通过机器学习历史测试数据提出的新型防腐蚀涂层配方

为什么更智能的涂料很重要

钢铁桥梁、船舶、汽车和建筑都依赖涂料来抵御锈蚀。然而，设计一种保护性涂层仍常常是一种通过反复试验习得的手艺。这项研究展示了一种人工智能方法如何从以往测试结果中筛选，提出可与现有产品同样甚至更优的抗腐蚀油漆，同时探索那些人类专家很可能从未尝试的成分组合。

无尽配方带来的挑战

现代防护涂料是树脂、颜料、缓蚀剂、着色剂及其它添加剂的复杂混合物。每种成分都可按不同用量和组合使用，产生天文数字般的可能配方。即便只在实验室测试极少一部分也既缓慢又昂贵，因此公司往往只在已知优良配方附近探索熟悉的领地。这就使得发现可能表现更好或更高效利用成分的非常规混合物变得困难。

把旧测试面板变成一张地图

作者收集了492次在钢板上进行的盐雾腐蚀历史测试结果，这些钢板涂覆的是含有148种不同成分的水性涂料。每种涂层都按标准视觉量表对锈蚀和鼓泡情况进行了评级。利用这些数据，团队训练了一个机器学习模型，具体为随机森林，用于预测给定配方的评分。然后他们将庞大的可能配方空间视为一幅景观图，其中每个点代表一种配方，高度表示腐蚀性能。第二个算法——差分进化——被用来在此景观中漫游，搜索对应有希望新配方的高点。

数字指南的表现如何

该模型能够以高准确率将涂层分类为在油膜内部鼓泡方面表现好或差，并且在预测划痕周围的锈蚀和鼓泡方面的表现也优于随机。当研究者检查哪些因素最为关键时，发现测试持续时间、金属类型、涂层层数和树脂选择主导了性能，这与实际经验一致。一些结果则更令人惊讶：例如，某些着色剂和中和剂看起来比用量较少的缓蚀剂更有影响力，暗示了成分之间存在复杂相互作用。

测试两种令人意外的新涂料

为了验证他们的虚拟探索在现实中的有效性，团队选择了两种机器建议的配方并制成小批量涂料。这些涂料在持续超过700小时的严格循环盐雾测试中与一个标准参考涂层进行了比较。一种建议的涂料采用了两种单独表现都不佳的树脂的非同寻常混合，在整体抗锈方面与参考涂层不相上下，并且在划痕周围表现更好。第二种基于一种在传统筛选中曾失败的树脂，表现略差，但相比其早期声誉仍显示出改进的行为。

这对未来涂层意味着什么

这项工作证明了机器学习可以在寻找更好防护涂料的过程中提供指导，即便只有有限的历史数据且模型对粘度或硬度等物理属性一无所知。该方法并非替代有经验的配方师，而是作为智能助手，提出值得实验的非显而易见的组合。随着更多数据和成分细节的加入，类似工具可望缩短开发周期、拓宽可行配方范围，并帮助发现新的、有时是违反直觉的方式来防止金属结构生锈。

引用: 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

关键词: 腐蚀涂层, 机器学习, 防护涂料, 钢材腐蚀, 材料设计