Page 166 - 2025年7月防腐蚀专辑
P. 166
王亚鑫等：人工智能技术在防腐涂料研发中的应用研究
从表 5 可以发现，依据 3 个因素作用大小，在制 化剂所得涂料的耐老化性的能力。
备聚氨酯面漆时，重点考虑羟基丙烯酸树脂类型，其 （3）研究中通过“AI 预测+正交设计”的新方法对
次考虑异氰酸酯固化剂类型和 R 值。最优水平为 新型羟基丙烯酸酯树脂和异氰酸酯固化剂制备的涂
B C ，不在试验设计中，因此进行相关试验并编号 料进行性能预测和验证，结果发现新方法所需实验
3 3
A 3
为10。 量相对经验试错法、正交实验法分别减少 93%、78%，
2. 4. 3 防 涂料性能验证 有助于解决材料智能研发面临的“小样本”难题，研
为了获得耐老化性最优的防腐涂料配方，同时 发效率获得极大提升。
验证随机森林模型的准确性，分别采用 AI 模型预测
参考文献
和试验测试得到试验 9 和试验 10 涂料的耐老化性，
结果见表6。 [ 1 ] HOU B R，LI X G，MA X M，et al. The cost of corrosion in
China[J]. npj Materials Degradation，2017，1（1）：4.
表6 2种涂料耐老化性验证结果 [ 2 ] 王亚鑫，饶兴兴，汪辉辉，等 . 材料基因工程技术在高分
Table 6 Aging resistance of two coatings 子聚 合物中 的应用 [J]. 涂层 与防护 ，2022，43（7）：
项目 试验9 试验10 49-57.
羟基丙烯酸树脂类型 CTR6277E WANG Y X，RAO X X，WANG H H，et al. Application of
固化剂类型 3 固化剂 materials genome engineering in polymer[J]. Coating and
#
R值 1. 10 1. 15 Protection，2022，43（7）：49-57.
[ 3 ] BAGAL V，AGGARWAL R，VINOD P K，et al. MolGPT：
AI模型预测 1 404 1 430
耐老化性/h molecular generation using a transformer-decoder model[J].
实验测试 1 384 1 405
Journal of Chemical Information and Modeling，2022，
从表 6 可知，AI 模型的预测值与实测值基本吻 62（9）：2064-2076.
[ 4 ] BURGER B，MAFFETTONE P M，GUSEV V V，t al. A mobile
e
合，但是仅仅依靠 AI 模型进行原始 9 种配方性能预
robotic chemist[J]. Nature，2020，583（7815）：237-241.
测，存在一定的局限性，确定的最优配方的耐老化性
[ 5 ] GAN M，LU T，YU W，et al. Capturing and visualizing the
不如“AI 技术+正交设计”确定的最优配方。以上验
phase transition mediated thermal stress of thermal barrier
证结果表明，上述树脂和固化剂的性能筛选中，采用
coating materials via a cross-scale integrated computational
经验试错法的研发模式，通常需要 27个实验；采用正 approach[J]. Journal of Advanced Ceramics，2024，13（4）：
交实验进行实验，需要 9 个实验；但采用“AI 技术+正 413-428.
交设计”的模式进行实验，仅需 2个验证实验，实验量 [ 6 ] BALASUBRAMANIAN V，NIKSAN O，JAIN M C，et al.
相对经验试错法、正交实验法分别减少 93%、78%，研 Non-destructive erosive wear monitoring of multi-layer coatings
发效率获得极大提升，有助于解决材料智能研发面 using AI-enabled differential split ring resonator based
4
临的“小样本”难题。 system[J]. Nature Communications，2023，14（1）：916-4927.
[ 7 ] LIU T，CHEN Z，YANG J，et al. Machine learning assisted
3 结 语 discovery of high-efficiency self-healing epoxy coating for
corrosion protection[J]. npj Materials Degradation，2024，
（1）通过优选合适数据量、特征/标签、机器学习 8（1）：11-20.
算法种类及测试集比例，训练出可进行耐老化性能 [ 8 ] HU Y，ZHAO W，WANG L，et al. Machine-learning-
预测的 AI 模型。AI 模型的构建参数如下：数据量 assisted design of highly tough thermosetting polymers[J].
ACS Applied Materials & Interfaces，2022，14：55004-
1 000 条，典型特征参数 5 个，测试集比例为 0. 2，机器
55016.
学习算法选择随机森林算法，所构建的 AI 模型预测
[ 9 ] 纪皓迪，马小兵. 基于机器学习分类算法解析EIS数据的
效果最优。 有机涂层性能评价方法[J]. 装备环境工程，2024，21（5）：
（2）从分子结构的角度，通过萃取材料典型特征 142-149.
参数的方法，将树脂和固化剂的典型特征参数考虑 JI H D，MA X B. An organic coating performance
在内，挖掘“结构-性能”构型关系，使得 AI 模型的可 assessment method based on machine learning
拓展性大大提升，具有能够预测不同类型树脂或固
163
