هوش مصنوعی نشان می دهد که چگونه ضخامت پوشش پیوند بین زبری سطح و مقاومت در برابر سوراخ شدن را تغییر می دهد

ویرایش شده توسط Swati Mestri، بررسی توسط Robert Egan

این مقاله با توجه به روند و سیاست‌های ویرایشی Science X بررسی شده است. ویراستاران ضمن اطمینان از اعتبار محتوا، ویژگی های زیر را برجسته کرده اند:

خوردگی حفره‌ای موضعی می‌تواند باعث خرابی ناگهانی قطعات آلومینیومی شود حتی زمانی که نرخ خوردگی کلی پایین باشد. پوشش بخار یک مسیر مبتنی بر بخار آب را برای لایه‌های محافظ بوهمیت ارائه می‌کند، اما پردازش به طور همزمان ضخامت لایه، مورفولوژی سطح، بلورینگی و نقص زیرلایه را تغییر می‌دهد.

این تغییرات در هم تنیده تعیین اینکه کدام ویژگی های فیزیکی بر مقاومت خوردگی حاکم است و اینکه پوشش ها چگونه باید بهینه شوند را دشوار می کند.

برای رسیدگی به این چالش، یک تیم تحقیقاتی به رهبری پروفسور تاکاهیرو ایشیزاکی و دانشجوی کارشناسی ارشد کی ماسوهارا از موسسه فناوری شیباورا (SIT) در ژاپن از یک چارچوب یادگیری ماشینی قابل تفسیر برای بررسی 90 نمونه آلومینیومی A6061-T6 با پوشش بخار استفاده کردند.

چهار توصیف کننده - ضخامت فیلم (FT)، مورفولوژی سطح (SQ)، اندازه کریستال (CS) و شاخص چگالی جابجایی بستر - با استفاده از جنگل تصادفی، توضیحات افزودنی Shapley و اثرات محلی انباشته مورد تجزیه و تحلیل قرار گرفتند.

یافته های آنها به صورت آنلاین در مجله npj Materials Degradation در 18 اوت 2026 منتشر شد.

محققان مقاومت حفره ای را با اندازه گیری پتانسیل حفره ای - ولتاژی که در آن خوردگی موضعی شروع می شود - در محلول کلرید سدیم 5 درصد وزنی در دمای اتاق ارزیابی کردند. مقادیر بالاتر نشان دهنده مقاومت بیشتر در برابر حفره شدن در این شرایط تست است. مورفولوژی سطح به عنوان ارتفاع سطح ریشه-میانگین مربع، اندازه گیری زبری سطح که به عنوان SQ نشان داده می شود، اندازه گیری شد.

ایشیزاکی می‌گوید: «ما می‌خواستیم بفهمیم کدام ویژگی‌های پوشش بر توانایی آن در جلوگیری از خوردگی حفره‌ای تأثیر می‌گذارد. "تحلیل ما نشان داد که اهمیت این ویژگی ها با رشد پوشش تغییر می کند." مدل یادگیری ماشینی مقاومت در برابر خوردگی را با دقت بیشتری نسبت به مدلی که فقط بر اساس دمای پوشش و زمان درمان است، پیش‌بینی می‌کرد.

تجزیه و تحلیل زبری سطح و ضخامت لایه را به عنوان توصیفگرهای اصلی در مدل شناسایی کرد. برای نمونه‌هایی با مقادیر SQ تقریبا 600 تا 1080 نانومتر، برهمکنش مدل‌سازی‌شده بین زبری و ضخامت از مثبت به منفی نزدیک به ضخامت لایه‌ای 2200 نانومتر تغییر کرد.

این معکوس به برهمکنش بین دو توصیفگر مربوط می شود، نه به مقاومت خوردگی کلی هر پوشش بالاتر یا کمتر از آن ضخامت. همان معکوس در محدوده زبری کمتر مشاهده نشد.

