تلفیق یادگیری ماشین، نظریه تابعی چگالی و دینامیک مولکولی برای طراحی هوشمند بازدارنده‌های خوردگی
یک مقاله مروری انتقادی درباره پژوهش‌های محاسباتی در زمینه خوردگی نتیجه می‌گیرد که ترکیب یادگیری ماشین، نظریه تابعی چگالی و دینامیک مولکولی می‌تواند فرایند طراحی بازدارنده‌های خوردگی را سرعت ببخشد؛ بااین‌حال، سامانه‌های کنونی همچنان پراکنده‌اند، از کمبود داده رنج می‌برند و برای استفاده قابل‌اعتماد در صنعت به‌اندازه کافی اعتبارسنجی نشده‌اند. این بررسی عمدتاً بر بازدارنده‌های آلی برای فولاد کم‌کربن در محیط‌های اسیدی تمرکز دارد؛ محیط‌هایی که در آن‌ها از اسید کلریدریک و اسید سولفوریک در اسیدشویی، پاک‌سازی اسیدی، پالایش نفت و فرایندهای شیمیایی استفاده می‌شود. هدف مقاله معرفی یک بازدارنده جدید نیست، بلکه ارزیابی راه‌های پیوند منسجم این سه رویکرد محاسباتی و شناسایی استانداردهای آزمایشگاهی، محاسباتی و داده‌ای لازم برای تبدیل پیش‌بینی‌های رایانه‌ای به گزینه‌هایی است که کارایی آن‌ها با آزمایش تأیید شده باشد.
خوردگی فولاد کم‌کربن در محیط اسیدی از طریق چرخه‌ای الکتروشیمیایی رخ می‌دهد که در آن آهن در نواحی آندی حل می‌شود و یون‌های هیدروژن در نواحی کاتدی به هیدروژن تبدیل می‌شوند. یون کلرید و دیگر یون‌های مهاجم می‌توانند لایه‌های سطحی را ناپایدار کنند، بار الکتریکی در فصل مشترک را تغییر دهند و خوردگی موضعی را تشدید کنند. در عین حال، مرز میان فولاد و محلول محیطی پویا است و نمی‌توان آن را سطحی یکنواخت در نظر گرفت. روش‌های متداولی مانند طیف‌سنجی امپدانس الکتروشیمیایی، قطبش پتانسیودینامیکی و اندازه‌گیری کاهش وزن، داده‌های ضروری درباره عملکرد بازدارنده‌ها فراهم می‌کنند، اما رفتار مولکولی را به‌طور غیرمستقیم استنباط می‌کنند. به باور نویسندگان، همین مسئله شکافی میان مشاهده اثر بازدارندگی و درک سازوکار آن ایجاد می‌کند؛ زیرا حتی هنگامی که یک ترکیب عملکرد خوبی دارد، پدیده‌هایی مانند جذب رقابتی، پروتون‌دارشدن، بازآرایی سطح و تشکیل لایه محافظ اغلب بیش از حد ساده‌سازی می‌شوند.
بازدارنده‌های آلی از پرمطالعه‌ترین راهکارهای محافظت از فلزات در محیط‌های اسیدی خورنده هستند. عملکرد آن‌ها معمولاً به اتم‌های هترو و گروه‌های عاملی نسبت داده می‌شود که جذب روی سطح فلز و تشکیل لایه‌های مولکولی محافظ را امکان‌پذیر می‌کنند. پژوهش‌های اخیر به سمت طراحی هدفمند مولکول‌ها با استفاده از توصیفگرهای شیمی کوانتومی و روش‌های داده‌محور حرکت کرده‌اند. اسیدهای آمینه، مشتقات تری‌آزول، بازهای شیف، مایعات یونی، عصاره‌های گیاهی، پلیمرها و سامانه‌های مبتنی بر نانومواد از جمله مواد مورد بررسی در این حوزه‌اند. این مقاله تأکید می‌کند که عملکرد چنین موادی ممکن است حاصل جذب در چندین نقطه، برهم‌کنش‌های هم‌افزا و ترکیبی از سازوکارهای بازدارندگی فیزیکی و شیمیایی باشد؛ بنابراین، تفسیرهای متداول الکتروشیمیایی به‌تنهایی برای توضیح عملکرد برخی از بازدارنده‌های جدید کافی نیستند.
