Page 162 - 2025年7月防腐蚀专辑

王亚鑫等：人工智能技术在防腐涂料研发中的应用研究

parameters. In the process of reusing and validating AI models，an innovative approach of

“artificial intelligence prediction + orthogonal design”was adopted for the optimization design
and validation of new anti-corrosion formulas. Compared with the research methods based on
empirical trial and error and orthogonal experiment，he experimental requirements of the new
t
method were reduced by 93% and 78% respectively，ignificantly improving the efficiency of
s
new coating research and development，educing research and development costs，and helping
r
to solve the "small sample" problem faced by intelligent material research and development.
Key words：anticorrosive coatings；research and development efficiency；machine
a
a
learning；rtificial intelligence model；ging resistance
随着工业的高速发展，大型钢结构、海洋船舶及 量虚拟结构（约 24万种候选的环氧树脂结构）进行了
海上设施对涂料的耐腐蚀性等提出了更高的要 高通量预测和筛选，得到了 10余种兼具高拉伸强度、
求 。传统的防腐涂料开发中，大多由研发人员从 高韧特性的新型环氧树脂结构。实验验证表明，新
[1]
成膜物质结构和组成的设计开始，搭配颜填料在多 型环氧树脂断裂伸长率可达 6. 7%，有效解决了环氧
次迭代后完成最终产品的开发。整个研发过程的快 树脂的脆性难题。纪皓迪等 通过对比不同电化学
[9]
k
慢在很大程度上取决于研发人员的经验，研发周期 特征以及支持向量机、 最近邻和随机森林等 3 种不
较长、成本较高 。2022 年以来，人工智能技术的成 同机器学习算法训练得到的分类器模型的预测准确
[2]
熟，标志着人工智能技术自 AlphaGo 后的又一次大 率，选取适合有机防腐涂层性能快速评估的分类器
的突破，其中尤以 ChatGPT 成功为标志性事件，为智 模型和特征集，展现出机器学习方法在涂层性能预
能设计满足性能要求的涂层材料提供了新的思 测和评估方面的可行性，为涂层研究提供了新的思
路 [3-4] 。人工智能（AI）技术在涂料配方设计方面的 路和方法。
应用是一种新兴的技术，它可以利用机器学习等方 然而，人工智能技术如何用于防腐涂料的智能
法来实现智能化的涂料配方设计，从而提高涂料配 设计 ，一直是计算机应用、人工智能和涂料化工
方的研发效率 [5-6] 。 3 个学科领域交叉融通、碰撞衍生的一个难题。尽
DOW™ Paint Vision 是陶氏化学开发的数字化涂 管上述研究通过机器学习构建材料性能预测模型，
料配方平台，融合了其数十年的大量实验数据，并将 可有效辅助涂料智能设计，但防腐涂层材料的实验
其与终端涂料用户的性能需求相结合，应用机器学 数据往往匮乏，同时特征提取和筛选困难重重，都
习建模技术简化配方开发过程，可大幅提高新型配 阻碍了人工智能技术应用于涂料化工领域的智能
方的研发效率 。 赢创开发出涂料配方数字助手 设计。
COATINO ，通过 AI 自动化合成设备制备并表征涂 防腐涂料一般分为底漆、中间漆及面漆；由羟基
®
料，导入 COATINO ，优化数据库；此外，数据库还包 丙烯酸树脂与聚氨酯固化剂制得的丙烯酸聚氨酯面
®
括了赢创添加剂专家数十年的经验，为涂料配方师 漆，以其优异的耐老化性、高丰满度等特点，是防腐
提供树脂、颜填料配方推荐，满足各应用领域的不同 涂料不可或缺的关键组分 。本研究针对现有防腐
[10]
需求。以上是 AI 技术在典型涂料化工企业的应用， 涂料配方设计研发成本高、效率低的问题，以防腐面
主要通过建立数据库，利用 AI 技术预测涂料性能或 漆为切入点，以点带面地探索人工智能技术在防腐
优化现有配方；但是往往需要较多的实测数据，才能 涂料研发中的应用；研究过程中一方面通过防腐配
对数据进行建模，以达到 AI 预测性能的效果。 方数据量、典型特征的数量、机器学习算法种类及测
Liu 等 利用主动学习与贝叶斯全局优化算法相 试集比例的优选，构建耐老化性能预测效果最优的
[7]
结合的策略，预测和优化含有缓蚀填料的环氧涂层 AI 预测模型；另一方面，在模型复用的过程中，创新
的自修复效率；基于 52 个实验样本，从超过 16 000种 性地通过“AI 技术+正交设计”进行防腐配方优化设
配方空间中快速获得兼具高屏蔽性和自修复效率的 计和验证，有助于解决材料智能研发面临的“小样
环氧涂层。Hu等 通过机器学习性能预估模型，对海 本”难题，大幅减少无效实验量。
[8]
159