Surrogatmodellierung von Korrosionsinhibitions-Finite-Elemente-Simulationen mit maschinellem Lernen

Flugzeuge und Autos vor Rost schützen

Moderne Flugzeuge, Autos und Smartphones sind stark auf leichte Aluminiumlegierungen angewiesen. Diese Metalle widerstehen Korrosion besser als gewöhnlicher Stahl, können aber in salziger, feuchter oder heißer Umgebung dennoch korrodieren, was die Sicherheit gefährdet und die Lebensdauer verkürzt. Ingenieure verwenden spezielle farbähnliche Beschichtungen mit schützenden Partikeln, um diesen Schaden zu verlangsamen; das optimale Rezept zu finden ist jedoch langsam und teuer. Diese Studie zeigt, wie die Kombination detaillierter Computersimulationen mit maschinellem Lernen die Entwicklung besserer, sichererer Korrosionsschutzbeschichtungen für eine weit verbreitete Aluminiumlegierung rasch leiten kann.

Warum der traditionelle Schutz ein Update braucht

Jahrzehntelang basierte der Goldstandard zum Schutz von Aluminium in der Luftfahrt und anderen anspruchsvollen Anwendungen auf Verbindungen, die sechswertiges Chrom enthalten. Diese Chemikalien wirken sehr gut, sind aber toxisch und werden zunehmend durch Umweltauflagen eingeschränkt. Forschende wenden sich nun aktiven Beschichtungen zu, die mehr tun als nur eine Barriere zu bilden. In diesen Beschichtungen lösen sich winzige Pigmentpartikel, wenn ein Kratzer oder Defekt auftritt, und setzen Inhibitorbestandteile frei, die zum freigelegten Metall wandern und helfen, eine schützende Schicht wieder aufzubauen. Lithiumbasierte Verbindungen haben sich als besonders vielversprechend erwiesen, weil sie einen dauerhaften Schutzfilm auf Aluminiumoberflächen bilden. Die Herausforderung besteht darin, herauszufinden, welche Kombination aus Pigmentgehalt, Beschichtungsdicke und Defektgeometrie zuverlässig Korrosion verhindert, ohne jahrelange Versuchsreihen.

Mit virtuellen Experimenten schneller lernen

Die Autoren bauten auf einem bestehenden zweidimensionalen Finite-Elemente-Modell auf – im Wesentlichen ein detailliertes, physikbasiertes „virtuelles Labor“ –, das verfolgt, wie Lithiumcarbonatpartikel in einer Grundierung sich auflösen, sich durch winzige Wasserwege bewegen und die Korrosion an einem Kratzer in der Beschichtung beeinflussen. Das simulierte System bildet eine gängige Luftfahrtlegierung, AA2024-T3, nach, die von einer mit Lithiumpigment beladenen Grundierung, einem schützenden Decklack und einer dünnen Wasserschicht bedeckt ist. Durch systematisches Variieren von fünf steuerbaren Faktoren – Kratzerbreite und -tiefe, Grundierungsdicke, Wasserschichtdicke und anfänglicher Pigmentgehalt – erzeugte das Team 231 virtuelle Experimente. Aus jedem Lauf extrahierten sie zwei zentrale Ergebnisse am verwundbarsten Punkt der Metalloberfläche: wie viel Inhibitor dort ankam und wie schnell die Korrosion voranschritt, ausgedrückt als Stromdichte.

Der Maschine beibringen, Korrosion vorherzusagen

Anschließend trainierten die Forschenden entscheidungsbaum-basierte Modelle des maschinellen Lernens, insbesondere einen Algorithmus namens XGBoost, als „Surrogat“ für die aufwändigen physikalischen Simulationen. Das Modell lernte, Inhibitorkonzentration und Korrosionsrate aus den fünf Eingangsgrößen vorherzusagen. Sorgfältige Kreuzvalidierung, bei der die Daten wiederholt in Trainings- und Testanteile aufgeteilt wurden, zeigte, dass der Ansatz des maschinellen Lernens die virtuellen Experimente mit guter Genauigkeit reproduzierte, besonders für die Inhibitorkonzentration. Im Vergleich zu einem als Basislinie getesteten einfachen neuronalen Netz schnitten die baumbasierten Methoden bei diesem moderat großen Datensatz deutlich besser ab. Eine Analyse der einflussreichsten Eingangsgrößen ergab, dass die Dicke der Wasserschicht auf der Beschichtung und der Pigmentanteil in der Grundierung die dominanten Stellhebel für den Schutz waren, während die Kratzertiefe unter den untersuchten Bedingungen nur eine geringe Rolle spielte.

Die Grenzen des Modells testen und es für das Design nutzen

Um zu prüfen, wie gut ihr Surrogat in neuen Situationen funktioniert, erstellte das Team neun frische Simulationsfälle, die den Bereich der Beschichtungsdesigns abdeckten, aber nicht im Training verwendet wurden. Für die meisten dieser Blindtests stimmten die Vorhersagen des maschinellen Lernens für die Inhibitoranlieferung und die Korrosionsrate gut mit dem vollständigen physikalischen Modell überein, wenngleich die Genauigkeit an den Rändern des untersuchten Designraums abnahm, wo weniger Beispiele zum Lernen verfügbar waren. Schließlich nutzten die Autoren das trainierte Modell als schnelles Designwerkzeug: Sie durchscannten verschiedene Pigmentlevel und Grundierungsdicken für einen typischen Defekt und identifizierten, wo die Inhibitorkonzentration einen bekannten Schwellenwert überschreiten würde, der zur Unterdrückung der Korrosion nötig ist, und wo die zugehörige Korrosionsstromdichte stark zu sinken beginnt. Das zeigte beispielsweise, dass dickere Grundierungen oder höhere Pigmentgehalte das System in einen sichereren Betriebsbereich verschieben können.

Was das für reale Materialien bedeutet

Einfach ausgedrückt demonstriert diese Arbeit, dass eine Maschine die wesentlichen Erkenntnisse zahlreicher komplexer Korrosionssimulationen lernen und dann nahezu sofort Hinweise geben kann, wie ein Beschichtungsrezept zu optimieren ist. Statt für jedes neue Design Hunderte zeitaufwändige Computermodelle oder Labortests durchzuführen, können Ingenieure solche Surrogatmodelle nutzen, um vielversprechende Kombinationen aus Pigmentgehalt, Beschichtungsdicke und erwarteten Einsatzbedingungen einzugrenzen. Zwar übernimmt der Ansatz alle Vereinfachungen des zugrunde liegenden Physikmodells und sollte nicht weit außerhalb des trainierten Bereichs angewendet werden, doch bietet er eine leistungsfähige Abkürzung. Letztlich könnte ein solches digitales Werkzeug Forschende dabei unterstützen, gefährliche Chemikalien zu ersetzen und sicherere, länger haltbare Schutzbeschichtungen für Aluminiumlegierungen schneller auf den Markt zu bringen.

Zitation: Sahlmann, L., Abdelrahman, N., Meeusen, M. et al. Surrogate modelling of corrosion inhibition finite element simulations using machine learning. npj Mater Degrad 10, 38 (2026). https://doi.org/10.1038/s41529-026-00760-5

Schlüsselwörter: Korrosionsschutz, Aluminiumlegierungen, Schutzbeschichtungen, maschinelles Lernen, Finite-Elemente-Modellierung