Detailseite
Projekt
Identifikation optimaler Korrosionsinhibitoren für Magnesiumlegierungen mit und ohne PEO-Beschichtung durch robotergestützte Tests und maschinelles Lernen
Antragstellerinnen / Antragsteller
Professor Dr.-Ing. Christian Johannes Cyron; Dr. Sviatlana Lamaka
Fachliche Zuordnung
Beschichtungs- und Oberflächentechnik
Förderung
Förderung seit 2024
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 535656357
Das Hauptziel dieses Projektes ist ein Paradigmenwechsel bei der Entwicklung aktiver Antikorrosionsbeschichtungen anhand des Beispiels der Magnesiumlegierung AZ31. Im Projekt wird gezeigt wie maschinelles Lernen (ML) kombiniert mit robotergestützten Experimenten bei der Identifikation optimaler chemischer Verbindungen für den Korrosionsschutz für Magnesiumlegierungen mit und ohne PEO-Beschichtung helfen kann. Durch hochautomatisierte robotergestützte Tests wird eine Datenbasis geschaffen, die für eine große Zahl chemischer Verbindungen ihre Wirksamkeit beim Korrosionsschutz für AZ31 beschreibt. Gleichzeitig wird eine Architektur für maschinelles Lernen entwickelt, die die gesammelten Daten nutzt, um die Wirksamkeit chemischer Verbindungen für den Korrosionsschutz vorherzusagen. Diese Architektur ebnet den Weg hin zur computergestützten Entdeckung vielversprechender Korrosionsinhibitoren und wird neben experimentellen Daten auch Ergebnisse von Berechnungen auf Basis der Dichtefunktionaltheorie (DFT) nutzen. Letztere helfen dabei, die Menge der experimentellen Daten zu reduzieren, die für zuverlässige Vorhersagen benötigt wird. In diesem Projekt identifizierte besonders wirksame chemische Verbindungen für den Korrosionsschutz werden im Rahmen des Projektes gründlich untersucht. Insbesondere wird der ihnen zugrundeliegende Mechanismus durch eine Kombination experimenteller Verfahren und DFT-Berechnungen analysiert. Der in diesem Projekt verfolgte Ansatz leitet einen Paradigmenwechsel ein hin zu einer hochautomatisierten und beschleunigten Entwicklung von Korrosionsinhibitoren für Magnesiumlegierungen, bei der geeignete chemische Verbindungen durch maschinelles Lernen und Rückgriff auf eine große experimentelle Datenbasis schnell und mit hoher Genauigkeit identifiziert werden können.
DFG-Verfahren
Sachbeihilfen
