Page 165 - 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

图 3 结果表明，RM、NN 及 DT 在现有数据集中预 表3 固化剂的典型特征
测效果明显比其余 3 种的好；可能的原因在于 LR 和 Table 3 Typical characteristics of curing agent
#
#
#
BLR适合简单且线性的应用场景，但涂料的性能往往 项目 1 固化剂 2 固化剂 3 固化剂
并不一定与材料典型特征值存在线性关系，因此并 —NCO含量/% 21. 8 23. 5 21. 5
不适合涂层材料的性能预测。而 SVR 适用于高维数 三聚体含量/% 62. 1 73. 3 48. 2
据的场景，特别是在特征数量远大于样本数量时，本
型，反应活性基团的比值（本研究为—NCO 与—OH
项目特征数量相对较少，因此不适用 SVR。
的物质的量比，又称 R值）对体系的影响较大，因此在
进一步对比发现，相同测试集比例的情况下，6种
进行正交设计过程中也将这一因素考虑在内，正交
算法中 RM 预测效果最好，这可能源于 RM 是 DT的延
试验因素和水平见表 4。
伸，它通过组合多个DT的结果来提高预测的准确性。
表4 正交试验因素水平
对于RM算法来说，随着测试集比例的提高，R 整体趋
2
Table 4 Orthogonal experimental factor level
势在下降。因此，为了能够保持尽可能多的测试集比
例，同时体系仍有较好的泛化能力，综合考虑机器学 水平 羟基丙烯酸树脂 固化剂 R值
习算法选择 RM，数据集为 1 000 条，测试集比例选择 类型（A） 类型（B） （C）
#
1 CTR6298 1 固化剂 1. 05
0. 2，引入上文中 5 种典型特征，所得训练模型对新设
#
2 CTR6225 2 固化剂 1. 1
计的防腐涂料配方进行耐老化性的预测。 3 固化剂
#
2. 4 基于新型树脂和固化剂的防腐涂料性能 3 CTR6277E 1. 15
预测和实验验证 2. 4. 2 防 涂料性能 测
前期预测模型已建立，通常情况下可以给定一个 依据不同的羟基丙烯酸树脂和异氰酸酯固化剂
性能范围，找到这个范围内的最优解进行验证；但是这 类型、不同 R值，其他条件保持不变设计正交试验，以
种方法往往需要上万条或更多数据集作为基础才能达 RM 训练模型预测出的耐老化性作为正交试验结果
到预期效果。而目前涂料领域面临“小样本”难题，往 分析的依据，选用 L（3）进行正交试验，通过正交试
3
9
往缺乏实验及测试数据，因而现有模型难以实现。 验筛选出最佳试验条件。正交试验设计结果见表 5。
因此，在保持 AI训练模型质量的前提下，为了减
少后期模型复用中的无效实验量，本研究创新性通 Table 5 表5 正交试验设计结果
Orthogonal experimental results
过“AI 预测+正交设计”进行配方优化设计，明确影响
因素
防腐涂料性能的因素，通过变化因素的变量水平，预 试验号 耐老化性/h
测一系列高质量涂料配方的耐老化性，并最终对性 A B C
1 1 1 1 1 189
能优异的配方加以验证。
2 1 2 2 1 200
2. 4. 1 征和因 水平的 定
3 1 3 3 1 332
选取 3 种新型羟基丙烯酸树脂（CTR6298、
4 2 1 2 1 100
CTR6225、CTR6277E），3 种不同的异氰酸酯固化剂 5 2 2 3 1 169
（1 、2 、3），其典型特征见表 2 和表 3，其中羟基含量 6 2 3 1 1 260
#
#
#
和苯乙烯含量由厂家提供。 7 3 1 3 1 323
表2 羟基丙烯酸树脂的典型特征 8 3 2 1 1 275
Table 2 Typical characteristics of hydroxyl acrylate 9 3 3 2 1 404
resin K 1 3 721 3 612 3 724
项目 CTR6298 CTR6225 CTR6277E K 2 3 529 3 644 3 704
K 4 002 3 996 3 824
羟基含量/% 4. 2 2. 5 3 3
k 1 240 1 204 1 241
T /K 327 311 308 1
k 1 176 1 215 1 235
g
苯乙烯含量/% 15 11 9 2
k 1 334 1 332 1 275
3
在防腐涂料的研发中，除了树脂和固化剂的类 R 158 128 40
162