نقش نظریه تابعی چگالی در پیش‌بینی رفتار مولکولی
نظریه تابعی چگالی یا DFT لایه الکترونی گردش‌کار پیشنهادی را تشکیل می‌دهد. این روش کمیت‌های مرتبط با واگذاری و پذیرش الکترون و جذب مولکول را محاسبه می‌کند؛ از جمله انرژی بالاترین اوربیتال مولکولی اشغال‌شده و پایین‌ترین اوربیتال مولکولی اشغال‌نشده، فاصله انرژی میان این دو اوربیتال، گشتاور دوقطبی، سختی و نرمی شیمیایی، پتانسیل شیمیایی، الکترونگاتیوی و الکتروفیلیسیته. این توصیفگرها را می‌توان با بازده بازدارندگی اندازه‌گیری‌شده در آزمایش ترکیب کرد و از آن‌ها برای آموزش مدل‌های پیش‌بینی‌کننده بهره برد. به این ترتیب، دامنه جست‌وجوی مولکول‌های مناسب می‌تواند بسیار گسترده‌تر از محدوده‌ای باشد که صرفاً با آزمایش‌های آزمایشگاهی امکان‌پذیر است. در بسیاری از مطالعات، انرژی بالاتر HOMO، فاصله انرژی کمتر میان اوربیتال‌های مرزی و برخی شاخص‌های مرتبط با واکنش‌پذیری با بازدارندگی بهتر ارتباط داشته‌اند. بااین‌حال، این روابط به مجموعه داده وابسته‌اند و نمی‌توان فرض کرد که در خانواده‌های متفاوت بازدارنده‌ها یا محیط‌های خورنده دیگر نیز بدون تغییر برقرار باشند.
محدودیت اصلی DFT آن است که معمولاً تصویری ایستا از سامانه ارائه می‌دهد. محاسبات در فاز گازی یا مدل‌های حلال ضمنی ممکن است حالت‌های مختلف پروتون‌دارشدن، ساختار آب، رقابت یون کلرید و بازآرایی‌های وابسته به زمان را که بر جذب در محلول اسیدی اثر می‌گذارند، نادیده بگیرند. بنابراین، نقشه‌های اوربیتال‌های مولکولی مرزی بهتر است شاخص‌هایی کیفی از ویژگی‌های الکترونی تلقی شوند، نه پیش‌بینی مستقیمی از قدرت جذب یک ترکیب در شرایط عملیاتی. نویسندگان خواستار انجام محاسبات با حلال صریح و حالت‌های پروتون‌دارشدن متناسب با محیط هستند و تأکید می‌کنند که باید با شواهد الکتروشیمیایی و بررسی سطحی سنجید آیا سازوکار الکترونی پیشنهادی با مشاهدات آزمایشگاهی سازگار است یا خیر. حتی با رعایت این موارد، DFT به‌تنهایی نمی‌تواند پایداری بلندمدت لایه محافظ یا رفتار بازدارنده روی سطح صنعتیِ در حال تغییر را مشخص کند.
دینامیک مولکولی برای بررسی فصل مشترک در طول زمان
دینامیک مولکولی یا MD بُعد زمانی و جزئیات فصل مشترک را به تحلیل اضافه می‌کند. شبیه‌سازی‌های انجام‌شده روی صفحات فلزی، که اغلب سطح Fe(110) را نیز دربر می‌گیرند، امکان بررسی حرکت بازدارنده، چرخش مولکول، هندسه جذب، سازمان‌یافتگی لایه و جابه‌جایی مولکول‌ها بر اثر یون‌های هیدرونیوم یا کلرید را فراهم می‌کنند. حضور صریح آب و یون‌ها اجازه می‌دهد برهم‌کنش‌های واسطه‌گری‌شده به‌وسیله حلال، قرارگیری تقریباً موازی مولکول‌ها روی سطح، اتصال از طریق اتم‌های هترو و تشکیل مشارکتی لایه محافظ بررسی شوند؛ پدیده‌هایی که استنباط آن‌ها از محاسبات ایستا دشوار است. MD همچنین می‌تواند ویژگی‌های کمّی مانند انرژی جذب، فاصله اتصال و پایداری فصل مشترک را تولید کند تا در مدل‌های یادگیری ماشین به کار روند. بااین‌حال، شبیه‌سازی‌های منتشرشده‌ای که در این مقاله بررسی شده‌اند، معمولاً از چند صد پیکوثانیه تا حدود یک نانوثانیه طول کشیده‌اند، از میدان‌های نیروی ساده‌شده استفاده کرده‌اند و تنوع محدودی از نظر دما و غلظت داشته‌اند. چنین بازه‌هایی برای مشاهده جذب اولیه مفیدند، اما برای توصیف مطمئن بازآرایی‌های کند، واجذب یا پایداری بلندمدت لایه محافظ کفایت نمی‌کنند.
