Модели ИИ учат физике: обзор выявил пять слабых мест в прогнозировании коррозии покрытий

Прогнозирование деградации покрытий и коррозии переходит от эмпирических регрессионных моделей к научному машинному обучению. Этот подход встраивает в модели, обучаемые на данных, физические уравнения, геометрию объекта и оценку неопределённости. Критический обзор, опубликованный в журнале Coatings, разбирает применяемые методы и указывает на систематические слабости нынешних решений.

Что рассматривалось

Обзор охватывает пять классов методов применительно к защитным покрытиям и локальной коррозии:

— физически информированные нейронные сети (PINN);
— нейронные операторы;
— фазово-полевые гибридные модели;
— графовые нейронные сети;
— вероятностные модели.

Методологическая особенность работы: авторы классифицируют публикации не по названиям моделей, а по механизму, через который физическое знание входит в модель. Это даёт основу для сопоставления результатов между разными материалами, классами покрытий и коррозионными средами — чего при обычной классификации по типам алгоритмов не получается.

Пять ограничений

Обзор выделяет пять устойчивых недостатков современных подходов.

Размерно несогласованные составные функции потерь. При обучении модель минимизирует комбинированную ошибку, складывающую слагаемые разной физической размерности. Формально это работает, но лишает результат физического смысла и делает подбор весовых коэффициентов произвольным.

Неполное соблюдение законов сохранения и термодинамической необратимости. Модель может выдать результат, нарушающий баланс массы или предполагающий самопроизвольное обращение коррозионного процесса — физически невозможный сценарий.

Недостаточный учёт аномального переноса и памяти материала. Диффузия в покрытии часто отклоняется от классических законов, а состояние системы зависит от предыстории воздействий, которую стандартные модели не удерживают.

Потеря топологической информации при зарождении и слиянии питтингов. Локальная коррозия развивается через возникновение отдельных очагов и их последующее слияние. Модели, работающие с усреднёнными полями, эту дискретную геометрию не сохраняют.

Слабая валидация вне обучающего распределения. Модель, точная на данных, похожих на обучающие, теряет надёжность при выходе за их пределы — то есть ровно тогда, когда прогноз нужнее всего.

Почему это важно на практике

Перечисленные недостатки, по оценке авторов, ограничивают надёжность моделей применительно к реальным промышленным данным. А эти данные разнородны: результаты электрохимической импедансной спектроскопии, ультразвуковая толщинометрия, изображения поверхности, истории условий эксплуатации, данные по потере массы.

Практическое следствие формулируется прямо: достоверные цифровые двойники коррозии должны сохранять физическую допустимость результата и передавать оценку неопределённости дальше — в расчёт структурного риска, планирование обследований и решения по обслуживанию. Фокус только на точности интерполяции для этих задач недостаточен.

Логика здесь принципиальная. Если модель используется для решения о том, когда обследовать резервуар или заменить покрытие на трубопроводе, недопустимо, чтобы она выдавала физически невозможные результаты — даже если на тестовой выборке она показывает высокую точность. Инженеру нужна не только оценка, но и понимание, насколько ей можно доверять.

Предложенная исследовательская рамка

Авторы предлагают концепцию, обозначенную как термо-дробный графовый фазово-полевой нейронный оператор (TFG–PFNO). Она объединяет дробные операторы памяти, графовое представление геометрии, фазово-полевую эволюцию границ раздела, метриплектическую динамику и калиброванную оценку неопределённости. Графовые энкодеры описывают химию материала и нерегулярную геометрию, а вероятностные выходы предсказывают одновременно поля деградации и их неопределённость.

Существенная оговорка: рамка представлена как исследовательская гипотеза, а не валидированная модель. Она предназначена для направления дальнейших работ по реализации, проверке вклада отдельных компонентов и экспериментальной валидации.

Отдельно авторы приводят карту доказательности на уровне отдельных исследований, разделяющую возможности, продемонстрированные экспериментально, подтверждённые только на симуляциях и остающиеся концептуальными. Такое разделение полезно само по себе: в публикациях по машинному обучению граница между работающим решением и заявленным потенциалом часто размыта.

Масштаб задачи

Авторы обосновывают значимость направления экономикой: глобальные издержки от коррозии оцениваются примерно в 2,5 трлн долларов в год, что соответствует около 3,4% мирового валового продукта. Наибольшую долю усилий по их снижению принимают на себя защитные покрытия.

Контекст

Работа дополняет складывающуюся картину применения искусственного интеллекта в лакокрасочной индустрии, где отчётливо различаются несколько направлений: молекулярный дизайн и разработка рецептур, прикладная колористика, управление знанием и данными в исследованиях, а теперь и прогнозирование срока службы покрытий. Крупные производители уже переводят исследовательские подразделения на единые платформы с искусственным интеллектом — так, AkzoNobel охватывает такой платформой 70 своих лабораторий.

Последнее направление отличается от остальных характером требований. Ошибка в подборе рецептуры обнаруживается на испытаниях; ошибка в прогнозе остаточного ресурса антикоррозионного покрытия на промышленном объекте может проявиться отказом конструкции. Именно поэтому требование физической состоятельности модели здесь не академическая строгость, а условие применимости.

Для российской антикоррозионной индустрии направление представляет интерес прежде всего в контексте управления активами в нефтегазовом комплексе, где планирование обследований и ремонтов защитных покрытий на протяжённых объектах — практическая задача с прямым экономическим измерением.