Neue Formulierungen korrosionsschützender Beschichtungen vorgeschlagen durch Machine Learning historischer Testdaten

Warum klügere Lacke wichtig sind

Stahlbrücken, Schiffe, Autos und Gebäude verlassen sich alle auf Lacke, um Rost fernzuhalten. Dennoch ist die Entwicklung einer Schutzbeschichtung häufig noch ein Handwerk, das durch Versuch und Irrtum erlernt wird. Diese Studie zeigt, wie eine Form künstlicher Intelligenz frühere Testergebnisse durchforsten kann, um neue Antikorrosionslacken vorzuschlagen, die ebenso gut oder besser funktionieren als heutige Produkte, und zugleich Zutatenkombinationen zu entdecken, die Fachexperten vermutlich niemals ausprobieren würden.

Die Herausforderung endloser Rezepturen

Moderne Schutzlacke sind komplexe Mischungen aus Harzen, Pigmenten, Korrosionsinhibitoren, Farbmitteln und anderen Zusatzstoffen. Jeder Bestandteil kann in unterschiedlichen Mengen und Kombinationen eingesetzt werden, wodurch eine astronomische Anzahl möglicher Rezepturen entsteht. Selbst einen winzigen Bruchteil im Labor zu testen, ist zeitaufwendig und teuer, weshalb Unternehmen dazu neigen, vertrautes Terrain in der Nähe bekannter guter Formulierungen zu erkunden. Das erschwert das Auffinden ungewöhnlicher Mischungen, die besser arbeiten oder Zutaten effizienter nutzen könnten.

Alte Testtafeln in eine Karte verwandeln

Die Autorinnen und Autoren sammelten historische Ergebnisse aus 492 Salzsprüh-Korrosionstests an Stahltafeln, die mit wasserbasierten Lacken beschichtet waren und 148 verschiedene Zutaten enthielten. Jede Beschichtung war anhand standardisierter visueller Skalen für Rosten und Blasenbildung bewertet worden. Mit diesen Daten trainierte das Team ein Machine-Learning-Modell, konkret einen Random Forest, um vorherzusagen, wie eine gegebene Rezeptur abschneiden würde. Sie behandelten den riesigen Raum möglicher Rezepturen als eine Landschaft, wobei jeder Punkt eine Formulierung und seine Höhe die Korrosionsleistung repräsentiert. Ein zweiter Algorithmus, genannt Differential Evolution, durchstreifte diese Landschaft und suchte nach hohen Punkten, die vielversprechenden neuen Rezepturen entsprechen.

Wie gut der digitale Wegweiser abschnitt

Das Modell konnte Beschichtungen mit hoher Genauigkeit als gut oder schlecht klassifizieren hinsichtlich der Blasenbildung innerhalb des Lackfilms und erzielte bessere als zufällige Ergebnisse für Rosten und Blasenbildung nahe einer absichtlich gesetzten Kratzstelle. Als die Forschenden untersuchten, welche Faktoren am wichtigsten waren, stellten sie fest, dass Testdauer, Metalltyp, Anzahl der Lackschichten und Harzwahl die Leistung dominierten — im Einklang mit praktischer Erfahrung. Manche Ergebnisse waren überraschender: Beispielsweise wirkten bestimmte Farbmittel und Neutralisationsmittel einflussreicher als in geringen Mengen verwendete Korrosionsinhibitoren, was auf komplexe Wechselwirkungen zwischen den Zutaten hindeutet.

Zwei überraschende neue Lacke testen

Um zu prüfen, ob ihre virtuelle Erkundung der Realität standhält, wählte das Team zwei maschinell vorgeschlagene Rezepturen aus und stellte kleine Lackchargen her. Diese wurden in einem anspruchsvollen zyklischen Salzsprühtest von mehr als 700 Stunden mit einer Standardreferenzbeschichtung verglichen. Ein vorgeschlagener Lack, der eine ungewöhnliche Mischung aus zwei Harzen verwendete, die jeweils allein schlecht abgeschnitten hatten, erreichte insgesamt denselben Korrosionsschutz wie die Referenz und schnitt rund um die Kratzstelle sogar besser ab. Der zweite, auf einem Harz basierende Vorschlag, das zuvor beim konventionellen Screening versagt hatte, zeigte zwar etwas schlechtere Gesamtwerte, verbesserte sich aber dennoch gegenüber seinem früheren Ruf.

Was das für künftige Beschichtungen bedeutet

Diese Arbeit ist ein Machbarkeitsnachweis dafür, dass maschinelles Lernen die Suche nach besseren Schutzlacken leiten kann — selbst wenn nur begrenzte historische Daten vorliegen und das Modell nichts über physikalische Eigenschaften wie Viskosität oder Härte weiß. Anstatt Expertinnen und Experten in der Formulierung zu ersetzen, fungiert der Ansatz als intelligenter Assistent, der nicht offensichtliche Kombinationen vorschlägt, die einen Test wert sind. Mit mehr Daten und detaillierteren Angaben zu Zutaten könnten ähnliche Werkzeuge Entwicklungszeiten verkürzen, die Bandbreite brauchbarer Rezepturen erweitern und neue, mitunter kontraintuitive Wege aufzeigen, Metallkonstruktionen vor Rost zu bewahren.

Zitation: Samanta, S., Luigjes, B., Lyon, S. et al. Novel corrosion protective coating formulations suggested by machine learning of historic test data. npj Mater Degrad 10, 63 (2026). https://doi.org/10.1038/s41529-026-00771-2

Schlüsselwörter: Korrosionsbeschichtungen, maschinelles Lernen, schützende Lacke, Stahlkorrosion, Materialdesign