یادگیری ماشین و گسترش دامنه غربالگری
یادگیری ماشین امکان گسترش مقیاس پیش‌بینی‌ها را فراهم می‌کند. جنگل تصادفی، رگرسیون بردار پشتیبان، شبکه‌های عصبی مصنوعی، مدل‌های تقویت گرادیانی و روش‌های جدیدتر مبتنی بر گراف می‌توانند ساختار مولکولی، توصیفگرهای کوانتومی، ویژگی‌های فصل مشترک و بازده اندازه‌گیری‌شده بازدارندگی را به یکدیگر مرتبط کنند و سپس گزینه‌های امیدوارکننده را رتبه‌بندی کنند؛ گزینه‌هایی که بررسی آزمایشگاهی همه آن‌ها به‌صورت جامع عملی نیست. ابزارهای تعیین اهمیت ویژگی، مانند SHAP، می‌توانند نشان دهند مدل برای پیش‌بینی‌های خود به کدام توصیفگرها متکی است و روش‌های خوشه‌بندی نیز امکان گروه‌بندی ترکیبات بر اساس شباهت ساختاری را فراهم می‌کنند. این مقاله همچنین یک گردش‌کار با توان عملیاتی بالا را بررسی می‌کند که ساختار اسیدهای آمینه را به نمایش‌های قابل‌پردازش ماشینی تبدیل می‌کند، با استفاده از آزمایش‌های آرایه قطره‌ای نقشه‌هایی از پاسخ خوردگی می‌سازد و مدل‌های تفسیرپذیر را با DFT و اعتبارسنجی الکتروشیمیایی ترکیب می‌کند. اگر خروجی‌های چنین چرخه‌ای از نظر فیزیکی معنادار باقی بمانند، می‌توان از آن برای هدایت منابع محدود آزمایشگاهی به سمت آزمایش‌هایی استفاده کرد که بیشترین اطلاعات را فراهم می‌کنند.
با وجود این ظرفیت‌ها، مدل‌های بررسی‌شده اغلب در مجموعه‌داده‌های محدود خود به دقت بالایی می‌رسند، اما در تعمیم نتایج به شرایط دیگر ناکام می‌مانند. مجموعه‌های آموزشی ممکن است تنها شامل چند ده تا چند صد اندازه‌گیری باشند. همچنین، اطلاعات همراه داده‌ها گاهی نوع و غلظت اسید، مقدار بازدارنده، مدت غوطه‌وری، دما، ترکیب فولاد، آماده‌سازی سطح یا روش الکتروشیمیایی مورد استفاده برای محاسبه متغیر هدف را مشخص نمی‌کنند. واحدها و قالب‌های گزارش‌دهی نیز متفاوت‌اند. رتبه‌بندی اهمیت ویژگی‌ها در جنگل تصادفی ممکن است با تغییر توزیع توصیفگرها دگرگون شود، عملکرد ماشین بردار پشتیبان به انتخاب هسته وابسته است و شبکه‌های عمیق اغلب روی مجموعه‌هایی به کار می‌روند که از نظر اندازه و تنوع شیمیایی برای پشتیبانی از ظرفیت آن‌ها بیش از حد محدودند. معیارهایی مانند میانگین قدرمطلق خطا، ریشه میانگین مربعات خطا و ضریب تعیین R² میزان برازش یا خطای پیش‌بینی را توصیف می‌کنند، اما به‌تنهایی اعتبار فیزیکی، پایداری مدل در شرایط متغیر یا قابلیت اطمینان آن خارج از محدوده داده‌های آموزشی را ثابت نمی‌کنند.
