物理信息AI模型攻克涂层腐蚀预测难题

正文

本文由新莱福 MIM 转载。所有权利属于原出版商；请参阅下方来源。

一篇批判性综述评估了用于预测涂层降解和腐蚀的科学机器学习（SciML）方法，指出了当前数据驱动模型的五个持续存在的局限性。作者提出了一种将基于物理的约束与数据驱动学习相结合的新框架，以实现更可靠的资产管理数字孪生。

涂层降解和腐蚀的预测正经历从经验回归模型向科学机器学习（SciML）的转变，后者将控制方程、几何形状和不确定性直接整合到数据驱动方法中。最近的一篇批判性综述探讨了物理信息神经网络（PINN）、神经算子、相场混合模型、图神经网络和概率模型，重点关注保护性涂层和局部腐蚀。作者根据物理知识进入模型的机制（而不仅仅是模型名称）对文献进行分类，为跨材料、涂层类别和腐蚀环境的比较提供了结构化的基础。

该综述指出了当前SciML方法的五个持续存在的局限性：维度不一致的复合损失函数、对守恒和热力学不可逆性的约束执行不完整、对异常传输和材料记忆的处理不足、点蚀成核和聚结过程中拓扑信息的丢失，以及分布外验证薄弱。这些缺陷表明，当应用于通常结合电化学阻抗谱（EIS）、超声波厚度测量、表面图像、环境历史和质量损失数据的真实工业数据时，学习模型的可靠性会受到限制。

提出的框架及其对数字孪生的影响

在此分析的基础上，作者提出了一种热分数图相场神经算子（TFG-PFNO）作为研究框架，而非经过验证的模型。该概念结合了分数记忆算子、基于图的几何表示、相场界面演化、度量辛动力学和校准的不确定性量化。图编码器表示材料化学和不规则几何形状，而概率输出则预测降解场及其不确定性。该框架作为一个可检验的假设提出，旨在指导未来的实施、消融研究和实验验证。

研究级别的证据图区分了实验证明的能力与仅通过模拟验证或仍停留在概念阶段的能力。作者认为，可信的腐蚀数字孪生必须保持物理合理性，并将不确定性传播到结构风险、检查规划和维护决策中，而不是仅仅关注插值精度。鉴于估计的全球腐蚀成本约为每年2.5万亿美元（约占全球GDP的3.4%），其中保护性涂层吸收了最大份额的缓解工作，该综述将符合物理规律的SciML定位为涂料界具有战略相关性的发展方向。

资讯来源

- european-coatings.com (2026-09-01) - 原文：物理信息AI模型攻克涂层腐蚀预测难题 - European Coatings - https://european-coatings.com/news/coatings-technologies/physics-informed-ai-models-tackle-coating-corrosion-prediction