Optimierung unüberwachter Clusteranalyse von elektrochemischen Impedanzspektren durch Normierung und Dimensionsreduktion

Warum das für reale Metalle wichtig ist

Moderne Infrastruktur, medizinische Implantate und Batterien beruhen auf Metallen, die über Jahre gegen Korrosion resistent sein müssen. Ingenieure nutzen die elektrochemische Impedanzspektroskopie (EIS), um zu untersuchen, wie gut eine Metalloberfläche geschützt oder wie gefährdet sie ist, doch die resultierenden Spektren sind komplexe, schwer zu interpretierende Kurven. Diese Studie zeigt, wie einfache, unüberwachte Machine‑Learning‑Werkzeuge solche Spektren automatisch in sinnvolle Gruppen einteilen können, sodass auch Nicht‑Expertinnen und Nicht‑Experten den „Zustand“ von Metall schnell und konsistent beurteilen können.

Von unordentlichen Signalen zu lesbaren Mustern

EIS misst, wie ein elektrisches Signal über einen breiten Frequenzbereich durch eine Metall‑Elektrolyt‑Schnittstelle übertragen wird. Traditionell passen Fachleute diese Messungen mit Schaltkreis‑Modellen, um Rückschlüsse auf Vorgänge an der Oberfläche zu ziehen. Die Autorinnen und Autoren untersuchen einen direkteren Weg: Algorithmen betrachten ausschließlich die Form der Spektren und entdecken eigenständig Muster, ohne vorherige Labels oder Modelle. Sie konzentrieren sich dabei auf zwei zentrale Gestaltungsentscheidungen, die oft als Nebensache behandelt werden — wie Rohdaten skaliert werden (Normalisierung) und wie ihre vielen Dimensionen auf wenige komprimiert werden, die Menschen und Clustering‑Algorithmen handhaben können (Dimensionsreduktion). Ihre Botschaft ist, dass diese „Front‑End“-Entscheidungen die Leistung unüberwachter Analysen maßgeblich bestimmen können.

Untersuchung von Methoden zur Bereinigung und Kompression der Daten

Das Team verwendete einen sorgfältig charakterisierten Satz von EIS‑Spektren von verschweißtem 316L‑Edelstahl. Jedes Spektrum stammte entweder aus dem Grundmetall oder aus der wärmebeeinflussten Zone und von Oberflächen, die unbearbeitet, mechanisch gereinigt oder chemisch mit verschiedenen Säuren passiviert waren. Visuell überlappen sich die Bode‑Diagramme dieser Spektren stark, sodass Zustände mit bloßem Auge schwer zu unterscheiden sind. Die Autorinnen und Autoren prüften vier Arten der Datenvorbereitung: unveränderte Rohdaten, gemeinsames Skalieren ganzer Datensätze (per‑block‑Normalisierung), Skalieren jedes Spektrums einzeln (per‑sample‑Normalisierung) und Standardisierung jedes Frequenzpunkts über die Proben hinweg (per‑column‑Autoskalierung). Anschließend wandten sie drei gängige Methoden zur Dimensionsreduktion an: Hauptkomponentenanalyse (PCA), die nichtlineare t‑SNE‑Methode sowie eine sequenzielle Kombination, bei der PCA zunächst Rauschen reduziert und t‑SNE anschließend das Layout verfeinert.

Die Cluster sprechen lassen — über den Oberflächenzustand

Sobald die Spektren in einen niedrigdimensionalen Raum eingebettet waren, nutzten die Autorinnen und Autoren hierarchisches Clustering, um sie zu gruppieren, und bewerteten jede Kombination aus Normalisierung, Einbettungsmethode und Clusteranzahl. Sie stützten sich auf interne Qualitätsmaße, die kompakte und gut getrennte Gruppen belohnen, und kombinierten diese Bewertungen mit einem abstimmungsähnlichen Verfahren namens Borda‑Ranking. Das beste Verfahren erwies sich als per‑block‑Normalisierung gefolgt von der PCA+t‑SNE‑Pipeline, mit einer Aufteilung in sechs Cluster. Obwohl das ursprüngliche Experiment acht Untergruppen der Oberfläche definierte, fasste die Sechs‑Cluster‑Lösung ein paar fast ununterscheidbare Paare zusammen und lieferte so eine Karte, die realistische Erwartungen darüber widerspiegelt, wie sich verschiedene Schweißbereiche und Behandlungen verhalten sollten.

Korrosionsbeständigkeit als gestufte Skala

Um Cluster für Korrosionsingenieurinnen und -ingenieure anschaulicher zu machen, verankerten die Autorinnen und Autoren ihre reduzierte Karte zwischen zwei Referenzzuständen: einer frisch angeschliffenen Oberfläche, die sehr geringe Passivität repräsentiert, und einer mit Salpetersäure passivierten Oberfläche, die sehr hohe Passivität darstellt. Durch schrittweises Erhöhen der Clusteranzahl zeigten sie, wie sich alle anderen Proben zwischen diesen Extremen in einer abgestuften Reihenfolge „relativer Passivität“ einordnen. Mechanisch gereinigte wärmebeeinflusste Zonen erschienen konsequent am nieder‑widerstandsseitigen Ende, während passivierte und unbearbeitete Schweißflächen sich der hoch‑widerstandsseitigen Referenz annäherten. Wichtig ist, dass diese Muster auch unter rigorosen Bootstrap‑Resampling‑Tests stabil blieben: Kleine Änderungen im Datensatz zerstörten nicht die Clusterstruktur.

Was die Ergebnisse in einfachen Worten bedeuten

Im Kern zeigt die Studie, dass ein Computer mit durchdachter Skalierung und Dimensionsreduktion komplexe EIS‑Spektren zuverlässig in einige Cluster einteilen kann, die mit der Einschätzung von Korrosionsexpertinnen und -experten über Oberflächenqualität und Schutzgrad übereinstimmen. Der Ansatz ersetzt keine detaillierten physikalischen Modelle, bietet aber eine schnelle, transparente und modellfreie Möglichkeit, neue Messungen zu klassifizieren und ihnen eine Position auf einer praktischen „Passivitäts‑Skala“ zuzuweisen. Das macht ihn zu einem vielversprechenden Werkzeug für die automatisierte Überwachung von geschweißten Bauteilen, Implantaten und anderen kritischen Metallteilen — besonders dort, wo schnelle, robuste Entscheidungen wichtiger sind als eine vollständige mikroskopische Erklärung.

Zitation: Martinez, S., Bera, I., Martinez, I. et al. Optimizing unsupervised clustering of electrochemical impedance spectra via normalization and dimensionality reduction. Sci Rep 16, 5833 (2026). https://doi.org/10.1038/s41598-026-35621-3

Schlüsselwörter: elektrochemische Impedanzspektroskopie, unüberwachtes Clustering, Dimensionsreduktion, Korrosion von Edelstahl, Maschinelles Lernen für Materialien