کمبود داده؛ مانع اصلی پیشرفت
این مقاله مجموعه‌داده‌ها را فوری‌ترین گلوگاه پیشرفت معرفی می‌کند. نتایج آزمایش‌های خوردگی میان مقاله‌های علمی و فایل‌های تکمیلی آن‌ها پراکنده‌اند، درحالی‌که پایگاه‌های عمومی شیمی و مواد، اطلاعات مولکولی یا ساختاری را بدون اندازه‌گیری‌های استاندارد خوردگی ارائه می‌کنند. در حال حاضر، منبعی وجود ندارد که بازده آزمایشگاهی بازدارندگی، شرایط کامل آزمون، توصیفگرهای DFT و ویژگی‌های فصل مشترک استخراج‌شده از MD را در قالبی اختصاصی و استاندارد برای خوردگی یکپارچه کند. راهکار پیشنهادی، ایجاد یک پایگاه داده مرجع و آزاد است که واحدها را یکسان‌سازی کند، عدم‌قطعیت را به‌صراحت گزارش دهد، مجموعه‌های آزمون خارجی داشته باشد و داده‌ها را به‌گونه‌ای تفکیک کند که خانواده‌های شیمیایی مرتبط یا شرایط آزمایشی مشابه به‌طور ناخواسته میان داده‌های آموزش و آزمون مشترک نباشند. مدل‌ها باید روی اسیدها، آلیاژها و دسته‌های بازدارنده‌ای ارزیابی شوند که پیش‌تر ندیده‌اند. همچنین، عدم‌قطعیت باید در تمام مراحل محاسباتی دنبال شود، نه اینکه در نهایت به یک امتیاز دقت واحد تقلیل یابد.
مطالعات موردی و فاصله میان دقت پیش‌بینی و کاربرد صنعتی
مطالعات موردی بررسی‌شده در مقاله، فاصله میان دقت امیدوارکننده و ارتباط واقعی با صنعت را نشان می‌دهند. در غربالگری مشتقات بنزایمیدازول با ترکیب یادگیری ماشین، DFT و MD، بازده بازدارندگی پیش‌بینی‌شده بیش از ۹۸ درصد بود، اما نتایج اعتبارسنجی متقابل چندان قوی نبود و تأیید آزمایشگاهی نیز محدود باقی ماند. در مطالعات دیگر، مقادیر بسیار بالای R²، حفاظت بیش از ۸۵ درصد یا بازدارندگی بالاتر از ۹۵ درصد گزارش شد و بررسی‌های میکروسکوپی نیز وجود لایه‌های محافظ را تأیید کردند. بااین‌حال، این نتایج به مایعات یونی خاص، غلظت‌های مشخص، مدت‌های معین مواجهه یا خانواده‌های شیمیایی محدودی مربوط بودند. گزارش شده است که مدل‌های مبتنی بر شبکه‌های عصبی گرافی (GNN) و مدل‌های تجمیعی در مجموعه‌داده‌های یکپارچه به R² بالاتر از ۰٫۹۰ دست یافته‌اند، اما عملکرد آن‌ها برای مولکول‌های انعطاف‌پذیر و داده‌های پراکنده کاهش یافته است. این موارد نتایج گزارش‌شده در مطالعات منفرد هستند و نباید آن‌ها را مدرکی دانست که نشان دهد یک سکوی یکپارچه از پیش برای استفاده صنعتی اعتبارسنجی شده است.
موانع نرم‌افزاری و هزینه محاسباتی
پراکندگی نرم‌افزارها نیز مانع دیگری به شمار می‌رود. در گردش‌کارهای معمول، اطلاعات به‌صورت دستی میان بسته‌های شیمی کوانتومی، برنامه‌های دینامیک مولکولی و ابزارهای یادگیری ماشین مبتنی بر پایتون منتقل می‌شوند. این وضعیت بازتولید کامل نتایج را دشوار می‌کند و مانع یکپارچگی واقعی در مقیاس‌های مختلف می‌شود. هزینه محاسباتی نیز اهمیت دارد: اجرای DFT برای مولکول‌های بزرگ و فصل مشترک‌های گسترده فلز و الکترولیت پرهزینه است؛ از سوی دیگر، MD برای نمونه‌برداری قابل‌اعتماد از پویایی جذب به شبیه‌سازی‌های طولانی‌تر و مدل‌سازی صریح حلال نیاز دارد. مقاله استفاده از ابزارهای ماژولار با رابط‌های مشترک، الگوهای گردش‌کار آزاد و مدل‌های جانشین، از جمله پتانسیل‌های بین‌اتمی یادگرفته‌شده با ماشین، را پیشنهاد می‌کند تا بار محاسباتی کاهش یابد. این راهکارها باید سازگاری واحدها، فرض‌های فیزیکی و برچسب‌های آزمایشگاهی را حفظ کنند؛ صرفاً سریع‌تر کردن محاسبات جدا از یکدیگر کافی نیست.
