2024-04-102024-04-10https://hdl.handle.net/11420/46910Das 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.The major goal of the proposed project is a shift of paradigm for the development of active anti-corrosion coatings using the example of the specific magnesium alloy AZ31. We will demonstrate how machine learning (ML) combined with robotic testing can assist the identification of optimal corrosion inhibitors for bare and PEO-treated magnesium. Highly automated robotic testing will be used to create a large basis of experimental data characterizing the corrosion inhibition efficiency (IE) of a large number of different chemical compounds for AZ31. In parallel, we will develop a machine learning architecture that can benefit from the collected data to predict the corrosion IE of chemical compounds, paving the way towards computer-aided identification of promising corrosion inhibiting compounds. In doing to, our ML architecture will use also data from density functional theory (DFT) calculations, which help to reduce the amount of experimental data required for meaningful predictions. Particularly promising magnesium corrosion inhibitors identified in the course of this project will be examined in depth. Their corrosion inhibition mechanisms will be uncovered by employing a combination of electrochemical techniques accompanied by DFT calculations. The approach pursued in this project will pioneer a new paradigm for the automated and accelerated enhancement of corrosion protection, allowing the accurate and fast identification of the most suitable corrosion inhibitors for a given material from a large experimental database of potentially available corrosion inhibiting compounds.