Modelado microcinético de la corrosión ácida desde primeros principios y dinámica molecular con aprendizaje automático

Por qué los metales se oxidan más rápido en líquidos agresivos

Desde oleoductos hasta automóviles y barcos, muchas estructuras vitales están hechas de acero, que puede disolverse silenciosamente al exponerse a agua ácida. Este artículo aborda un desafío de larga data: cómo predecir, desde el nivel atómico hacia arriba, la rapidez con que el hierro corroerá en esos entornos y cómo elementos de aleación como el manganeso modifican esa tasa. Los autores combinan cálculos cuánticos y aprendizaje automático para construir una imagen detallada, basada en la física, de cómo los átomos de metal abandonan una superficie y cómo se produce gas hidrógeno junto con esa pérdida.

Construyendo un puente desde los átomos hasta las tasas de corrosión

Los ingenieros han usado durante mucho tiempo fórmulas empíricas para estimar la corrosión, pero estas suelen pasar por alto los verdaderos pasos atómicos implicados. Los modelos existentes tienden a conjeturar las barreras energéticas, ignorar cómo la superficie está cubierta por agua y especies reactivas a distintos voltajes y niveles de acidez, y condensar la pérdida de metal en un único paso de muchos electrones. En contraste, este estudio construye un marco que parte de cálculos de estructura electrónica desde primeros principios y luego emplea dinámica molecular con aprendizaje automático para seguir átomos y moléculas de agua en movimiento en una interfaz metal–líquido realista. Esto permite al equipo calcular cuán difícil es que ocurran las reacciones clave y conectar esas barreras directamente con corrientes y tasas de corrosión medibles.

Cómo los átomos de hierro escapan de la superficie

Los autores primero analizan cómo un átomo de hierro abandona una superficie plana de hierro en solución ácida. Bajo estas condiciones, moléculas de agua se adsorben en la superficie, se fragmentan y forman una unidad breve hierro–oxígeno–hidrógeno. El estudio muestra que el paso más lento y, por tanto, determinante es cuando esta unidad FeOH adsorbida cede un electrón y se desprende hacia la solución, en su camino hacia convertirse en un ion férrico totalmente hidratado rodeado de moléculas de agua. Al rastrear el paisaje de energía libre usando muestreo mejorado y un modelo de interacción aprendido por máquina, encuentran una barrera que controla la velocidad de aproximadamente 0,76 electronvoltios. Con esta barrera y coberturas superficiales calculadas con cuidado, su modelo reproduce medidas experimentales como la pendiente de la curva corriente–voltaje y la energía de activación aparente para la disolución del hierro en ácido fuerte.

Siguiendo las burbujas de hidrógeno desde protones hasta gas

La corrosión en ácido no solo trata de la pérdida de metal; también produce gas hidrógeno. Por ello, el estudio analiza la secuencia de pasos por la que los protones de la solución captan electrones en la superficie para formar átomos de hidrógeno adsorbidos y luego combinarse en moléculas de hidrógeno. Empleando el mismo enfoque de dinámica molecular con aprendizaje automático, los autores calculan barreras energéticas para tres pasos clásicos: la reducción inicial del protón, un paso electroquímico mixto donde un protón reacciona con un hidrógeno adsorbido, y un paso puramente químico en el que dos hidrógenos adsorbidos se unen. Sus cálculos señalan una vía en la que el primer paso, la reducción del protón, controla la velocidad en la ventana de voltaje relevante. De forma intrigante, las simulaciones revelan que los protones no simplemente se desplazan desde el fluido a granel hasta la superficie; en su lugar, saltan a lo largo de cadenas de moléculas de agua en un relevo, evocando el conocido mecanismo de Grotthuss en el agua líquida.

Qué ocurre cuando se añade manganeso

Los aceros a menudo contienen manganeso para mejorar propiedades mecánicas, pero su influencia en la corrosión puede ser sutil. Para explorar esto, los autores introducen un único átomo de manganeso en la capa externa de la superficie de hierro y repiten su análisis. Cerca de este sitio de manganeso, tanto la barrera para que un átomo de hierro se disuelva como la barrera para el paso clave del hidrógeno se reducen. Cuando el comportamiento local alrededor del manganeso se combina con el del hierro circundante de forma ponderada por área, la corriente de corrosión global aumenta varios órdenes de magnitud y el potencial de corrosión se desplaza a valores más negativos. Estas tendencias coinciden con observaciones experimentales de que los aceros ricos en manganeso tienden a corroerse más rápido en medios ácidos.

De modelos detallados a aleaciones más seguras

Al mostrar que barreras energéticas a nivel atómico y coberturas superficiales realistas pueden reproducir con precisión corrientes y voltajes de corrosión medidos para el hierro, este trabajo demuestra una vía potente para predecir cómo los metales se degradan en ácido. El mismo flujo de trabajo puede, en principio, aplicarse a otros metales, orientaciones superficiales y elementos de aleación, y a distintos niveles de acidez. Para no especialistas, el mensaje clave es que la corrosión no tiene por qué tratarse como un problema puramente empírico: con la computación moderna y el aprendizaje automático, es posible probar virtualmente cómo las decisiones de diseño en la composición de aleaciones y el entorno influirán en la vida útil de infraestructuras críticas.

Cita: 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

Palabras clave: corrosión ácida, disolución del hierro, evolución del hidrógeno, dinámica molecular con aprendizaje automático, diseño de aleaciones