به‌سوی سامانه‌ای چرخه‌بسته برای کشف بازدارنده‌ها
هدف نهایی مطلوب نویسندگان، ایجاد سامانه‌ای چرخه‌بسته برای کشف مواد است که در آن شبیه‌سازی‌ها آزمایش‌ها را هدایت کنند، اندازه‌گیری‌های اعتبارسنجی‌شده به مجموعه داده بازگردند و مدل‌های آگاه از عدم‌قطعیت تصمیم بگیرند آزمایش بعدی چه باشد. مدل‌های تبیین‌پذیر و آگاه از فیزیک می‌توانند پیش‌بینی‌ها را به انرژی جذب، جهت‌گیری مولکولی، رقابت یون‌ها و پوشش سطحی مرتبط کنند. روش‌های مولد نیز قادرند ترکیباتی پیشنهاد دهند که هم الزامات عملکردی و هم محدودیت‌های شیمیایی را برآورده سازند. مقاله در کنار این موارد، کاربردهای بلندمدت‌تری را نیز بررسی می‌کند؛ از جمله استفاده از داده‌های حسگرها در دوقلوهای دیجیتال برای تنظیم فرمولاسیون و مقدار مصرف بازدارنده. بااین‌حال، این کاربرد هنوز در حد یک امکان آینده‌نگرانه است و قابلیت صنعتی اثبات‌شده‌ای محسوب نمی‌شود. همین تمایز درباره غربالگری در مقیاس صنعتی نیز صدق می‌کند: گردش‌کار پیشنهادی نقشه راهی برای توسعه آینده است، نه سکوی کشفی که اعتبار آن در عمل تأیید شده باشد.
در مجموع، این بررسی نتیجه می‌گیرد که هیچ روش منفردی به‌تنهایی نمی‌تواند طراحی قابل‌اعتماد بازدارنده‌های خوردگی را تضمین کند. DFT جزئیات الکترونی را فراهم می‌کند، اما در توصیف پویایی محدود است؛ MD رفتار فصل مشترک را در شرایط محاسباتی محدودشده شبیه‌سازی می‌کند؛ و یادگیری ماشین پیش‌بینی‌ها را در مقیاس بزرگ گسترش می‌دهد، اما همچنان به کیفیت داده‌ها، تفسیرپذیری و اعتبارسنجی خارجی وابسته است. بنابراین، پیشرفت در آینده نزدیک کمتر به افزودن الگوریتمی تازه و بیشتر به هماهنگ‌کردن مدل فیزیکی، پروتکل آزمایش و خط لوله داده وابسته خواهد بود. یک گردش‌کار واقعاً یکپارچه باید اثر حلال، پروتون‌دارشدن و جذب رقابتی را به‌صراحت مدل‌سازی کند، پیش‌بینی‌ها را در چند محیط اسیدی بیازماید، شرایط بلندمدت و صنعتی را در نظر بگیرد و مسیری قابل‌ممیزی از رتبه‌بندی گزینه‌ها تا تأیید آزمایشگاهی فراهم آورد. حاصل چنین تلاشی در حال حاضر نقشه راه است، نه سکوی کامل کشف مواد؛ بااین‌حال، این نقشه راه مسیر مشخصی برای توسعه بازدارنده‌های خوردگی ترسیم می‌کند که وابستگی کمتری به آزمون‌وخطا دارد و بیشتر بر شواهد فیزیکی تکیه می‌کند.
موضوع پژوهش: بررسی مروری انتقادی درباره یکپارچه‌سازی یادگیری ماشین، نظریه تابعی چگالی و دینامیک مولکولی برای طراحی بازدارنده‌های خوردگی.
عنوان مقاله: «تلفیق یادگیری ماشین، نظریه تابعی چگالی و دینامیک مولکولی برای طراحی هوشمند بازدارنده‌های خوردگی: یک بررسی مروری انتقادی».
منبع مقاله: Mohammed, N. J., Yusop, M. R., & Othman, N. K. (2026). Integrating machine learning, density functional theory, and molecular dynamics for smart corrosion inhibitor design: a critical review. Journal of Saudi Chemical Society, 30(3), Article 41. https://doi.org/10.1007/s44442-026-00089-3
شناسه دیجیتال مقاله (DOI): 10.1007/s44442-026-00089-3
کلیدواژه‌ها: بازدارندگی خوردگی، فولاد کم‌کربن، یادگیری ماشین، نظریه تابعی چگالی، دینامیک مولکولی، شیمی محاسباتی، مدل‌سازی پیش‌بینانه، خوردگی اسیدی، داده‌کاوی مواد و شیمی کوانتومی.