Машинное обучение выявило факторы коррозионной стойкости покрытий на алюминии

Исследователи из Технологического института Сибаура (Япония) применили алгоритмы машинного обучения для анализа влияния параметров парового покрытия на развитие питтинговой коррозии алюминиевого сплава A6061-T6. Результаты работы, опубликованные 18 августа 2026 года в журнале npj Materials Degradation, позволили разделить влияние физических изменений поверхности от технологических параметров процесса.

Метод анализа и параметры исследования

Группа под руководством профессора Такахиро Исизаки и магистра Кэй Масухары использовала интерпретируемый подход на базе Random Forest, дополненный методами SHAP и ALE. Вместо использования только температуры и времени обработки, модель обучалась на 90 образцах с четырьмя физическими дескрипторами:

• толщина боэмитовой пленки;
• шероховатость поверхности (SQ);
• размер кристаллитов (CS);
• индекс плотности дислокаций подложки (FS).

Целевым показателем служил питтинговый потенциал в 5% растворе NaCl при комнатной температуре. Для получения данных применялись рентгеновская дифракция, конфокальная лазерная сканирующая микроскопия и просвечивающая электронная микроскопия.

Результаты моделирования

Применение физических дескрипторов обеспечило более точное прогнозирование сопротивляемости питтингу, чем модели, опирающиеся исключительно на параметры режима парового покрытия. Использование методов SHAP и ALE позволило количественно оценить вклад каждого параметра и проследить, как изменение одного свойства (например, толщины пленки) влияет на итоговую коррозионную стойкость в зависимости от других характеристик поверхности.

Источник — Bioengineer.org