Mikrokinetische Modellierung saurer Korrosion aus ersten Prinzipien und maschinell-lernender Molekulardynamik

Warum Metalle in aggressiven Flüssigkeiten schneller rosten

Von Ölpipelines bis zu Autos und Schiffen sind viele wichtige Bauwerke aus Stahl gefertigt, der bei Kontakt mit saurem Wasser stillschweigend auflösen kann. Dieses Paper geht ein langjähriges Problem an: Wie lässt sich vom atomaren Maßstab an vorhersagen, wie schnell Eisen in solchen Umgebungen korrodiert und wie Legierungselemente wie Mangan diese Rate verändern? Die Autorinnen und Autoren kombinieren Quantenberechnungen und maschinelles Lernen, um ein detailliertes, physikbasiertes Bild dafür zu erstellen, wie Metallatome von einer Oberfläche weggehen und wie dabei gleichzeitig Wasserstoffgas entsteht.

Eine Brücke bauen von Atomen zu Korrosionsraten

Ingenieure verwenden seit Langem empirische Formeln zur Abschätzung von Korrosion, doch diese übergehen oft die tatsächlichen atomaren Schritte. Bestehende Modelle schätzen häufig Energiebarrieren, ignorieren, wie die Oberfläche bei verschiedenen Spannungen und Säuregraden von Wasser und Reaktionsspezies bedeckt ist, und fassen Metallverlust zu einem einzigen Viel-Elektronen-Schritt zusammen. Im Gegensatz dazu konstruiert diese Studie ein Framework, das mit erstprinzipiellen elektronischen Strukturrechnungen beginnt und dann maschinell-lernende Molekulardynamik nutzt, um Atome und Wassermoleküle an einer realistischen Metall–Flüssigkeits-Grenzfläche in Bewegung zu verfolgen. So kann das Team die Schwierigkeit zentraler Reaktionen berechnen und diese Barrieren direkt mit messbaren Strömen und Korrosionsraten verbinden.

Wie Eisenatome von der Oberfläche entkommen

Die Autorinnen und Autoren zerlegen zunächst, wie ein Eisenatom eine glatte Eisenoberfläche in saurer Lösung verlässt. Unter diesen Bedingungen adsorbieren Wassermoleküle an der Oberfläche, spalten und bilden eine kurzlebige Eisen–Sauerstoff–Wasserstoff-Einheit. Die Studie zeigt, dass der langsamste und damit kontrollierende Schritt ist, wenn diese adsorbierte FeOH-Einheit ein Elektron abgibt und sich in die Lösung löst, auf dem Weg zu einem vollständig hydratisierten Eisenion umgeben von Wassermolekülen. Durch das Verfolgen der Freie-Energie-Landschaft mit erweiterten Sampling-Techniken und einem maschinell gelernten Wechselwirkungsmodell finden sie eine die Rate kontrollierende Barriere von etwa 0,76 Elektronenvolt. Mit dieser Barriere und sorgfältig berechneten Oberflächenbedeckungen reproduziert ihr Modell experimentelle Messgrößen wie die Steigung der Strom-Spannungs-Kurve und die scheinbare Aktivierungsenergie für die Eisenauflösung in starker Säure.

Wasserstoffblasen vom Proton zum Gas verfolgen

Korrosion in Säure betrifft nicht nur Metallverlust; sie erzeugt auch Wasserstoffgas. Die Studie analysiert daher die Abfolge von Schritten, durch die Protonen aus der Lösung an der Oberfläche Elektronen aufnehmen, zu adsorbierten Wasserstoffatomen werden und dann zu Wasserstoffmolekülen kombinieren. Mit demselben Ansatz der maschinell-lernenden Molekulardynamik berechnen die Autoren Energiebarrieren für drei klassische Schritte: die anfängliche Protonenreduktion, einen gemischten elektrochemischen Schritt, bei dem ein Proton mit einem adsorbierten Wasserstoff reagiert, und einen rein chemischen Schritt, in dem sich zwei adsorbierte Wasserstoffatome verbinden. Ihre Berechnungen deuten auf einen Pfad hin, bei dem der erste Schritt, die Protonenreduktion, im relevanten Spannungsfenster die geschwindigkeitsbestimmende Stufe ist. Interessanterweise zeigen die Simulationen, dass Protonen nicht einfach aus dem Bulk zur Oberfläche diffundieren; vielmehr hüpfen sie entlang Wasserstoff-Bindungsketten zwischen Wassermolekülen in einem staffelartigen Verfahren, was dem bekannten Grotthuss-Mechanismus in flüssigem Wasser entspricht.

Was passiert, wenn Mangan zugesetzt wird

Stähle enthalten häufig Mangan zur Verbesserung mechanischer Eigenschaften, doch sein Einfluss auf die Korrosion kann subtil sein. Um dies zu untersuchen, setzen die Autoren ein einzelnes Manganatom in die äußere Schicht der Eisenoberfläche ein und wiederholen ihre Analyse. In der Nähe dieser Manganstelle sind sowohl die Barriere für das Auflösen eines Eisenatoms als auch die Barriere für den wichtigen Wasserstoffschritt erniedrigt. Wenn das lokale Verhalten um das Mangan mit dem des umgebenden Eisens gewichtet über die Fläche kombiniert wird, steigt der gesamte Korrosionsstrom um mehrere Größenordnungen und das Korrosionspotenzial verschiebt sich zu negativeren Werten. Diese Trends entsprechen experimentellen Beobachtungen, dass manganreiche Stähle in saurem Medium tendenziell schneller korrodieren.

Von detaillierten Modellen zu sichereren Legierungen

Indem gezeigt wird, dass atomare Energiebarrieren und realistische Oberflächenbedeckungen gemessene Korrosionsströme und -spannungen für Eisen genau reproduzieren können, demonstriert diese Arbeit einen leistungsfähigen Weg, vorherzusagen, wie Metalle in Säure altern. Derselbe Workflow lässt sich prinzipiell auf andere Metalle, Oberflächenorientierungen, Legierungselemente und unterschiedliche Säuregrade anwenden. Für Nicht-Spezialisten ist die Kernbotschaft: Korrosion muss nicht rein empirisch behandelt werden; mit moderner Berechnung und maschinellem Lernen wird es möglich, designbezogene Entscheidungen zur Legierungszusammensetzung und Umgebung virtuell zu testen und so die Lebensdauer kritischer Infrastruktur zu beeinflussen.

Zitation: Bao, E., Xu, W., Ma, H. et al. Microkinetic modeling of acidic corrosion from first principles and machine-learning molecular dynamics. npj Comput Mater 12, 185 (2026). https://doi.org/10.1038/s41524-026-02047-4

Schlüsselwörter: saure Korrosion, Eisenauflösung, Wasserstoffentwicklung, maschinell lernende Molekulardynamik, Legierungsdesign