozyon inhibisyonu sonlu eleman simülasyonlarının vekil modellenmesi

Uçakları ve Otomobilleri Paslanmadan Koruma

Modern uçaklar, otomobiller ve akıllı telefonlar büyük ölçüde hafif alüminyum alaşımlarına dayanır. Bu metaller sıradan çeliğe göre paslanmaya daha dayanıklıdır, ancak tuzlu, nemli veya sıcak ortamlarda yine de korozyona uğrayabilir, bu da güvenliği tehdit eder ve ürün ömrünü kısaltır. Mühendisler, bu hasarı yavaşlatmak için koruyucu partiküller içeren boya benzeri özel kaplamalar kullanır; yine de en iyi tarifeyi bulmak yavaş ve pahalıdır. Bu çalışma, ayrıntılı bilgisayar simülasyonlarını makine öğrenmesiyle birleştirmenin, yaygın bir alüminyum alaşımı için daha akıllı ve daha güvenli korozyon önleyici kaplamaların tasarımını nasıl hızla yönlendirebileceğini gösterir.

Neden Geleneksel Koruma Yenilemeye İhtiyaç Duyuyor

On yıllardır, uçaklarda ve diğer zorlu uygulamalarda alüminyum koruması için altın standart hekzavalent krom içeren bileşiklere dayanıyordu. Bu kimyasallar son derece etkilidir fakat toksiktir ve çevresel düzenlemelerle giderek daha fazla kısıtlanmaktadır. Araştırmacılar artık yalnızca bir bariyer oluşturmaktan öteye geçen “aktif” kaplamalara yöneliyor. Bu kaplamalarda, bir çizik veya kusur ortaya çıktığında çözünerek inhibitör bileşenlerini serbest bırakan küçük pigment parçacıkları bulunur; bu bileşenler açığa çıkan metale göç ederek koruyucu bir tabaka yeniden oluşturulmasına yardımcı olur. Lityum bazlı bileşikler alüminyum yüzeylerinde dayanıklı bir kalkan oluşturduğu için özellikle ümit verici olarak öne çıkmıştır. Zorluk, hangi pigment dolumu, kaplama kalınlığı ve kusur geometrisinin yıllarca sürecek deneme-yanılma olmadan güvenilir şekilde korozyonu kontrol altında tutacağını belirlemektir.

Daha Hızlı Öğrenmek İçin Sanal Deneyler Kullanma

Yazarlar, bir astar tabakasındaki lityum karbonat parçacıklarının nasıl çözüldüğünü, küçük su yolları boyunca nasıl hareket ettiğini ve kaplamadaki bir çizikte korozyonu nasıl etkilediğini takip eden mevcut iki boyutlu bir sonlu eleman modelinin—temelde ayrıntılı fizik tabanlı bir “sanal laboratuvarın”—üzerine inşa ettiler. Simüle edilen sistem, lityum pigment yüklü bir astar, koruyucu bir üst katman ve üzerinde ince bir su tabakası ile kaplı yaygın bir havacılık alaşımı AA2024-T3’ü taklit eder. Kontrol edilebilir beş faktörü—çizik genişliği ve derinliği, astar kalınlığı, su tabakası kalınlığı ve başlangıç pigment içeriğini—sistematik olarak değiştirerek ekip 231 sanal deney üretti. Her çalıştırmadan, metal yüzeyindeki en savunmasız noktada iki temel çıktıyı çıkardılar: oraya ulaşan inhibitör miktarı ve korozyonun ne kadar hızlı ilerlediği, akım yoğunluğu olarak ifade edildiği şekilde.

Korozyonu Tahmin Etmeyi Makineye Öğretmek

Ardından araştırmacılar, ağır fiziksel simülasyonların bir “vekil”i olarak hareket etmesi için özellikle XGBoost olarak bilinen algoritma başta olmak üzere karar ağacı tabanlı makine öğrenmesi modellerini eğittiler. Model, beş giriş faktöründen inhibitör konsantrasyonunu ve korozyon hızını tahmin etmeyi öğrendi. Verilerin tekrar tekrar eğitim ve test parçalarına bölündüğü dikkatli çapraz doğrulama, makine öğrenmesi yaklaşımının sanal deneyleri özellikle inhibitör konsantrasyonu için iyi bir doğrulukla yeniden ürettiğini gösterdi. Baseline olarak test edilen basit bir sinir ağı ile karşılaştırıldığında, ağaç tabanlı yöntemler bu sınırlı boyuttaki veri kümesinde belirgin şekilde daha iyi performans gösterdi. Hangi girdilerin en önemli olduğunu ortaya koyan bir analiz, kaplamanın üstündeki su tabakasının kalınlığı ve astardaki pigment miktarının korumayı kontrol eden baskın kollar olduğunu, inceleme koşulları altında çizik derinliğinin ise yalnızca daha küçük bir rol oynadığını ortaya koydu.

Modelin Sınırlarını Test Etme ve Tasarım İçin Kullanma

Vekilin yeni durumlarda ne kadar iyi performans göstereceğini görmek için ekip, kaplama tasarımlarının aralığını kapsayan ancak eğitim sırasında kullanılmayan dokuz yeni simülasyon vakası oluşturdu. Bu “kör test” vakalarının çoğunda, makine öğrenmesi tarafından yapılan inhibitör varışı ve korozyon hızı tahminleri tam fizik modelle iyi şekilde uyuştu; ancak öğrenme için daha az örnek bulunan araştırılan tasarım alanının kenarlarında doğruluk düştü. Son olarak, yazarlar eğitilmiş modeli hızlı bir tasarım aracı olarak kullandılar: tipik bir kusur için farklı pigment seviyeleri ve astar kalınlıklarını taradılar ve inhibitör konsantrasyonunun korozyonu baskılamak için gereken bilinen eşik değeri aştığı ve ilişkili korozyon akımının keskin şekilde azalmaya başladığı bölgeleri belirlediler. Bu, örneğin daha kalın astarlar veya daha yüksek pigment yüklemelerinin sistemi daha güvenli bir çalışma rejimine itebileceğini gösterdi.

Gerçek Dünyadaki Malzemeler İçin Bunun Anlamı

Basitçe söylemek gerekirse, bu çalışma bir makinenin birçok karmaşık korozyon simülasyonunun temel derslerini öğrenebileceğini ve ardından bir kaplama tarifini nasıl ayarlayacağınıza ilişkin neredeyse anlık rehberlik sağlayabileceğini gösteriyor. Her yeni tasarım için yüzlerce zaman alıcı bilgisayar modeli veya laboratuvar testi çalıştırmak yerine mühendisler, pigment içeriği, kaplama kalınlığı ve beklenen servis koşulları kombinasyonlarını daraltmak için bu tür vekil modelleri kullanabilirler. Yaklaşım hala altta yatan fizik modelinde yapılan basitleştirmeleri devralır ve eğitilmiş aralığın çok dışına çıkıldığında kullanılmamalıdır, ancak güçlü bir kestirme sunar. Nihai olarak bu tür bir dijital araç seti, araştırmacıların tehlikeli kimyasalları değiştirmesine ve alüminyum alaşımları için daha güvenli, daha uzun ömürlü koruyucu kaplamaları daha hızlı piyasaya taşımalarına yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: korozyon koruması, alüminyum alaşımları, koruyucu kaplamalar, makine öğrenmesi, sonlu eleman modelleme