智能涂层设计:利用机器学习预测涂层耐久性
来自 实验室仪器网
最近发表的一项研究引入了一个两阶段机器学习(ML)框架,该框架可预测保护涂层在各种环境条件下的降解。通过整合有关环境压力源、材料性能变化和腐蚀指标的数据,该模型提供了一种更准确的方法来预测涂层失效。
保护涂料,尤其是聚氨酯(PU)等有机类型涂料,在防止基础设施腐蚀方面发挥着关键作用。然而,随着时间的推移,紫外线(UV)辐射、湿度和温度波动等环境因素会损害它们的耐用性。这些应力源会降低关键的表面特性,包括光泽度、附着力和水接触角(WCA)。
传统的实证模型往往无法捕捉气候对材料降解的复杂非线性影响,部分原因是真实世界的测试数据有限。最近的ML进步,尤其是在半监督和分类算法方面,可以更好地处理大型、多样化的数据集,即使标记数据稀疏也是如此。
研究人员采用了两阶段建模策略。在第一阶段,PU涂料在9个不同的地理位置(包括开罗、吉达、新加坡和伊斯兰堡)暴露在户外环境中一年。这些站点提供了多种环境输入,这些输入与涂层性能随时间的变化有关。
为了分析这些关系,该团队开发了一个半监督的协同训练回归模型。在测试的选项中,减少的四变量版本的COREG(与随机森林的协同训练回归)表现最好,显示出最低的均方根误差(RMSE)。这一结果强调了使用Pearson相关性和重要性排名进行选择性特征过滤的价值。
第二阶段使用预测的材料属性作为单独ML层的输入。该层包括支持向量回归(SVR)、人工神经网络(ANN)和AdaBoost,估计了它们与腐蚀失效的联系。电化学阻抗谱(EIS)数据用作降解基准。还引入了二元分类器来区分受损和完整的涂层。
为了提高模型的准确性,研究人员添加了来自加速室内老化模拟的数据。这些测试包括50°C(60W/m²)的紫外线暴露和40°C的盐雾暴露,使用5.0wt%氯化钠,为期三个为期两天的周期。这增加了37个新数据点,并提高了模型的稳健性。使用SHapley添加剂解释(SHAP)解释特征贡献,该解释强调附着力是耐腐蚀性的最重要预测指标,其次是WCA和光泽度。
ML模型实现了很高的准确性。特别是AdaBoost,它提供了一个R2值为0.83,并且在识别涂层损伤方面表现出完美的精度。使用较少输入变量的模型优于使用完整数据集的模型,这可能是由于更好的泛化和更少的过度拟合。
环境因素以不同的方式影响物理特性。平均温度和湿度会影响附着力和光泽度,而紫外线照射和气压在黄变中起着更大的作用。
该模型还揭示了特定于地点的差异:例如,吉达的涂层具有最高的附着力(6.97MPa),而湿度较高的Cilacap的涂层具有最低的附着力(4.03MPa)。光泽度值也因地区而异,尼泊尔最高(22.14GU),Cilacap最低(8.00GU)。
4-CORF模型在预测物理特性方面始终提供最低的RMSE,突出了目标特征选择与半监督学习相结合的好处。
加速老化测试进一步证实,光泽度、附着力和阻抗模量呈正相关,表明保持较好表面完整性的涂层也能更有效地抵抗腐蚀。事实证明,AdaBoost在二元分类方面也很强大,增强了它在性能预测和损伤检测方面的实用性。
这个两阶段预测系统为海洋、运输、能源和建筑等行业提供了实用价值。它支持远程监控涂层性能、早期损坏检测和明智的维护计划。
在沙漠或沿海地区等恶劣环境中,该模型可以指导选择适合当地条件的涂料。它还通过阐明光泽和附着力等表面特性如何影响长期耐久性来支持下一代涂料的开发。
"智能涂层设计:利用机器学习预测涂层耐久性"相关
采购、售后(仪器设备提交仪器设备信息