Auf der Suche nach korrosionsbeständigen Legierungen und Schutzschichten

Sie übersteigen 2,5 Billionen Dollar (bzw. 2500 Milliarden Dollar), rechnen Wissenschaftler vor. [1]

Es besteht daher ein großes Interesse an der Entwicklung korrosionsbeständiger Legierungen. Jedoch sind die bisherigen KI-Modelle, die das Korrosionsverhalten vorhersagen und optimale Legierungsformeln vorschlagen können, noch nicht ausgereift. 

Wissenschaftler des Max-Planck-Instituts für Eisenforschung um Dr. K. N. Sasidhar haben nun ein maschinelles Lernmodell entwickelt, das die Vorhersagegenauigkeit für das Design korrosionsbeständiger Legierungen im Vergleich zu bestehenden Systemen um bis zu 15 % erhöht. Die besondere Stärke des Modells ergibt sich aus der Verschmelzung von numerischen und textuellen Daten. 

Ihre Ergebnisse wurden in der Zeitschrift Science Advances veröffentlicht.

Forschungsgegenstand

Die Genauigkeit von maschinellen Lernmodellen für Werkstoffdatensätze ist bisher oft dadurch begrenzt, dass sie keine Textdaten einbeziehen können. Um diese Einschränkung der Informationsdichte zu überwinden, entwickelten die Forscher einen vollautomatischen Ansatz zur Umwandlung natürlicher Sprache in eine Form, die sich in ein tiefes neuronales Netz einspeisen lässt. 

Zudem implementierten sie ein Deep-Learning-Modell mit einem transformierten Merkmalsraum, um die wichtigsten Parameter für die Verringerung von Lochfraß zu identifizieren.

Forschungsergebnisse

Laut den Forschern deckt das Modell neue, aber realistische korrosionsbeständige Legierungszusammensetzungen auf. Ursprünglich für den kritischen Bereich der Lochfraßkorrosion in hochfesten Legierungen entwickelt, lässt sich die Vielseitigkeit dieses Modells auf alle Legierungseigenschaften ausweiten. 

"Jede Legierung hat einzigartige Eigenschaften hinsichtlich ihrer Korrosionsbeständigkeit. Diese Eigenschaften hängen nicht nur von der Legierungszusammensetzung selbst ab, sondern auch vom Herstellungsprozess der Legierung. Aktuelle maschinelle Lernmodelle können nur von numerischen Daten profitieren. Verarbeitungsmethoden und experimentelle Prüfprotokolle, die meist durch textuelle Deskriptoren dokumentiert sind, sind jedoch entscheidend, um Korrosion zu erklären", erklärt Dr. Kasturi Narasimha Sasidhar, Hauptautor der Veröffentlichung und ehemaliger Postdoktorand am Max-Planck-Institut für Eisenforschung. 

"Wir haben das Deep-Learning-Modell mit intrinsischen Daten trainiert, die Informationen über Korrosionseigenschaften und Zusammensetzung enthalten. Jetzt ist das Modell in der Lage, Legierungszusammensetzungen zu identifizieren, die für die Korrosionsbeständigkeit entscheidend sind, auch wenn die einzelnen Elemente ursprünglich nicht in das Modell eingegeben wurden", ergänzt Dr. Michael Rohwerder, Mitautor der Veröffentlichung und Leiter der Gruppe Korrosion am Max-Planck-Institut für Eisenforschung.

Aktuell arbeitet das Forscherteam daran, den Prozess der Datengewinnung zu automatisieren und nahtlos in das bestehende System zu integrieren. Die Einbeziehung von Mikroskopiebildern ist ein weiterer Meilenstein bei der Entwicklung von KI-Systemen, die textuelle, numerische und bildbasierte Daten zusammenführen.

www.mpie.de

[1] www.sciencedirect.com/science/article/abs/pii/B9780081011058000012