使用机器学习对腐蚀抑制有限元模拟进行代理建模

保护飞机与汽车免受锈蚀

现代飞机、汽车和智能手机大量依赖轻质铝合金。这些金属比普通钢更耐锈，但在含盐、潮湿或高温环境中仍会发生腐蚀，威胁安全并缩短产品寿命。工程师使用含有保护性颗粒的特殊涂料来减缓这种损伤，但找到最佳配方既缓慢又昂贵。本研究展示了如何将详细的计算机模拟与机器学习结合，快速指导广泛使用的铝合金的更智能、更安全的防腐涂层设计。

传统防护为何需要升级

几十年来，用于航空及其他苛刻应用中保护铝的金标准是含有六价铬的化合物。这些化学物质效果极佳，但有毒，且逐渐受到环境法规的限制。研究者正在转向“主动”涂层，它们不仅形成一层屏障。在这些涂层中，微小的颜料颗粒在涂层出现划痕或缺陷时溶解，释放抑制剂成分，迁移到裸露金属处并帮助重建保护层。基于锂的化合物尤其有前景，因为它们能在铝表面形成耐久的防护层。挑战在于确定哪种颜料含量、涂底层厚度和缺陷几何组合能够可靠地抑制腐蚀，而不需要多年反复的试验与错误。

用虚拟实验更快学习

作者基于已有的二维有限元模型构建——本质上是一个详细的基于物理的“虚拟实验室”——该模型跟踪底漆层中碳酸锂颗粒如何溶解、通过微小水通道迁移，并在涂层划痕处影响腐蚀行为。模拟系统模拟了一种常用航空合金 AA2024-T3，上面覆盖含锂颜料的底漆、一层保护面漆以及顶层薄薄的水膜。通过系统地改变五个可控因素——划痕宽度和深度、底漆厚度、水层厚度以及初始颜料含量，团队生成了231个虚拟实验。从每次运行中，他们在金属表面最脆弱点提取了两个关键结果：到达该处的抑制剂量和腐蚀的进展速度（以电流密度表示）。

教机器预测腐蚀

接着，研究人员训练了基于决策树的机器学习模型，特别是一种称为 XGBoost 的算法，作为耗时物理模拟的“代理”。该模型学习从五个输入因子预测抑制剂浓度和腐蚀速率。通过反复将数据划分为训练与测试集进行严格交叉验证，显示机器学习方法能较好地再现虚拟实验结果，尤其是在抑制剂浓度预测方面。与作为基线测试的简单神经网络相比，在这个中等规模的数据集上，基于树的方法表现明显更好。对重要输入的分析表明，涂层顶部的水层厚度和底漆中的颜料含量是控制防护的主导杠杆，而在本研究条件下，划痕深度只起到次要作用。

检验模型的边界并将其用于设计

为了评估代理模型在新情形下的表现，团队创建了九个新的模拟案例，覆盖涂层设计的范围但未用于训练。对于大多数这些“盲测”案例，机器学习对抑制剂到达量和腐蚀速率的预测与完整物理模型吻合良好，尽管在探索的设计空间边缘——学习样本较少的地方——预测精度有所下降。最后，作者将训练好的模型用作快速设计工具：针对典型缺陷扫描不同的颜料水平和底漆厚度，确定抑制剂浓度何处会超过已知的抑制腐蚀阈值，以及腐蚀电流何时开始急剧下降。这表明，例如增厚底漆或提高颜料负载可以将系统推入更安全的运行区间。

这对现实材料意味着什么

简而言之，这项工作表明机器可以从大量复杂的腐蚀模拟中学习出关键规律，然后几乎即时地指导如何调整涂层配方。工程师无需为每个新设计运行数百个耗时的数值模型或实验，就可以使用此类代理模型缩小颜料含量、涂层厚度和预期服役条件的有希望组合范围。尽管该方法仍继承了底层物理模型的简化，并且不应在训练范围之外大幅外推，但它提供了一条强有力的捷径。最终，这类数字工具包有望帮助研究者替代有害化学品，加速更安全、更耐用的铝合金保护涂层推向市场。

引用: 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

关键词: 腐蚀防护, 铝合金, 保护涂层, 机器学习, 有限元建模