محققان این الگو را به عنوان یک تغییر احتمالی در آنچه زبری سطح در طول رشد فیلم نشان می دهد تفسیر می کنند. در پوشش های نازک تر، زبری ممکن است منعکس کننده ایجاد پوشش محافظ باشد. در پوشش‌های ضخیم‌تر، ممکن است در عوض با بی‌نظمی‌های ساختاری همراه باشد که مسیرهایی را برای گونه‌های خورنده فراهم می‌کند. این تفاسیر فرضیه هایی باقی می مانند که نیاز به آزمایش های تجربی بیشتری دارند.

این تجزیه و تحلیل همچنین یک تعامل وابسته به منطقه بین زبری سطح و CS را شناسایی کرد، که نشان می‌دهد ترکیب آنها بیش از یک قانون ساده "بزرگتر بهتر است" اهمیت دارد.

این یافته‌ها دستورالعمل‌هایی را برای بهینه‌سازی پوشش‌های محافظ مبتنی بر بخار آب روی آلیاژهای سبک آلومینیوم پیشنهاد می‌کنند. در نظر گرفتن ضخامت لایه و زبری سطح در کنار هم می تواند به توسعه پوشش آینده کمک کند. توصیفگرها با استفاده از پراش اشعه ایکس، میکروسکوپ روبشی لیزری کانفوکال و میکروسکوپ الکترونی مقطعی به دست آمدند. با اعتبار سنجی بیشتر، چنین اندازه گیری هایی می تواند از ارزیابی پوشش داده محور و کنترل کیفیت پشتیبانی کند.

ایشیزاکی می گوید: "بینش کلیدی این است که زبری بالاتر نباید به طور خودکار مفید یا مضر در نظر گرفته شود." "معنای آن به رژیم رشد فیلم بستگی دارد. مدل ما تغییری نزدیک به 2200 نانومتر در محدوده زبری بالاتر مورد بررسی را پیشنهاد می‌کند. این نشان می‌دهد که چرا طراحی پوشش باید نحوه تعامل ویژگی‌های فیزیکی را در نظر بگیرد."

تحلیل مونت کارلو تخمین زد که عدم قطعیت در اندازه‌گیری‌های توصیفگر تقریبا 0.080 ولت به تغییرپذیری پیش‌بینی کمک می‌کند، در مقایسه با مدل کلی RMSE 0.292 V. این نشان می‌دهد که عدم قطعیت اندازه‌گیری به تنهایی نمی‌تواند خطای پیش‌بینی باقی‌مانده را توضیح دهد.

به طور کلی، این مطالعه نشان می‌دهد که چگونه یادگیری ماشینی قابل تفسیر می‌تواند تغییرات رژیم معنادار فیزیکی را در سیستم‌های پوشش پیچیده به جای پیش‌بینی رفتار خوردگی آشکار کند. انتقال SQ-FT شناسایی شده و سایر تعاملات وابسته به منطقه، فرضیه های مدل را برای اعتبار سنجی آزمایشی آینده ارائه می دهد و ممکن است یک استراتژی قابل انتقال برای سایر مواد کنترل شده با رابط، از جمله پوشش های مانع محیطی و فازهای میانی باتری ارائه دهد.

کی ماسوهارا و همکاران، یادگیری ماشینی قابل تفسیر، تغییر رژیم مورفولوژیکی حاکم بر مقاومت حفره‌ای را در فیلم‌های بوهمیت پوشش داده شده با بخار، npj مواد تخریب (2026) نشان می‌دهد. DOI: 10.1038/s41529-026-00862-0

سواتی مستری دارای مدرک لیسانس در مهندسی الکترونیک است و از سال 2019 به عنوان ویرایشگر محتوا کار کرده است. او ویرایش اسناد تحقیقاتی در زمینه فناوری، مراقبت های بهداشتی و علم مواد را تجربه کرده است و علاقه خاصی به فناوری و فضا دارد. نمایه کامل →

لیسانس زیست شناسی ریاضی، کارشناسی ارشد در نوشتن خلاق. خوش سفر با دیدگاه های منحصر به فرد در علم و زبان. نمایه کامل →